收藏 分销(赏)

应用于speckle noise改进非局部相似概率的滤波器.docx

上传人:s4****5z 文档编号:8792569 上传时间:2025-03-02 格式:DOCX 页数:9 大小:31.88KB 下载积分:10 金币
下载 相关 举报
应用于speckle noise改进非局部相似概率的滤波器.docx_第1页
第1页 / 共9页
应用于speckle noise改进非局部相似概率的滤波器.docx_第2页
第2页 / 共9页


点击查看更多>>
资源描述
应用于speckle noise改进非局部相似概率的滤波器 邵春雨 2013 7.13 前言 Speckle noise 为摄像头及宇航拍摄图片的常见的噪声之一,本文 用相似概率衡量Speckle noise的图片的相似性,并用该方法达到一种较好的去噪效果。 摘要 我们首先介绍了Deledalle相似概率度量方法,其次介绍了一般的speckle noise模型, 并推导了相似概率在speckle noise的不同情况以及其相关的性质。 关键词 :相似概率,speckle noise 正文 1.Deledalle相似性方法 假设所有的随机变量都是在空间Ω,F,Ρ中实值的,连续的,并且有确定定义的。 pX是随机变量X的一个概率密度函数,并且对于任意的x, pXx>0. 我们定义条件概率密 度函数 pY|X.x:=pY,X(. , x)PX(x),并且满足-∞ypY|Xtxdt = limε→0+PY≤yX∈(x-ε,x+ε], 同时我们假设噪声像素点f i 服从像素间相互独立的随机变量Fi 并且与对应的无噪声像素为ui服从Ui为随机变量的分布,i=1, 2 ,…N。 现在我们定义一个相似度量概率密度函数 Pu1=u2 f 1 ,f2 )=SpU1|F1uf1 pU2|F2uf2du ( 1 ),其中pFif i >0,i=1,2 并且定义 S=supppUi。根据已经定义的相似概率密度函数,我们可以得到 SpU1|F1uf1 pU2|F2uf2du=SpU1 , F1 (u , f1)pU2 , F2(u ,f2)dupF1f1pF2(f2) ( 2 ) 结合概率论的知识,我们立刻又可以得到 pU1 ,U2 ,F1 ,F2x ,u ,f1 ,f2=pU1 , F1 (x+u , f1)pU2 , F2(u ,f2) 因此 pU1 -U2 ,F1 ,F20 ,f1 ,f2=-∞+∞pU1 -U2 ,U2 ,F1 ,F20 ,u ,f1 ,f2du =SpU1|F1uf1 pU2|F2uf2du 也即 Pu1=u2 f 1 ,f2 )=pU1 -U2 ,F1 ,F20 ,f1 ,f2 (3) 由(2),我们也可以得到 pU1 -U2 ,F1 ,F20 ,f1 ,f2=SpU1 , F1 (u , f1)pU2 , F2(u ,f2)dupF1f1pF2(f2) 。(4) 我们定义sDDTf1 , f2= SpF1|U1f1u pF2|U2f2udu 。 2斑点噪声模型 记f(x)=u(x)+urxvx。其中ux为最初的图像,fx为观察 图像,v(x)为对应位置的噪声。r为一个常数与图像本身有关,r∈R。 在3中我们讨论r的一般情况,而只以r=1,,12,-1固定r值做实验。 尤其注意当r=1时,f(x)= u(x)(1+v(x)),记v1x=1+vx。 转化成f(x)=u(x)v1x 转化成乘性噪声模型。 3.基于相似性方法应用于speckle noise 由(4)得 pU1 -U2 ,F1 ,F20 ,f1 ,f2=SpU1 , F1 (u , f1)pU2 , F2(u ,f2)dupF1f1pF2(f2) =SpU1upU2(u)pF1f1pF2(f2 pF1|U1f1u pF2|U2f2udu 我们又有F1=U1+U1rV1,F2=U2+U2rV2,根据概率论的知识和 雅克比变换法则,我们有 SpU1upU2upF1f1pF2(f2 pF1|U1f1u pF2|U2f2udu =SpU1upU2upF1f1pF2(f2.1u2r pV1(f1-uur) pV2(f2-uur)du 所以我们可以得sDDTf1 , f2= SpF1|U1f1u pF2|U2f2udu 。 =S1u2r pV1(f1-uur) pV2(f2-uur)du 一般的取S=(0,+∞). 4.讨论V1,V2服从N(0,σ2) sDDTf1 , f2的性质 sDDTf1 , f2=S1u2r pV1f1-uurpV2f2-uurdu =0+∞1u2r12πσ2e-(f1-u)2+(f2-u)22u2rσ2du ,注意到 (f1-u)2+(f2-u)2≥(f1-f2)22。我们得 0 ≤sDDTf1 , f2≤0+∞1u2r12πσ2e-(f1-f2)24u2rσ2du 令(f1-f2)24u2rσ2=t,当r≥0时,则0+∞1u2r12πσ2e-(f1-f2)24u2rσ2du = 0+∞(f1-f2)24σ212r-112r.12πσ2t-12re-tdt =(f1-f2)24σ212r-112r.12πσ2 .Γ(1-12r) 当r<0时,类似的得0+∞1u2r12πσ2e-(f1-f2)24u2rσ2du =(f1-f2)24σ212r-11-2r.12πσ2 .Γ(1-12r) 综合上述,0 ≤sDDTf1 , f2≤(f1-f2)24σ212r-11|2r|.12πσ2 .Γ(1-12r) 由于 sDDTf1 , f2 反应f1 , f2相似的程度,且不论r取何值,当 f1=f2时, 0<r<12 , (f1-f2)24σ212r-112r.12πσ2 .Γ1-12r=0 必有f1=f2时,0<r<12,sDDTf1 , f2=0。此时我们近似的认为 sDDTf1 , f2=(f1-f2)24σ212r-11|2r|.12πσ2 .Γ(1-12r)。 取一个像素点fi为中心的patch(2r+1)*(2r+1),fj为该patch 中的任何一个点,我们用高斯核结合sDDTfi , fj构造每个点对应的权重. w(i,j)= e-sDDTfi , fjh,其中h给调节常数,通常取h=4πσ2. fi =(j∈Ωwi,j*fj)(j∈Ωwi,j) ,Ω为fi为中心的 (2r+1)*(2r+1)的patch。 当r<0或r >12 , f1=f2时 (f1-f2)24σ212r-11|2r|.12πσ2 .Γ1-12r趋于无穷。 我们定义此时 sDDTf1 , f2=1/((f1-f2)24σ212r-11|2r|.12πσ2 .Γ1-12r) 此时类似的定义w(i,j)= e-sDDTfi , fjh 5上机实验及与各种类型滤波器的比较SNR进行比较。 略。 参考文献 [1].Non-Local Means Denioising [2].A New similarity measure for nonlocal filtering in the presence Of multiplicative noise [3].Nonlocal means based speckle filtering for ultrasound image 致谢 感谢老师半年的得悉心指导,同时祝同学们学习进步,老师事业更上一层楼
展开阅读全文

开通  VIP会员、SVIP会员  优惠大
下载10份以上建议开通VIP会员
下载20份以上建议开通SVIP会员


开通VIP      成为共赢上传

当前位置:首页 > 包罗万象 > 大杂烩

移动网页_全站_页脚广告1

关于我们      便捷服务       自信AI       AI导航        抽奖活动

©2010-2025 宁波自信网络信息技术有限公司  版权所有

客服电话:4009-655-100  投诉/维权电话:18658249818

gongan.png浙公网安备33021202000488号   

icp.png浙ICP备2021020529号-1  |  浙B2-20240490  

关注我们 :微信公众号    抖音    微博    LOFTER 

客服