shearlet 剪切波的构造
物理学咬文嚼字之三十二:切呀切

makingashortcut);或 者 翻 译 成 剪 径 也 未 必 不 可,
这个用于土匪野外 打 劫 的 专 业 词 汇,反 映 的 也 是 一
种 致 富 的 捷 径 ,而 且 汉 字 的 剪 、切 、截 有 通 用 的 地 方 .
Cut当然也可 用 于 一 些 虚 拟 的 切 入 过 程,比 如 cut灢
1.Cut.Cut可 能 是 许 多 人 学 的 第 一 个 具 有 切 的意思的英文词.Cut大约是要用刀的,英文 解 释 说 它要 denotingpenetrationorincision,也 就 说 所 用 器具要穿过待切 的 物 体.英 文 词 shortcut 与 其 和 中 文 捷 径 对 应 ,不 如 翻 译 成 截 径 ,因 为 截 径 更 能 反 映 出 这条路径被开辟的 过 程 (想 象 一 下 某 人 在 方 格 状 的 田里,不 沿 田 埂 行 走,而 是 从 田 里 斜 插 过 去,就 是
切 ,比 如 切 肉 (tocarve meat).
2 .灢Tom.Tomy (tomos) 来 自 希 腊 语 氂毾毺毲曚
( ),现 代 希 腊 语 动 词 形 式 有 氂毰曚毺毻氊 (temno,to
cut,todivide) 和
(temaheezo,tocutinto
pieces),拉丁语 动 词 形 式 为tondere.含 词 干tom 的
物理学咬文嚼字
物理学咬文嚼字之三十二
切呀切Leabharlann 曹则贤(中 国 科 学 院 物 理 研 究 所 暋 北 京 暋100190)
管 他 什 么 人 挣 扎 ,着 了 语 言 文 字 须 要 差 . ——— 京 剧 《天 女 散 花 》
摘暋要暋暋 物理学涉及许多与切相关的词汇.与切相关的西 文 词 包 括 源 于
An overview of multi-modal medical image fusion

An overview of multi-modal medical image fusion——多模态医学图像融合综述●多模态医学图像融合⏹过程:合并单/多模式的多张图像,提升图像质量,保持具体特征⏹目的:合并不同模态的图像,便于发现病变●主要模态⏹核磁共振成像(MRI)◆更好的软组织定义,更高的空间分辨率◆缺乏运动信息,如人体的新陈代谢。
⏹计算机断层扫描(CT):三维图像技术◆短扫描时间,高图像分辨率◆组织特征的显示受限,CT扫描设备的限制是要在短时间内将多个图像切片反转为一个图像⏹正电子发射断层扫描(PET)◆分子成像技术,具有高灵敏度◆低分辨率⏹单光子发射计算机断层扫描(SPECT)◆核成像,图像用于研究组织组织和器官的血流●多模态图像融合集中于三类融合:⏹MRI-CT⏹MRI-PET⏹MRI-SPECT●图像融合= 图像分解和重构+ 图像融合规则+ 图像质量评估●图像的分解和重构⏹空间域(spatial domain)、频域(frequency domain)、多尺度(multi-scale)、尺度不变(scale invariance)、字典(dictionary)、指令过滤(directive filter)⏹五种主要方法◆颜色空间(color space):基于IHS(强度-色调-饱和度)的融合,用RGB-IHS矩阵将输入图像由RGB转变为IHS模型,再用反向IHS模型(IHS-RGB)重构融合图像。
将不同模态的医学图像用RGB-IHS模型转变为IHS颜色空间中的图像。
◆金字塔(pyramid):多分辨率(图像分解为多层),图像的迭代◆小波(wavelet):将输入图像分为低频和高频两部分,分别将低频部分和高频部分进行融合。
离散小波变换(DWT)以稳定的形式保留不同频率信息,可在时域和空域中完美定位,但该方法无法满足移位不变。
冗余DWT(RDWT)旨在通过从传统的DWT采样中删除低采样以克服DWT移位变化的问题。
基于剪切波的变分图像放大方法

基于剪切波的变分图像放大方法王鹏;吴玉莲【摘要】针对图像放大的Chambolle变分模型会出现阶梯效应的现象,文中提出了一种基于Shearlet光滑分解空间的变分模型.利用有界变差空间和Shearlet分解空间的关系,特别是Shearlet分解空间的半范与加权Shearlet系数之间的等价关系,将所求的变分问题转化为基于Shearlet域的变分问题,其解归结于简单的Shearlet阈值.实验仿真表明,该方法放大后的图像有效地消除了阶梯块效应,保持了更多的细节,具有更高的峰值信噪比.【期刊名称】《电子科技》【年(卷),期】2016(029)006【总页数】4页(P146-149)【关键词】图像放大;剪切波;变分模型;分解空间【作者】王鹏;吴玉莲【作者单位】中航工业西安航空计算技术研究所13室,陕西西安710065;西安医学院卫生管理系,陕西西安710021【正文语种】中文【中图分类】TP391.41在图像处理中,最容易实现的图像放大方法是各种插值技术。
