1、引言

　　圖像作為一種事物的直觀表現(xiàn)形式，受到了人們廣泛重視。許多場(chǎng)合都需要對(duì)圖像進(jìn)行處理和識(shí)別，這就需要有合適的設(shè)備和技術(shù)來處理圖像使它滿足人們需要的清晰度。一般來說，剛獲取的圖像都有很多噪聲，比如，采集設(shè)備的電信號(hào)的畸變等，這些因素都可能造成圖像噪聲。因此為了便于人們觀察和較精確地提取圖像特征點(diǎn)，需要對(duì)圖像進(jìn)行濾波從而去除噪聲[1]。同時(shí)在獲取圖像的同時(shí)，難免采集到的圖像也是較模糊的[2]。這就要我們處理圖像的時(shí)候不止關(guān)注噪聲，還要關(guān)注圖像的模糊程度。

　　在圖像去噪方面現(xiàn)在用得比較多的是小波變換。小波變換，實(shí)際上是將信號(hào)通過低通和高通兩組濾波器，把信號(hào)分解為低頻和高頻兩部分，對(duì)于平穩(wěn)信號(hào)來說，信號(hào)的能量大部分都集中在低頻部分，只有少部分的細(xì)節(jié)才會(huì)出現(xiàn)在高頻部分。而噪聲的大部分能量都集中在高頻部分。所以使用高頻系數(shù)置零法處理圖像能達(dá)到較好的效果。但高頻系數(shù)置零的缺點(diǎn)卻使得我們不能完全依靠此種方法[3]。

　　傳統(tǒng)處理模糊圖像的方法是對(duì)圖像銳化，銳化的基本原理是利用人眼把邊緣反差大的物體視為清晰的特性，以增強(qiáng)局部反差，特別是邊緣輪廓的反差，來造成清晰度提高的假象。銳化的功能主要是對(duì)低通濾波造成的模糊進(jìn)行補(bǔ)償，而彌補(bǔ)低通濾鏡造成的模糊只要加用銳化方法，在屏幕上目視效果達(dá)到清晰就行。但是這種方法有一個(gè)最大的缺點(diǎn)：在銳化圖像的同時(shí)噪聲也被加強(qiáng)了，且傳統(tǒng)的銳化方法對(duì)圖像的噪聲是無能為力的[4]。本文就是根據(jù)圖像采集的現(xiàn)實(shí)特點(diǎn)對(duì)圖像應(yīng)用了一種Contourlet域的維納濾波方法。這種方法對(duì)圖像的噪聲和模糊處理都有較好的表現(xiàn)。

2、Contourlet域的維納濾波去噪

　　一般的圖像處理都是處理的模糊圖像或者噪聲圖像，但在實(shí)際中的圖像往往是既模糊又帶有噪聲。因此在處理圖像時(shí)必須要同時(shí)考慮噪聲和圖像的模糊情況。

2.1 維納濾波

　　信號(hào)波形從被噪聲污染中恢復(fù)稱為濾波。這是信號(hào)處理中經(jīng)常采用的主要方法之一，具有十分重要的應(yīng)用價(jià)值。常用的濾波器是采用電感、電容等分立元件構(gòu)成，如RC低通濾波器、LC諧振回路等。但對(duì)于混在隨機(jī)信號(hào)中的噪聲濾波，這些簡(jiǎn)單的電路就不是最佳濾波器，這是因?yàn)樾盘?hào)與噪聲均可能具有連續(xù)的功率譜。不管濾波器具有什么樣的頻率響應(yīng)，均不可能做到噪聲完全濾掉，信號(hào)波形的不失真。因此，需要尋找一種使誤差最小的最濾波方法，又稱為最佳濾波準(zhǔn)則。

　　從噪聲中提取波形的各種估計(jì)方法中，維納（Wiener）濾波是一種最基本的方法，適用于需要從噪聲中分離出的有用信號(hào)是整個(gè)信號(hào)（波形），而不只是它的幾個(gè)參量。其基本依據(jù)就是最小均方誤差準(zhǔn)則。

