On Image Denoising Method Combined with Curvelet Transform and Weighted Bilateral Filtering

QIN Yi; ZHAO Er-gang

doi:10.13718/j.cnki.xsxb.2021.01.002

Aiming at the problem that the weighted bilateral filtering method cannot preserve the edge texture well and make the image blurred, an image denoising method combining Curvelet transform and weighted bilateral filtering has been proposed. According to the method, weighted bilateral filters have been used to decompose the noisy image into low-frequency and high-frequency parts. Then the compromise threshold of Curvelet transform has been applied to high-frequency part to preserve the texture details of the image. Finally, the low-frequency part and the processed high-frequency part have been reconstructed to get the denoised image. The experimental results indicate that comparing with other methods, the proposed method can effectively remove noises while preserving more structure and edge details. The PSNR, VIF and SSIM measurements of this method are substantially improved for denoised images including the edge information.

HTML

图像和视频通信已经成为人们日常生活的重要组成部分，使用当前的图像捕获技术，噪声不可避免地在图像中产生，尤其是在低光照条件下获取的图像，最常见的噪声类型是加性白高斯噪声^[1](Additive White Gaussian Noise，AWGN).由于噪声降低了图像的视觉质量和计算机视觉算法的性能，因此近年来图像去噪已经成为图像处理方面的热点问题.

图像去噪^[2]要求在有效去除噪声和不引入人为特征(阶梯、振铃现象)的同时，尽可能地保留边缘信息和纹理细节.目前，图像去噪^[3]方法大致可以分为空间域和变换域两类.空间域去噪以高斯滤波^[4]、基于偏微分方程滤波^[5]、双边滤波^[6]等算法为代表，可以得到较高的峰值信噪比，但在边缘信息和纹理细节方面保留较少.变换域去噪以小波变换^[7]、contourlet变换^[8]、Curvelet变换^[9]等方法为代表，可以很好地保留图像的几何信息，但是该类方法的计算较为复杂.

双边滤波(Bilateral Filter，BF)去噪算法具有容易实现且计算简单的特点，可以识别显著的边缘细节，在消除噪声的同时能够保留部分几何信息.但是，当噪声变大后，双边滤波的抑噪能力会变差. Chaudhury等^[10]提出了加权双边滤波(Weigthed Bilateral Filter，WBF)方法，采用鲁棒双边滤波的预处理结果来引导标准双边滤波去噪，对有较大方差的噪声具有鲁棒性，但是由于采用了均值滤波，会使得图像在去噪过程中丢失一些纹理结构.芦碧波等^[11]提出了一种利用全变分方式引导双边滤波器进行去噪的方法，该算法在去噪能力和边缘信息保持方面都有所提升，但是利用双边滤波在消除图像中高频部分噪声的同时，也会将分布在高频处的边缘纹理信息滤除. Curvelet变换是建立在小波变换和脊波变换的理论基础之上，继承了小波变换良好的时频分析能力和脊波变换的方向选择特性，能够更好地保持去噪图像的边缘信息，但是在重构过程中容易产生振铃效应和伪影现象.

针对WBF在边缘纹理方面保留不好的问题，通过结合空间域和变换域去噪方法的优点，提出了一种结合Curvelet变换与WBF的图像去噪方法.本文首先使用加权双边滤波器将噪声图像分解为低频图像和高频图像，然后对高频图像应用Curvelet变换，通过设定合适的阈值函数使得图像中保留更多的边缘纹理细节，最后将低频图像和处理后的高频图像进行重构，得到保存有更多几何信息的去噪图像.实验结果表明，相对于其他方法，本文方法在去噪性能方面有了明显的改善，在边缘信息保留方面也有实质性的提高，并且重构过程中避免了振铃、伪影现象的出现.

1. 双边滤波

标准双边滤波(Standard Bilateral Filter，SBF)是一种非线性滤波器，可以达到保持边缘、降噪平滑的效果.双边滤波不仅考虑了像素的欧氏距离，还考虑了像素范围域中的颜色差异，其原理是将一个与空间距离相关的高斯函数和一个与灰度距离相关的高斯函数相乘.

其中，x表示像素位置，Ω为像素x的邻域，j是邻域Ω内的像素，I(x)和$ {\hat I_1}$(x)分别表示噪声图像和双边滤波后的输出图像，$ {f_{{\sigma _s}}}(x) = {{\rm{e}}^{\left( { - \frac{{{{\left| x \right|}^2}}}{{2\sigma _s^2}}} \right)}}$和$ {f_{{\sigma _r}}}\left( t \right) = {{\rm{e}}^{\left( { - \frac{{{{\left| t \right|}^2}}}{{2\sigma _r^2}}} \right)}}$分别表示几何邻近关系的空间滤波函数和灰度相似关系的灰度滤波函数，σ_s和σ_r表示高斯函数中的标准差，其大小决定了双边滤波器的性能.

由于这两个参数与噪声方差有关，不是独立的，因此在鲁棒双边滤波器(Robust Bilateral Filter，RBF)中将这两个参数设置为单独可调整的值.

其中，$ \bar I(x) = \frac{1}{{{{\left( {2L + 1} \right)}^2}}}\sum\limits_{j \in {{\left\{ { - L, L} \right\}}^2}} {I\left( {x - j} \right)} $，L用于控制平滑量.

为了在所有噪声水平下获得最佳去噪性能，加权双边滤波器(Weighted Bilateral Filter，WBF)定义为标准双边滤波器和鲁棒双边滤波器的线性组合.