常用的图像处理软件都是基于图像插值的方法来对其进行放缩处理,例如最近邻插值、双线性插值以及基于高阶多项式的三次样条插值等。
这些图像插值方法取得了不错的效果, 并且操作简单,但这些方法的本质都是用预先指定的光滑函数来对原图像进行模拟。
因为这种方法具有固定的限制性,不可避免的会带来一些人工虚假信息[1]。
文献[2]给出了变分图像放大算法,得到较为理想的放大效果。
但该算法以有界变差(TV)作为正则约束使放大的图像具有阶梯块效应。
文献[3]利用小波软阈值和Besov空间(Ω)中变分泛函的等价性在小波域对图像进行放大。
众所周知, 小波变换对含点状奇异的目标函数是最优的,但对具有线状奇异的函数而言,小波并不能达到最优的稀疏逼近。
于是,多尺度几何分析应运而生。
典型的代表为曲线波变换(Curvelet Transform) [4]、轮廓波变换(Contourlet)[5]及剪切波变换(Shearlet Transform) [6-8]。
一种剪切波域的稀疏分量分析方法

一种剪切波域的稀疏分量分析方法纪建;李晓【摘要】在图像盲源分离应用中,传统独立分量分析(ICA)方法直接使用图像混合源作为输入求得解混矩阵,没有利用图像在变换域的稀疏特性,无法获得较好的解混效果.针对这一问题,笔者在分析剪切波具有良好稀疏表示能力的基础上,提出了一种剪切波域的稀疏分量分析方法.该方法首先将图像混合源变换到剪切波域,得到剪切波系数,接着使用峭度选择最稀疏系数,最后将稀疏系数作为ICA方法的输入实现图像分离.由于选择较少的稀疏系数,问题的求解复杂度有了显著的降低.实验结果表明,与传统ICA方法相比,该方法获得了更好的分离效果,且缩短了算法的运行时间.【期刊名称】《西安电子科技大学学报(自然科学版)》【年(卷),期】2014(041)001【总页数】9页(P45-52,146)【关键词】盲源分离;独立分量分析;稀疏分量分析;剪切波变换【作者】纪建;李晓【作者单位】西安电子科技大学计算机学院,陕西西安710071;西安电子科技大学计算机学院,陕西西安710071【正文语种】中文【中图分类】TP751盲信号分离(Blind Source Separation,BSS)是在源信号和混合方式未知的情况下,利用混合后的观测数据求取源信号的过程.按照设定的假设条件和研究途径的不同,可以分成独立分量分析(Independent Component Analysis,ICA)[1]、因子分析(Factor Analysis,FA)和独立因子分析(Independent Factor Analysis,IFA)等若干课题.其中,ICA是在假定源信号相互统计独立的基础上,通过非正交的线性变换对源信号进行解混,很大程度上解决了盲信号分离的问题.但是,ICA算法存在分离精度低、收敛速度慢、噪声鲁棒性弱等问题,仍然无法得到很好解决.针对ICA算法存在的问题,文中提出了一种新的独立分量分析方法——稀疏分量分析(Sparse Component Analysis,SCA)方法[2].稀疏分量分析是在独立分量分析基础上发展起来的一种有效的盲信号处理技术[3-4],其处理对象是由一组相互统计独立的稀疏信源经线性组合而成的混合信号,目的是从混合信号中提取出各个独立的信号分量.与独立分量分析相比,稀疏分量分析能在一定程度上解决ICA方法中存在的问题,可以获得更好的分离效果.然而,基于稀疏分量分析的稀疏独立分量分析方法(SParse Independent Component Analysis,SPICA)进行盲信号分离,与输入混合源的稀疏性密切相关,即混合源越稀疏,通过SPICA方法求得的解混矩阵越精确,所需时间也越少.但一般自然图像和信号在时域不具有稀疏特性,因此SPICA方法无法获得较好的分离效果.文献[2]提出了一种基于小波包的独立分量分析方法(Wavelet SParse Independent Component Analysis,WSPICA).该方法利用图像在小波变换域具有稀疏性的先验条件,能够较好地实现图像盲分离.小波变换具有良好的时频局域特性,已经应用到了图像去噪、盲源分离和压缩传感等领域[5-7],然而小波变换方向选择性少,在表示图像的直线或者曲线奇异性结构时,并不是最优的,无法获得较好的稀疏表示[8].