[发明专利]基于Contourlet域多状态HMT模型的含噪图像增强方法

摘要

本发明涉及在Contourlet域上，利用多状态隐马尔科夫树HMT模型，对含噪图像进行增强的方法，尤其是基于Contourlet域多状态HMT模型的含噪图像增强方法。本发明方法具有以下优点：1.采用了非下采样Contourlet变换，可以有效捕捉到含噪图像中的线状和轮廓状几何信息，有利于图像的后续处理。2.引入了循环平移策略，可以有效避免因Contoutlet变换缺乏平移不变性，而易在增强后的图像中产生的人工失真。3.通过构建Contourlet域HMT模型的多种隐状态，进一步模拟出Contourlet域系数的近噪声和近强边缘成分，有利于获得细节特征突出，均匀区域平滑的增强结果。

主权项

1.一种基于Contourlet域多状态HMT模型的含噪图像增强方法，其特征在于，包括如下步骤：(1)输入大小为M×N的含噪图像im₀(m，n)，其中1≤m≤M，1≤n≤N，M和N均为大于1的自然数，初始化计数量tem=0，行位移量u=1，列位移量v=1；(2)计数量递增，即tem=tem+1，对含噪图像im₀(m，n)进行(u，v)步循环平移，得到循环平移后的含噪图像im_tem(m，n)；(3)对循环平移后的含噪图像im_tem(m，n)进行L层Contourlet变换，得到低频子带系数Y_A和高频方向子带系数其中0≤l≤L-1，1≤k≤k_l，k_l表示在尺度2^-l上的高频方向子带的数目，i∈{1，2，3，...，Q}为Contourlet域系数四叉树的索引标记，Q为Contourlet域系数四叉树上待观察系数的数目，L为3～5，L为自然数；(4)采用期望最大化算法对步骤(3)得到的高频方向子带系数进行训练，得到确定的Contourlet域多状态HMT模型参数向量Θ，式中P_0，k为Contourlet域系数四叉树根节点的隐状态概率密度向量，为高频方向子带系数的隐状态概率，S为隐状态变量，隐状态的类别数取为5，分别对应Contourlet域系数中的噪声、近噪声、弱边缘、近强边缘和强边缘成分，有{S|S=r，r∈{0，1，2，3，4}}，ε_l，k为尺度l上第k个高频方向子带系数的状态转移概率矩阵，σ_l，k和μ_l，k分别为尺度l上第k个高频方向子带系数的标准差和均值向量；(5)利用步骤(4)得到Contourlet域多状态HMT模型参数向量Θ，对高频方向子带系数进行增强；(6)对步骤(3)得到的低频子带系数Y_A和步骤(5)得到增强后的高频方向子带系数进行Contourlet逆变换，得到含噪图像im_tem(m，n)的增强图像(7)对步骤(6)得到的含噪图像im_tem(m，n)的增强图像进行(u，v)步逆向循环平移，得到图像并对其进行存储；(8)列位移量递增，即v=v+1，如果v<=8，转步骤(2)，否则转步骤(9)；(9)行位移量递增，即u=u+1，如果u<=8，转步骤(2)，否则转步骤(10)；(10)计算并得到输出含噪图像im₀(m，n)的增强图像即im0E(m,n)=164Σtem=164imtemE(m,n).]]>