双变量模型（DOC X页）

双变量模型（DOC X页） 基于双变量模型的子带自适应滤波方法 侯建华 熊承义 (中南民族大学电子信息工程学院,武汉430074) 摘 要 利用贝叶斯最大后验估计理论研究了双变量层间模型、模型的子带自适应 估计方法，推导了对应的萎缩;在此基础上了一种子带自适应图像 滤波方法，并与两种基于模型的类似算法进行了比较。实验结果明:利用小波 系数层间模型可以有效地改善图像去噪质量。 关键词 小波系数;最大后验估计;双变量模型;子带自适应 中图分类号 TP391 文献标识码 A 文章编号 1672-4321(2005)04-0042-03 A Sub-Band Adaptive Image Filtering MethodBased on Bivariate Model Hou Jianhua Xiong Chengyi Abstract The paper has investigated the bivariate model using Bayesian maximum a posteriori (MAP) estimation theory. The sub-band adaptive method for parameter estimation is discussed and the corresponding shrinkage function is derived. A sub-band adaptive image filtering method is designed and compared with other two similar algorithms which are also based on statistics modeling of wavelet coefficients. Experiment results show that image denoising can be improved by exploiting wavelet interscale models. Keywords wavelet coefficients; maximum a posteriori estimation; bivariate model; sub-band adaptive Hou Jianhua Assoc Prof, College of Electronics and Information Engineering, SCUFN, Wuhan 430074,China 大量研究表明，图像小波系数之间存在着一定的相关性，利用这种相关性可 以显著改善有关算法的性能。具体地讲有2点:(1)小波系数具有空间聚集性 (Clustering)，即如果某一系数较大(或小)，则与其相邻的系数也往往较大(或小); (2)小波系数具有尺度传递性(Persistence)，即大(或小)的系数有沿尺度传播的趋向 [1]。依据这些相关性和小波系数的非高斯特性，已提出了多种图像小波系数的先 [2][3]验分布模型，例如广义高斯分布、拉普拉斯分布这些层内模型利用了子带内 的空间聚集性，在图像编码、去噪领域得到了成功的应用。另一类层间模型则根 据小波系数的尺度传递性,对“父”“子”系数间的依赖性进行描述。例如Shapiro [4]提出的小波零树编码算法是应用该特性的成功典范，Crouse的小波域隐马尔科 [1]夫树模型在信号估计、图像分割、纹理分析等方面也表现出了出色的性能。近年来，Sendur提出了一种双变量模型，用非高斯密度函数对“父”“子”系数分 [5]布进行建模，利用贝叶斯统计理论得到了其最大后验估计的解析表达式。本文对这种双变量模型进行了深入研究，并设计了一种子带自适应图像滤波方法。 设w是当前的小波系数，w是上一个粗糙尺度中空间位置与w相同的系121数,即w的“父”系数。 1 y = w + n ，y = w + n (1) 111222 用矢量表示为: y = w + n (2) 其中y = ( y, y ) , w = ( w , w ) , n = (n , n )。 1 21212 为了更好地利用小波系数的相关性，Sendur等统计了大量自然图像小波系数直方图中“父”“子”系数间的概率分布，提出了一种双变量混合模型来刻画这种关系[5]: ，，3322,,，p(w)expww,,w122,,,2，， , (3) 2 基于双变量模型的最大后验估计 2.1 贝叶斯最大后验估计理论 为简单起见，先考虑标量形式的MAP估计。设y=w+n分别代表观测到的含 2,n噪图像、真实图像以及独立同分布高斯噪声的小波系数。n服从N(0,)分布。 ˆw(y)我们的目的是从观测系数y中得到真实系数w的估计。 设p(w)、p(n)分别是真实系数w、噪声系数n的概率密度函数(pdf)。在贝wn 叶斯统计理论中。最大后验估计(MAP)是一种常用的方法。MAP估计即在给定y条件下，使后验概率密度p(w|y)取最大的w: w|y ˆw(y),argmax[p(w|y)] , (4) w|yw 利用贝叶斯准则，得到 ˆw(y),argmax[p(y|w)p(w)],argmax[p(y,w),p(w)] 。 (5) y|wwnwww ˆw(y),arg max[lg(p(y-w))，lg(p(w))] , (6) nww 2，，1(,)yw , (7) ()exppy,w,,n,,22,2,,，，n 定义:。 (8) f(w),lg[p(w)]w 将(7)(8)代人(6)得: 2(y,w)ˆ ， (9) w(y),argmax[,，f(w)]2w,2n ˆy,w, ， (10) ，f(w),02,n ˆ,w利用p(w)得到,进而求出方程(10)的解,即得对应的MAP估计(y)。 f(w)w 2.2 双变量萎缩函数 利用噪声独立同分布假设: 221n，n12 。 (11) ()exp[]pn,,n22,,,22nn 将矢量y、w、n以及(11)式代入(6)式: 22(y,w)(y,w)1122ˆ ， (12) w(y),argmax[,,，f(w)]22w,,22nn上式的等价方程为: ˆy,w11ˆ，f(w),0 (13) 12,n ˆy,w22ˆ，f(w),0 (14) 22,n ˆˆˆ其中f(w)f(w)分别代表对w、w的一阶导数: f(w)1212 3w1ˆf(w),, (15) 122,w，w12 3w2ˆf(w),, (16) 222,w，w12 将(15)、(16)代入(13)、(14)式,经简单推导，得: 2,322n，,[yy]12，,ˆ (17) ,,wy1122，yy12 其中符号(g)表示: + ,0,g0, (18) ,(g),，g,otherwise, (17)式就是在双变量模型下当前系数w的MAP估计，它实质上也是一种软阈值1 萎缩函数，称为双变量萎缩函数;但与Donoho的经典软阈值萎缩规则不同，在做阈值处理时还考虑了“父”系数的影响。 3 子带自适应滤波算法 22为了计算MAP估计表达式(17)，要已知模型(3)式中的2个参数和。其中,,n噪声方差可采用Donoho提出的鲁棒性中值估计方法: median(y)iˆ,,,y,the finest subband HH (19) ni0.6745 2模型的边缘方差σ则以子带S为单位，先估计含噪系数的差: 2ˆ,,y, (20) ,yi2Ny,si 2其中N是子带S中的系数个数。则: 22ˆˆ,,max(,,,,0)。 (21) yn 基于双变量模型的子带自适应滤波算法描述如下:(1)对含噪图像进行小波 22,变换;(2)对每个细节子带按(19) ~ (21)式估计和按(17)式系数进行软阈值处,n 理;(3)小波反变换。 由于模型的边缘方差是以子带为单位进行估计的,故该算法具有子带自适应性。 4 实验结果 采用3幅512×512 Lena、Boat和Bridge图像为实验对象，噪声水平分别为10、15、20、25,用Daubechies8小波进行4尺度分解。参与比较实验的去噪方法 [2,6][3],[6]有BayesShrink算法和MapShrink算法它们分别采用广义高斯分布、拉普拉斯分布，均为子带自适应方法;本文方法用BiShrink表示。去噪性能用峰值 信噪比PSNR来评价，实验结果见表1，其中黑体部分代表同一条件下的最好结 果。从表1可看出,在这3种基于模型的子带自适应算法中，从去噪后图像的峰 值信噪比改善程度看，本文的BiShrink最好，其次是BayesShrink、MapShrink。 相对ayesShrink和MapShrink，本文方法的PSNR增益最高可达0.22和0.71dB。 5 结语 利用小波系数的统计模型可以改善图像处理的质量。双变量模型能够较好地 刻画“父”“子”系数间的层间相关性，本文的实验结果证明了这一点。由于 BiShrink算法只考虑了“父”系数对当前系数的影响，模型的边缘方差根据子带 自适应调整，算法简洁;若进一步考虑子带内的空间聚集性，可得到基于混合模 型的局部自适应算法,去噪性能将得到更大提高，但算法复杂度也会因此而增加。 参 考 文 献 [1] Crouse M S, Nowak R D, Baraniuk R G. Wavelet-based statistical signal processing using hiddenMarkov models [J]. IEEE Trans Signal Processing,1998, 46 (4) : 886~902 [2] Chang S G, Yu B, Vetterli M. Adaptive wavelet thresholding for image denoising and compression [J]. IEEE Trans Image Processing, 2000, 9 (9):1 532~1 546 [3] Moulin P, Liu J. Analysis of multiresolution image denoising schemes using generalized-gaussian and complexity priors [J]. IEEE Trans Information Theory,1999,45 (3):909 ~ 919 [4] Shapiro J M, “Embedded image coding using zerotrees of wavelet coefficients”, IEEE Trans Signal Processing, 1993, 41 (12) ,3445~3462 [5] Sendur L, Selesnick I W. Bivariate shrinkage func-tions for wavelet-based denoising exploiting interscale dependency [J]. IEEE Trans Signal Processing,2002, 50 (11) : 2 744~2 756 [6] 侯建华,熊承义,田晓梅.广义高斯分布及其在图像去噪中的应用[J].中南民族 大学学报(自然科学版),2005, 24 (3) : 44~47 Goosen B,Pizurica A, “Removal of correlated noise by modeling the signal of interest in the wavelet domain”,IEEE Trans, 2009,6(18),1153-1165 Yu Yue, Xue Yonglin, Li Fengtinget, “Noise image coding using soft-threshold based denoising”, Journal of Image and Graphics(in Chinese), 2001, 6(1), 46~50 David L Donoho, Iain M Johnstone, “Ideal spatial adaptation by wavelet shrinkage”, Biometrika, 1994, 81(3), 425~455