且对于有噪盲源分离[9],WSPICA方法无法实现分离.基于此,文献[10]提出的一种基于形态成分分析的有噪盲源分离方法(General Morphological Component Analysis,GMCA)能够很好地实现对有噪图像的盲分离,但是,算法存在一定的不稳定性.2007年,Guo等人通过仿射系统构造了一种接近最优的多维函数稀疏表示工具:剪切波变换(Shearlet Transform)[11],继承了曲波变换和轮廓波变换平移不变性和方向选择性多的优点,通过对基函数缩放、剪切和平移等仿射变换,生成具有不同特征的剪切波基函数.对于二维信号,剪切波变换不仅可以检测到所有的奇异点,而且还可以自适应跟踪奇异曲线的方向,且随着尺度参数变化,可精确描述函数的奇异性特征,从而获得了更好的图像稀疏表示能力.笔者在分析剪切波具有良好稀疏表示能力的基础上,提出了一种剪切波域的稀疏分量分析方法,并将其应用到了图像盲分离中.1.1 SPICA的数学模型线性瞬时混合SPICA[2]的研究对象是M个观测信号X(t)=[x1(t),x2(t),…,xM(t)]T,而这些信号是由多个相互独立、稀疏的源信号S(t)=[s1(t),s2(t),…,sN(t)]T,经过线性系统A混合得到的,即在每个时刻t都存在如下关系:其中,M×N维的混合矩阵A和源信号S(t)都是未知的,只有观测信号X(t)是已知的.从式(1)可以看出,其与传统ICA方法的数学模型非常类似,惟一不同的是:SPICA是由一组相互统计独立的稀疏信源经线性组合而成的混合信号.SPICA方法通过观测信号X(t)求得一个分离矩阵W,再根据式(2)实现解混.其中,Y(t)是S(t)的一个估计,其各分量相互独立,但Y(t)各分量的排列次序和幅度与S(t)可能有所不同,即顺序和幅度的不确定性.与独立分量分析理论一样,SPICA实质上也是一个优化问题,其目的是通过调整分离矩阵W,使源信号间的独立性最强.上面给出的SPICA模型中,假定不存在噪声.但在实际情况中,混合信号会受到噪声的影响.假定混入的噪声是与源信号相互独立的高斯白噪声,则SPICA的含噪模型表示为其中,n(t)表示M维高斯白噪声.1.2 稀疏性对SPICA分离性能的影响分析稀疏信号大部分系数的幅值为零或近零,只有极少数的系数幅值较大.因此从信号分布角度来看,其灰度直方图在零处形成一个很大的尖峰,随着远离零的两个方向,系数个数快速减少,这样的分布形式称为超高斯分布.研究表明,信号高斯性将影响盲分离的分离精度,就是说,当信号的超高斯性越强,即分布在零处形成的尖峰越尖、越窄时,分离效果越好[9-12].另外,由于稀疏性导致信号中能量大的数据急剧减少,因此计算时有效数据就越少,计算量也随着直线下降.在图像处理中更直观地表现为,稀疏化后,图像有效数据的总数减少.因此增加图像的稀疏表示能力可以降低混合源分离的计算复杂度[9].鉴于上面两点,得出如下结论:信号的稀疏性不仅能提高盲分离算法的分离精度,同时也能降低盲分离算法的计算量和复杂度.然而,现实中的大多数信号都不是稀疏的.因此,需要寻求一种方法对源信号进行稀疏分解,以满足上面的稀疏前提条件.信号经过稀疏分解后,信号主要集中在少数绝对幅值较大的分解系数上,从而获得很好的稀疏性.这一过程可以表示为通过式(5)变换后,信号满足SPICA方法需要的稀疏条件.文献[11]通过经典仿射系统理论把几何与多分辨分析结合起来提出了合成小波理论. 当维数为2时,具有合成膨胀的仿射系统形式为其中,ψ∈L2(R R2),A和B为2×2可逆矩阵,如果χAB(ψ)是具有如下形式的Parseval框架(也称为紧框架),即对任意的f∈L2(R R2),存在:则系统中的元素称为合成小波.其中,矩阵Aj是与尺度变换相关联的,Bl是与保持面积不变的几何变化相关联的,如旋转和剪切变换.合成小波具有多分辨率分析的属性,这意味着我们可以像小波一样,构造在各种尺度、位置和各个方向上的基元素的Parseval框架.Shearlet变换是L2(R R2)中合成小波的一个特例.此时,为各向异性膨胀矩阵;,为剪切矩阵.对任意满足如下条件:其中,表示ψ(0)的傅里叶变换;为Bump函数,且2∈C∞(R R),supp为连续小波函数,且因此是连续的、紧支的,且成立,则由式(8)和式(9)可知,对任何,有函数集形成D0的一个划分,如图1(a)所示.由和的支撑条件很容易看出,函数ψj,l,k具有如下的频率支撑:即每个元素支撑在梯形对上,其大小近似于22j×2j,方向沿着斜率为l 2-j的直线,如图1(b)所示.