改进的Contourlet变换的图像去噪算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (5): 132-136.

改进的Contourlet变换的图像去噪算法

唐飞1，杨恢先1，曾友伟1，李利2，谭正华2

1.湘潭大学材料与光电物理学院，湖南湘潭 411105
2.湘潭大学信息工程学院，湖南湘潭 411105

出版日期:2014-03-01 发布日期:2015-05-12

Image denosing algorithm based on improved Contourlet transform

TANG Fei1, YANG Huixian1, ZENG Youwei1, LI li2, TAN Zhenghua2

1.College of Material and Photoelectronic Physics, Xiangtan University, Xiangtan, Hunan 411105, China
2.College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105, China

Online:2014-03-01 Published:2015-05-12

摘要/Abstract

摘要： 为了更有效地去除图像中的噪声，提出一种基于Contourlet变换的新阈值与改进阈值函数的图像去噪方法。新阈值考虑了图像经Contourlet变换后在低尺度子带和高尺度子带的去噪特性，较好地克服通用阈值的不足；改进阈值函数对阈值处理的Contourlet变换的高频细节系数分为上频、中频和下频，并进行相应的处理，较好地弥补各阈值函数的缺陷。实验结果表明，与通用阈值相比，新阈值能更有效地去除图像中的噪声，获得更高的峰值信噪比（PSNR），结合改进阈值函数后，图像的边缘细节得到更好的保护，视觉效果更好。

关键词: 图像去噪, ontourlet变换, 新阈值, 改进阈值函数, 低尺度子带, 高尺度子带, 高频细节系数

Abstract: In order to remove the image noise more effectively, a new threshold and an improved threshold function based on Contourlet transform are proposed. The image denosing characteristics of low scale subband and high scale subband are considered, the new threshold overcomes the shortcomings of general threshold better; high frequency detail coefficients which are used to threshold processing are devided into top frequency, middle frequency and bottom frequency after Contourlet transform, and are processed accordingly, the improved threshold function makes up for deficiencies of each threshold functions better. Experiment on image denoising shows that compared with general threshold, the new threshold can remove the image noise more effectively and achieve higher Peak Signal-to-Nosie Ratio（PSNR）. After combining the improved threshold function, the image details can get better protection and the visual quality can be better.

Key words: image denoising, Contourlet transform, new threshold;improved threshold function, low scale subband, high scale subband, high frequency detail coefficients

唐飞1，杨恢先1，曾友伟1，李利2，谭正华2. 改进的Contourlet变换的图像去噪算法[J]. 计算机工程与应用, 2014, 50(5): 132-136.

TANG Fei1, YANG Huixian1, ZENG Youwei1, LI li2, TAN Zhenghua2. Image denosing algorithm based on improved Contourlet transform[J]. Computer Engineering and Applications, 2014, 50(5): 132-136.

[1]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[2]	陈人和，赖振意，钱育蓉. 改进的生成对抗网络图像去噪算法[J]. 计算机工程与应用, 2021, 57(5): 168-172.
[3]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[4]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[5]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[6]	刘成士，赵志刚，李强，吕慧显，董晓晨，李金霞. 加强的低秩表示图像去噪算法[J]. 计算机工程与应用, 2020, 56(2): 216-225.
[7]	袁小军，周涛，李琛. 基于稀疏先验的非局域聚类图像去噪算法研究[J]. 计算机工程与应用, 2020, 56(18): 177-185.
[8]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[9]	钱满，张向阳，李仁昌. 改进卷积神经网络SAR图像去噪算法[J]. 计算机工程与应用, 2020, 56(14): 176-182.
[10]	杨赵琪璘，彭定涛，唐琦，罗孝敏. 基于稀疏优化lp正则化的光滑化拟牛顿算法[J]. 计算机工程与应用, 2019, 55(22): 163-171.
[11]	李敏，章国豪，曾建伟，杨晓锋，胡晓敏. 结合Inception模型的卷积神经网络图像去噪方法[J]. 计算机工程与应用, 2019, 55(20): 139-144.
[12]	张龙，刘朝霞，刘洪琛. 一种去除椒盐噪声带L1保真项的混合变分模型[J]. 计算机工程与应用, 2019, 55(1): 210-216.
[13]	王烈，罗文，陈俊鸿，秦伟萌. 自适应PCNN与信息提取的红外与可见光图像融合[J]. 计算机工程与应用, 2018, 54(4): 192-198.
[14]	马红强，马时平，许悦雷，吕超，辛鹏，朱明明. 基于改进栈式稀疏去噪自编码器的图像去噪[J]. 计算机工程与应用, 2018, 54(4): 199-204.
[15]	肖佳，张俊华，梅礼晔. 基于改进BM3D算法的椒盐噪声去噪[J]. 计算机工程与应用, 2018, 54(21): 170-175.