其中，θ₁和θ₂是最佳权重，一般通过去噪图像和原始图像之间的均方误差(Mean Squared Error，MSE)最小化方式求得.

3. 评价指标与实验结果分析

所有实验在一台配置为Intel(R) Core(TM)i5-3320 CPU @2.60 GHz和4 GB RAM的笔记本电脑上进行，所有测试均在Matlab 2014a环境下实现.选取数字图像处理常用数据集Set12进行实验，Set12数据集包括Lena，Cameraman，Barbara，House等在内的12张灰度图像，尺寸为256×256.将测试结果与标准双边滤波(SBF)、加权双边滤波算法(WBF)、LPG-PCA、Curvelet变换、WBF+Wavelet和Curvelet-双边滤波联合算法(JBF+Curvelet)等算法进行对比分析.

所有实验中主要是对常见的加性高斯白噪声进行研究处理，通过设定不同的噪声方差(σ=10，20，50)，对比所提出的方法和其他方法的去噪性能.加权双边滤波器(WBF)的分解过程主要通过选择两个参数σ_s和σ_r的窗口大小来控制.本文算法选择的参数为空间内核σ_s=4，范围内核σ_r=20和窗口尺寸为11×11.

3.1. 评价指标

为了评价算法的去噪性能，采用图像处理中常用的3种指标进行估计：峰值信噪比(PSNR)、结构相似性指数(SSIM)和视觉信息保真度(VIF).

PSNR表示滤波图像的最大像素值与噪声的比值，定义为

其中MSE表示均方误差，f_max和f_min分别表示去噪图像的最大像素和最小像素. PSNR越大，说明去噪图像失真越小，图像的去噪效果越好.

基于感知模型的归一化度量SSIM定义为

其中，$l\left( {x, y} \right) = \frac{{2{u_x}{u_y} + {c_1}}}{{u_x^2 + u_y^2 + {c_1}}}, c\left( {x, y} \right) = \frac{{2{\sigma _x}{\sigma _y} + {c_2}}}{{\sigma _x^2 + \sigma _y^2 + {c_2}}}, s\left( {x, y} \right) = \frac{{{\sigma _{xy}} + {c_3}}}{{{\sigma _x}{\sigma _y} + {c_3}}} $分别表示亮度比较、对比度比较和结构比较，x，y分别为参考图像和去噪图像，u_x，u_y分别表示图像x，y的均值，σ_x²，σ_y²表示x，y的方差，σ_xy表示x，y的协方差，c₁，c₂，c₃为很小的常数. SSIM从亮度(均值)、对比度(方差)和结构3个层次比较图像失真，但经常用于比较去噪图像与原始图像间的结构相似形，SSIM在[-1, 1]区间范围内取值，其值越接近1，说明两者结构相似性越好，相反相似性越差.

VIF通过计算去噪图像与原始图像之间的互信息来衡量去噪图像的质量优劣，该指标与主观视觉具有更高的一致性， VIF可以定义为

其中，M表示小波分解的子带个数，$ {{{\overrightarrow C }^{N, j}}}$表示第j个子带上随机场的N个元素，$ {{{\overrightarrow E }^{N, j}}}$和${{{\overrightarrow F }^{N, j}}} $分别表示原始图像和失真图像的人类视觉系统模型的输出. VIF值越大，表明图像质量越好.

3.2. 实验结果分析

使用RBF、WBF、LPG-PCA、Curvelet变换、WBF+Wavelet、JBF+Curvelet和本文算法在加入标准差σ=30的高斯白噪声后，不同算法获得的去噪图形PSNR值分别对应20.87，27.92，28.85，28.36，28.59，28.70，29.68 dB，从而说明本文算法比其他算法具备更优的去噪性能.可以更好地保留图像中的纹理细节和边缘信息，并且很好地抑制边缘细节的扭曲(表 1).

表 1-表 3给出了多个噪声标准偏差情况下，不同去噪方法的PSNR，SSIM，VIF方面的比较结果，该结果是不同算法利用数据集Set12中12张灰度图进行测试的平均值.从表 1，表 2，表 3中可以看出，在不同的噪声标准偏差情况下，本文方法在PSNR，SSIM，VIF指标上比其他去噪方法表现更好，明显地体现出本文方法在去噪方面的优越性.

4. 结语

本文提出一种结合Curvelet变换与加权双边滤波的图像去噪方法，该方法采用加权双边滤波法去除图像中的噪声，然后通过Curvelet变换很好地保留了图像的边缘信息和纹理细节，在图像中恢复这些细节不仅可以提高图像质量，还可以引发用户对图像纹理细节更深层次的理解.通过与其他一些先进图像去噪方法的对比实验可以看出，本文算法在PSNR，VIF和SSIM方面均优于其他算法，并且在有效去除图像噪声的同时，对图像中的纹理和伪像进行了细化.因此，本文方法可以用于诸如医学成像领域，专门增强超声和磁共振图像中的图像质量.

Figure (1) Table (3) Reference (11)

Name
	Name cannot be empty!
E-mail
	Mailbox cannot be empty! Mailbox cannot be empty!
Telephone
	Mobile number cannot be empty! Please enter a valid mobile number!
Title

Content
Verification Code

Message Board

On Image Denoising Method Combined with Curvelet Transform and Weighted Bilateral Filtering

Abstract

References

Access History

通讯作者: 陈斌, bchen63@163.com

Article Metrics

Access History

Other Articles By Authors