由上述讨论可知:是的一个Parseval框架.3.1 剪切波变换的稀疏性分析由前面分析可知,信号的稀疏性直接影响SPICA方法的分离性能,所以接下来将从非线性逼近效率、稀疏分解子带图像的分布两个方面来讨论剪切波变换的稀疏性. 3.1.1 非线性逼近效率非线性逼近效率是稀疏表示的一个重要衡量指标,就是选取变换域中M个最有效的系数来重建图像,通过重建图像和原图像之差形成的逼近误差来评价表示方法的逼近程度和效率.选取分解后所有尺度、所有方向上M个最有效的系数来重建图像.为了便于比较,采用小波变换进行同样的处理.图2给出了选用1.5%的系数非线性逼近图像的情况.图2(a)是barbara原图像的局部放大;图2(b)是小波域的非线性重建图像;图2(c)是剪切波域的非线性重建图像.从图2可以看出,从主观视觉评价重构图像质量,相比小波,剪切波重建图像保留了较多的纹理信息,图像更为清晰,重建质量更好.另外,还可以使用峰值信噪比(Peak Signal to Noise Ratio,PSNR)评价重建图像的质量.表1给出了选取不同数量最有效系数个数情况下的重建效果比较.从表1可以看出,无论选取比例是多少,剪切波重建图像的质量优于小波,以选取系数百分比等于1.5%为例,小波重建图像的PSNR值为24.35 dB,而剪切波重建图像的PSNR值为25.49 d B,比前者高出1.14 d B.PSNR数据表明,剪切波重建质量均高于小波.从上面分析可以得出:剪切波比小波具有更好的非线性逼近效果.3.1.2 稀疏分解子带图像的分布稀疏性还可以通过系数的分布特性来表示.若只有少数系数幅度较大,远离零点,而大部分系数幅度为零,或者“近零”,则称信号是稀疏的.图3给出了Lena图部分高频子带剪切波系数的灰度直方图.图中,标识符(i,j)表示位于第i分解尺度、第j方向上的分解子带系数.从图3可以看出,每个子带系数的直方图均在零处形成一个尖峰,并且沿着远离零的两个方向,随着距离的增大,系数频数越来越小.也就是说,所有子带中,大多数系数为零或“近零”,而较大系数的个数较少.从而表明,通过剪切波分解得到的子带图像是稀疏的.从非线性逼近效率和分解子带图像的稀疏分布两个角度分析,表明剪切波是一种比较有效的稀疏表示方法,可以很好地捕捉图像中的曲线奇异信息,而这些曲线奇异信息普遍存在于图像中.因此,它为图像处理提供了一种灵活的多分辨率、各向异性的稀疏表示方法.目前,常采用傅里叶变换、短时傅里叶变换和小波(包)变换来进行信号稀疏化.其中,小波(包)变换以其良好的时域、频域信号局部特征表征能力,在信号处理领域得到了广泛的应用.然而小波(包)变换也存在一些缺点,它在分析点奇异信息时是最优的,而在表示图像结构的曲线奇异信息时却不是最优的.换言之,小波(包)变换不能稀疏地表示图像,从而限制了其在提高盲分离算法性能方面的能力[10].因此,笔者提出了一种基于剪切波稀疏表示的盲源分离方法,充分利用了剪切波变换良好的稀疏表示特性.3.2 稀疏性判定选择峭度K(x)作为稀疏性的判定依据.结合自然梯度盲源分离算法,采用峭度作为图像信号稀疏性判据.从信号分布角度来看,稀疏信号的灰度直方图在零处形成一个很大的尖峰,随着远离零的两个方向,信号数减少.主峰的尖锐程度可以用峭度来描述,峭度定义为其中,E(x-)4表示4阶矩,σ表示标准差.K(x)的值取决于x的概率密度函数,不同信号的峭度值不同,信号越稀疏,峭度越大,峰就越尖锐.3.3 稀疏子图像选取稀疏子图像的具体选取步骤如下:Step1 对混合源Xi(i=1,2,…,M)进行剪切波稀疏分解其中,S[·]表示剪切波变换,C(k,lk)idf表示分解得到的位于第k(k=1,…,K)尺度、第lk(lk=1,2,…,Lk)方向上的细节子图像.Step2 计算所有高频分块子图像的峭度K(k,l,j)i ,有其中,Nb为分块数.Step3 计算所有图像对应每一个位置子图像的最小峭度值Vkmin(k,l,j):Step4 求Vkmin中最大值对应的坐标(max X,max Y,max J).Step5 根据以上步骤计算得到稀疏子图像Ssprase(k,l,j):3.4 剪切波域的稀疏分量分析方法剪切波域的稀疏分量分析方法的具体实现步骤如下:Step1 对接收到的混合图像Xi(i=1,2,…,M)进行剪切波稀疏分解.Step2 对于含噪声的盲源分离,则对子图像应用双树复数小波硬阈值方法[13]去噪,得到去噪子图像.否则跳过Step2,直接执行Step3.Step3 使用3.3节介绍的方法选取稀疏子图像组.Step4 采用Infomax ICA[14]方法对Step3得到的子图像组Ssprase(k,l,j)进行盲源分离,求得解混矩阵W.Step5 将解混矩阵W代入式(2),实现图像分离.