　　維納濾波是利用平穩(wěn)隨機(jī)過程的相關(guān)特性和頻譜特性對(duì)混有噪聲的信號(hào)進(jìn)行濾波的方法。實(shí)現(xiàn)維納濾波的要求是：①輸入過程是廣義平穩(wěn)的；②輸入過程的統(tǒng)計(jì)特性是已知的。根據(jù)其他最佳準(zhǔn)則的濾波器往往亦有同樣的要求。然而，由于輸入過程取決于外界的信號(hào)、干擾環(huán)境，這種環(huán)境的統(tǒng)計(jì)特性常常是未知的、變化的，因而在實(shí)踐中難以滿足上述兩個(gè)要求。

　　維納濾波器的優(yōu)點(diǎn)是：適應(yīng)面較廣，無論平穩(wěn)隨機(jī)過程是連續(xù)的還是離散的，是標(biāo)量的還是向量的，都可應(yīng)用。對(duì)某些問題，還可求出濾波器傳遞函數(shù)的顯式解，并進(jìn)而采用由簡(jiǎn)單的物理元件組成的網(wǎng)絡(luò)構(gòu)成維納濾波器。其缺點(diǎn)是：要得到半無限時(shí)間區(qū)間內(nèi)的全部觀察數(shù)據(jù)的前提條件在實(shí)際中很難滿足，同時(shí)它也不能用于噪聲為非平穩(wěn)的隨機(jī)過程的情況，對(duì)于向量情況應(yīng)用也不方便[5]。

2.2 Contourlet域的維納濾波

　　Contourlet變換也稱金字塔型方向?yàn)V波器組(pyramidaldirection filter bank，PDFB)，它將多尺度分析和多方向性分析分成2個(gè)相對(duì)獨(dú)立的過程來實(shí)現(xiàn)。Contourlet變換的流程圖如圖1所示。首先，由LP(1aplacian pyramid)變換對(duì)圖像進(jìn)行多分辨力分析；然后，利用方向?yàn)V波器組(directional filter bank，DFB)進(jìn)行方向分解[6]。Contourlet變換是用類似于輪廓段的基結(jié)構(gòu)來逼近圖像，能用不同尺度、不同頻率的子帶更準(zhǔn)確地捕獲圖像中的分段二次連續(xù)曲線。Contourlet基的支撐區(qū)間是具有隨尺度變化長(zhǎng)寬比的“長(zhǎng)條形”結(jié)構(gòu)，具有方向性和各向異性。Contourlet系數(shù)中，表示圖像邊緣的系數(shù)能量更加集中，或者說Contourlet變換對(duì)于曲線有更稀疏的表達(dá)，因此，Contourlet域中選擇合適的閾值對(duì)圖像進(jìn)行去噪，與傳統(tǒng)的維納濾波和小波閾值去噪算法比較，能夠更有效地保留圖像的細(xì)節(jié)和紋理，具有更好的視覺效果和較高的PSNR。

                                        
 
                           圖1 Contourlet變換濾波器組結(jié)構(gòu)示例圖

　　由于Contourlet能更好的表示圖像的邊緣和細(xì)節(jié)，因此把Contourlet應(yīng)用在去噪上能有很好的表現(xiàn)。并且由于隨機(jī)噪聲不會(huì)對(duì)自然圖像的Contourlet變換系數(shù)帶來大的影響，因而隨機(jī)噪聲與自然圖像的Contourlet系數(shù)也具有更好的可分離特性。Contourlet變換能夠比小波變換更好的表示自然圖像，但是Contourlet在處理模糊圖像時(shí)，其去模糊效果卻不盡如人意。因此我們?cè)谔幚砟：龍D像時(shí)，要把Contourlet變換和其他方法結(jié)合起來，使其能更好的處理模糊圖像。本文提出的Contourlet域維納濾波去噪算法根據(jù)含高斯噪聲信號(hào)的Contourlet系數(shù)仍服從高斯分布的特點(diǎn)，利用Contourlet中的塔型方向?yàn)V波器組將圖像分割，由LP(1aplacian pyramid)變換對(duì)圖像進(jìn)行多分辨力分析；然后，利用方向?yàn)V波器組(directional filter bank，DFB)進(jìn)行方向分解,再用維納濾波的方法處理其系數(shù)。最后重構(gòu)出圖像。

