Curvelet變換與偏微分方程在圖像去噪中的應(yīng)用研究.pdf

1、圖像的獲取和傳遞的過(guò)程存在著種種干擾，這就使得圖像不可避免的受到噪聲的污染。如何有效對(duì)圖像進(jìn)行去噪處理一直是圖像處理領(lǐng)域中研究的熱點(diǎn)。它對(duì)提高圖像質(zhì)量有著重要的意義。圖像去噪的核心問(wèn)題是消除圖像的噪聲和保持圖像的特征。本文對(duì)基于curvelet變換和偏微分方程(Partial Differential Equations)的圖像去噪模型進(jìn)行了深入的研究。 Curvelet變換具有多尺度的特性，能夠聚焦圖像的微小變化。同時(shí)它引入了一個(gè)方向

2、參數(shù)，又具有方向性，對(duì)圖像的邊緣，輪廓等特征有著良好的表達(dá)能力。這使它在圖像的去噪領(lǐng)域有著很好的表現(xiàn)。 偏微分方程對(duì)圖像進(jìn)行去噪是對(duì)整幅圖像進(jìn)行處理。它能根據(jù)圖像的特征及方向?qū)D像進(jìn)行平滑。它在對(duì)圖像去噪的同時(shí)不會(huì)造成圖像邊緣信息的模糊。詳細(xì)介紹了P-M擴(kuò)散模型和TV擴(kuò)散模型兩種經(jīng)典的偏微分去噪模型，它們都有著良好的邊緣保持能力，但是也存在著“階梯”效應(yīng)，細(xì)節(jié)和紋理丟失等問(wèn)題。 本文在詳細(xì)分析Curvelet去噪模型和偏

3、微分方程去噪模型基礎(chǔ)上，提出了結(jié)合Curvelet變換的各向異性擴(kuò)散圖像去噪模型。它有機(jī)的結(jié)合了Curvelet變換及偏微分方程去噪方法的優(yōu)點(diǎn)。通過(guò)選擇合適的偏微分方程參數(shù)值處理經(jīng)過(guò)Curvelet變換得到的圖像的不同Curvelet系數(shù)矩陣改進(jìn)了各向異性去噪模型。實(shí)現(xiàn)了建立在對(duì)圖像精細(xì)分析的基礎(chǔ)上的新的各向異性擴(kuò)散模型。新模型的處理結(jié)果能有效避免傳統(tǒng)各向異性擴(kuò)散出現(xiàn)的階梯(staircasing)效應(yīng)，更好的保留圖像的紋理和細(xì)節(jié)。多組