为了验证笔者提出的剪切波域稀疏独立分量分析方法的有效性,进行了两组仿真实验,第1组是无噪盲源分离,第2组是有噪盲源分离.选取图4所示的4幅标准灰度图进行两两盲源分离,并分别与传统ICA方法(Infomax,Kernel)[14-15]、基于小波变换的独立分量分析方法(WSPICA)[2]以及GMCA方法[10]的分离性能进行比较.其中剪切波变换采用尺度为5、方向为3的分解,小波变换使用db4正交小波,分解尺度为3.4.1 无噪盲源分离第1组实验选取图4(a)和图4(b)、图4(b)和图4(d)作为测试图像,对两组图像随机混合构造混合源,接着分别使用Infomax、Kernel、WSPICA和文中方法进行盲源分离,笔者从信噪比(Signal to Noise Ration,SNR)值和执行时间两个方面评价算法性能.图5、图6和表2给出了实验结果比较.从表2可以看出,无论从SNR值,还是算法执行时间评价,文中方法均优于其他方法.文中方法在保证分离图像质量的同时,也缩短了算法的执行时间.从图5可以看出,WSPICA和文中方法有效地分离了混合源,得到了较好的分离效果,但相比WSPICA,文中方法的执行时间比较快.而Infomax和Kernel方法没有实现解混,存在两幅图像混叠的现象.从图6可以看出,WSPICA和Infomax方法解混失败,而Kernel和文中方法有效地实现了混合源分离,并得到了较好的分离效果,但Kernel 方法的执行时间是79.780 9 s,比文中方法慢了78.664 1 s.相比而言,文中方法是最优的.4.2 有噪盲源分离第2组实验选取图4(a)和图4(b)、图4(b)和图4(c)作为测试图像,为了模拟信道存在噪声的情况,在随机混合源上加入标准差σ=5的随机噪声.分别使用GMCA和文中方法进行盲源分离.图7、图8以及表3给出了实验结果比较.从表3可以看出,无论从SNR值角度,还是从算法执行时间角度评价,文中方法均优于GMCA.从图6和图7可以看出,GMCA的分离结果图存在明显的伪迹,丢失了很多图像有用信息,而文中方法保留了更多的图像有用信息,且算法的执行时间比GMCA的快.综合以上分析,笔者从SNR值和算法执行时间两个角度评价了各种方法的优劣.实验结果表明,该方法在无噪和有噪盲源分离中都可以得到较好的分离效果,且显著缩短了算法的执行时间.笔者提出了一种剪切波域的稀疏独立分量分析方法,充分利用了剪切波平移不变性和方向选择性多的优点,提高了图像表示的稀疏度,并将其应用到了无噪和有噪盲源分离中.与传统独立分量分析和基于小波变换的WSPICA方法相比,该方法可以捕捉更多的图像纹理以及边缘信息,显著缩短了算法的执行时间.【相关文献】[1]Karray E,Loghmari M A,Naceur M S.Blind Source Separation of Hyperspectral Images in DCT-domain[C]// Advanced Satellite Multimedia Systems Conference and the 11th Signal Processing for Space Communications Workshop. Piscataway:IEEE,2010:381-388.[2]Bronstein A M,Bronstein M M,Zibulevsky M,et al.Sparse ICA for Blind Separation of Transmitted and Reflected Images[J].International Journal of Imaging Systems and Technology,2005,15(1):84-91.[3]刘丹华,石光明,周佳社.一种冗余字典下的信号稀疏分解新方法[J].西安电子科技大学学报,2008,35(2):228-232. Liu Danhua,Shi Guangming,Zhou Jiashe.New Method for Signal Sparse Decomposition over a Redundant Dictionary [J].Journal of XidianUniversity,2008,35(2):228-232.[4]Maazaoui M,Abed Meraim K,Grenier Y.Adaptive Blind Source Separation with HRTFs Beamforming Preprocessing [C]//Sensor Array and Multichannel Signal Processing Workshop.Washington DC:IEEE,2012:269-272.