　　本文的實(shí)驗(yàn)結(jié)果用處理后得到的圖像與原圖的峰值信噪比( PSNR)作為算法的評(píng)價(jià)標(biāo)準(zhǔn)。PSNR根據(jù)下式計(jì)算:

                              
　　PSNR值越小表示圖像品質(zhì)越差,失真情況越嚴(yán)重，PSNR值越大，表示圖像品質(zhì)越好，失真情況越不嚴(yán)重。一般而言,當(dāng)PSNR的值大于30時(shí),圖像失真的狀態(tài)人的肉眼就不易分辨出來。故希望能讓處理后的圖像,其PSNR之值大于30。

3、實(shí)驗(yàn)結(jié)果及其比較

3.1．對(duì)barbara圖像的處理

　　圖2（a）采用一幅barbara圖像進(jìn)行Contourlet域的維納濾波。同時(shí)我們也采用了傳統(tǒng)的逆濾波，維納濾波和小波變換這兩種方法對(duì)圖像進(jìn)行了處理。

　　1.圖2（b）所示為模糊且添加了高斯噪聲后的圖像，在此圖像上我們可以看到。圖像的視覺特性很差。Barbara的眼睛處幾乎沒有細(xì)節(jié)特性了，這樣的圖像很不利于人們的觀察。

　　2.如圖2（c）所示，當(dāng)用逆濾波后，其效果比源圖像好了一些。但是噪聲卻同時(shí)也被加強(qiáng)了。同樣也不利于人們的觀察。

　　3.圖2（d）所示為采用維納濾波后，可以看到處理后的圖像的視覺特性較好。但圖像還是較模糊，且噪聲還是較多。其視覺特性也不太好。其峰值信噪比PSNR為24.77db（見表1），還是較低。

　　4.如圖2（e）所示，當(dāng)采用小波變換處理圖像后。首先感覺到的是其圖像噪聲較少。但是圖像還是比較模糊。其圖像中的一些細(xì)節(jié)損失了。且其峰值信噪比PSNR為29.83db（見表1），同樣也不太高。

　　5.圖2（f）所示為當(dāng)采用本文所述方法的處理結(jié)果。其視覺特性明顯比上面的幾種方法好，其圖像不像維納濾波那樣有較多的噪聲。也不想小波那樣圖像較模糊且損失了一些細(xì)節(jié)，其表現(xiàn)比維納濾波和小波變換都更好。同時(shí)其峰值性噪比PSNR能達(dá)到35.56db（見表1）。滿足了通常PSNR要大于30的要求

　　遙感圖像由于受到拍攝條件的限制，通常都既模糊又含有一定的噪聲。本文用所提出的算法對(duì)一幅實(shí)際的遙感圖像進(jìn)行了處理。圖3（a）所示為“資源一號(hào)-02B”拍攝的遙感圖像，圖3（d）、圖3（e）、圖3（f）分別為采用逆濾波、維納濾波、小波變換以及本文所提出的方法處理的效果圖。其PSNR如表2所示。我們可以看到，本文所提出的方法同樣比逆濾波，維納濾波和小波變換更好。其PSNR也是用本文的方法更高。
 
                              
                             

　　通過以上的分析和實(shí)驗(yàn)可以知道，基于Contourlet域的維納濾波對(duì)模糊且有噪聲的圖像是一個(gè)非常有效的圖像處理方法。特別是對(duì)于邊緣輪廓較多且較模糊的圖像。其重構(gòu)后的圖像的視覺特性和PSNR都比維納濾波和小波更好，在實(shí)際應(yīng)用上具有一定的優(yōu)勢(shì)。由于Contourlet變換滿足各向異性尺度關(guān)系，擅長(zhǎng)于描述圖像中的輪廓和紋理信息，在圖像增強(qiáng)[7]，圖像壓縮[8]，特征提取[9]，圖像融合[10]等方面都可以得到很到的很好的應(yīng)用。且維納濾波適應(yīng)面較廣，無論平穩(wěn)隨機(jī)過程是連續(xù)的還是離散的，是標(biāo)量的還是向量的，都可應(yīng)用。所以本文所提出的Contourlet域的維納濾波在處理模糊且含有一定噪聲的圖象時(shí)效果非常好。