[5]Kim Y,Nadar M S,Bilgin A.Wavelet-based Compressed Sensing Using a Gaussian ScaleMixture Model[J].IEEE Transactions on Image Processing,2012,21(6):3102-3108.[6]Fowler J E,Mun S,Tramel E W.Multiscale Block Compressed Sensing with Smoothed Projected Landweber Reconstruction[C]//Proceedings of the European Signal Processing Conference.Poland:European Signal Processing Conference,2011:564-568.[7]王书振,邹子健,李莉,等.一种基于稀疏正则化的图像盲复原方法[J].西安电子科技大学学报,2012,39(6):167-169. Wang Shuzhen,Zhou Zijian,Li Li,et al.Method for Blind Image Restoration Based on Sparse Regularization[J]. Journal of XidianUniversity,2012,39(6):167-169.[8] 赵知劲,解婷婷,李小平,等.一种小波域盲源分离算法[J].西安电子科技大学学报,2007,34(3):423-427. Zhao Zhijin,Xie Tingting,Li Xiaoping.Blind Source Separation Method in the Wavelet Domain[J].Journal of Xidian University,2007,34(3):423-427.[9]Yang Yang,Li Zuoli,Wang Xiuqin,et al.Noise Source Separation Based on the Blind Source Separation[C]// Proceedings of Chinese Control and DecisionConference.Piscataway:IEEE,2011:2236-2240.[10]Bobin J,Starck J L,Fadili J,et al.Sparsity and Morphological Diversity in Blind Source Separation[J].IEEE Transactions on Image Processing,2007,16(1):2662-2674.[11]Guo K,Labate D.Optimally Sparse Multidimensional Representation Using Shearlets[J].SIAM Journal on Mathematical Analysis,2007,39(1):298-318.[12]张瑾,方勇.基于分块Contourlet变换的图像独立分量分析方法[J].电子与信息学报,2007,29(8):1813-1816. Zhang Jin,Fang Yong.An Independent Component Analysis Algorithm Based on Block-wise Contourlet Transform [J].Journal of Electronics and Information Technology,2007,29(8):1813-1816.[13]Selesnick I W,Baraniuk R G,Kingsbury N G.The Dual-tree Complex Wavelet Transform[J].IEEE Signal Processing Magazine,2005,22(6):123-151.[14]Cardoso J max and Maximum Likelihood for Source Separation[J].IEEE Signal Processing Letters,1997,4(4):112-114.[15]Karhunen J.Neural Approaches to Independent Component Analysis and Source Seperation[C]//Proceedings of European Symposium on Artificial NeuralNetworks.Brussels:DFacto,1996:249-266.。
基于二元Weibull分布的非下采样Shearlet域图像水印算法

基于二元Weibull分布的非下采样Shearlet域图像水印算法牛盼盼;王向阳;杨思宇;文涛涛;杨红颖【摘要】不可感知性、鲁棒性、水印容量是衡量数字图像水印算法优劣的最重要指标,且三者存在固有的相互矛盾关系,可保持不可感知性、鲁棒性、水印容量之间良好平衡的图像水印方法研究是一项富有挑战性的工作.以非下采样Shearlet变换(nonsubsampled Shearlet transform,NSST)与二元Weibull分布理论为基础,提出了一种基于二元Weibull统计建模的非下采样Shearlet域数字图像水印算法.1)构造出基于非线性单调函数的自适应高阶水印嵌入强度函数;2)根据NSST域尺度间相关性,利用二元Weibull边缘分布对NSST域高熵块奇异值进行统计建模,并估计出二元Weibull统计模型参数;3)结合NSST域二元Weibull边缘分布模型与最大似然决策理论,构造出二元数字水印检测器并盲提取水印信息.仿真实验结果表明:该算法可以较好地获得不可感知性、鲁棒性、水印容量之间的良好平衡.【期刊名称】《计算机研究与发展》【年(卷),期】2019(056)007【总页数】16页(P1454-1469)【关键词】图像水印;二元Weibull分布;非下采样Shearlet变换;最大似然决策;相关性【作者】牛盼盼;王向阳;杨思宇;文涛涛;杨红颖【作者单位】辽宁师范大学计算机与信息技术学院辽宁大连 116029;大连理工大学电子信息与电气工程学部辽宁大连 116023;辽宁师范大学计算机与信息技术学院辽宁大连 116029;辽宁师范大学计算机与信息技术学院辽宁大连 116029;辽宁师范大学计算机与信息技术学院辽宁大连 116029;辽宁师范大学计算机与信息技术学院辽宁大连 116029【正文语种】中文【中图分类】TP309.2作为图像作品版权保护的有效手段,数字水印技术已成为国际学术界研究的热点之一.不可感知性、鲁棒性、水印容量是衡量一个图像水印算法优劣的最重要指标[1],而这3方面却又存在着固有的相互矛盾关系,三者之间的最佳平衡也成为图像水印算法所共同追求的目标.可有效保持不可感知性、鲁棒性、水印容量之间良好平衡的高性能数字图像水印算法研究是一项富有挑战性的工作[2].数字图像水印技术发展到今天,已有大量不同的图像水印算法.而依据水印嵌入方式,人们习惯将数字图像水印算法划分为3类,即加性水印、乘性水印、量化水印[3-6].相比之下,乘性嵌入方式在保证含水印图像质量在可接受水平内,能够接受更大的水印嵌入强度和水印容量,即:乘性嵌入方法在保证不可感知性的同时,能够使得水印的嵌入强度随着载体信号强度成一定比例变化,让人更不容易察觉,获得更高的鲁棒性和更大的水印容量,从而最接近于三者之间的良好平衡.一般说来,为全面提高图像水印的不可感知性、鲁棒性和水印容量,应该充分结合人眼视觉掩蔽特性与图像自身统计特性而进行数字水印信息的嵌入与检测.基于统计模型的变换域乘性水印较好地体现了上述思想,为有效解决不可感知性、鲁棒性、水印容量之间良好平衡问题提供了可能的解决方向[7].基于统计模型的变换域乘性水印工作原理为[7]:在水印嵌入环节,利用简单的乘性策略调制原始载体图像信号,以保证水印嵌入强度与载体图像信号强度成一定比例变化,让人更不容易察觉,从而最大程度地平衡鲁棒性和不可感知性;在水印检测环节,结合能够充分体现图像自身特性的多尺度变换特性(多分辨率性、能量聚集性等),有效利用变换系数的统计特性而构造数字水印检测器,以检测和提取数字水印信息.其中,基于统计模型的水印检测器构造是整个变换域乘性图像水印方案的核心.截止到目前,人们主要采用2类统计模型设计变换域乘性图像水印方案,分别为多尺度联合统计模型[8](multiscale joint statistical model)和多尺度边缘分布模型[9](multiscale marginal distribution model).多尺度联合统计模型也称多尺度统计相关模型,其着重考察多尺度变换系数之间的相互关系,利用基于多尺度变换的各种数据结构,如隐Markov模型(hidden Markov models, HMM)描述并确定多尺度变换系数的隐含状态(隐含未知参数),进而通过隐含状态联系建立多尺度变换系数关联,并进一步利用隐含未知参数来分析处理图像(如图像水印检测器构造).Wang等人[10]提出了基于小波域先验HMM 模型参数的数字图像水印算法.该算法首先对原始载体图像进行3级小波分解并利用高频子带构造系数向量树,然后结合小波Watson视觉失真测度与先验HMM模型参数自适应确定水印嵌入强度,进而将水印信息嵌入到小波系数向量树中.在水印检测阶段,该算法结合泰勒级数近似局部最优检验理论,利用先验HMM模型参数构造了数字水印检测器.Amini等人[11]结合小波域向量HMM联合统计建模理论,提出了一种局部最优盲图像水印检测算法.该算法选取具有最大系数方差的高频子带作为水印嵌入区,并采用线性乘性方法嵌入水印信息.在水印提取阶段,算法首先利用向量HMM对小波系数进行了多尺度联合统计建模,然后结合对数似然比检验理论构造了数字图像水印检测器.总体说来,现有多尺度联合统计模型普遍采用高斯混合模型(Gaussian mixture model, GMM)描述变换系数的边缘分布,并利用隐Markov树捕捉变换系数间的相关特性.然而仿真实验表明,对具有明显高尖峰重拖尾分布的变换系数而言,高斯混合模型难以精确描述其非高斯分布特性.也就是说,现有基于GMM的多尺度联合统计模型尚无法高效捕获变换系数的边缘分布与变换系数间的相关特性,而这必然严重影响图像水印的检测性能. 多尺度边缘分布模型也称多尺度随机过程模型,其是将各多尺度变换系数看作是一个随机变量,进而考察各单个多尺度变换系数的边缘分布特点,即利用各种概率密度函数(probability density function, PDF)反映单个多尺度变换系数分布,描述多尺度变换系数统计特性,并进一步利用概率密度函数参数分析处理图像(如图像水印检测器构造).Akhaee等人[12]选择将水印信息嵌入到Contourlet域高频子带内,同时利用广义高斯分布(generalized Gaussian distribution, GGD)对Contourlet域高频系数进行统计建模,并进一步结合极大似然方法估计GGD参数并构造数字水印检测器.然而,该算法估计GGD模型参数时需要原始载体信号,故不利于实际应用.Bian等人[13]利用贝塞尔K(Bessel K form, BKF)概率密度函数对图像小波系数进行边缘分布建模,并根据极大似然理论构造了局部最优水印检测器.同时,结合“渐进相对效率”和“最大渐进相对效率”等客观评价指标证明了该检测器的有效性.然而,该局部最优水印检测器的抗攻击能力较弱.Etemad等人[14]首先依据Kolmogorov-Smirnov检验理论,证明t location-scale概率密度函数可高效描述Contourlet系数的边缘分布特点,进而结合似然比检验与t location-scale分布理论,构造了最优乘性数字水印检测器.Sadreazami等人[15]利用正态逆高斯(normal inverse Gaussian, NIG)分布刻画图像Contourlet域系数统计特性,并使用局部窗口自适应估计每个子带的NIG模型参数,同时结合Bayesian最大后验概率准则构造了水印检测器.但NIG分布无封闭形式解,且参数估计较复杂.Wang等人[16]结合非下采样剪切波变换与BKF统计建模理论,首先通过乘性方法将水印信息嵌入到非下采样剪切波变换重要系数中;然后,利用BKF边缘分布对非下采样剪切波变换域系数进行建模,并结合子带内系数相关性估计出BKF模型参数;最后,结合BKF统计模型与局部最大势能检验理论构造出局部最优检测器并进行水印提取.张悦等人[17]提出了一种基于共轭对称列率复数哈达码变换(conju-gate symmetric sequency-ordered complex Hadamard transform, CS-SCHT)的数字图像水印算法.该算法首先选择CS-SCHT系数幅值作为载体并进行乘性水印嵌入,然后结合实验对CS-SCHT系数幅值分布进行分析并确定出其近似分布——韦伯(Weibull)分布,最后设计出基于Weibull分布的乘性水印局部最优检测器.Dong等人[18]提出了一种基于Weibull边缘分布的DCT域图像水印算法.该算法利用Weibull分布对DCT直流系数和交流系数进行了统计建模,并结合极大似然方法构造出了数字水印检测器.由于上述多尺度边缘分布模型图像水印仅仅结合各种概率密度函数,考察了各单个多尺度变换系数的边缘分布特点,而忽略了多尺度变换系数间的重要相关特性(如尺度间相关性),故数字水印检测性能并不理想.尽管Sadreazami等人[19-20]尝试引入了二元α-稳定分布、二元Cauchy分布等多元Cauchy统计建模理论,通过初步考虑变换系数尺度间相关性,一定程度上提升了多尺度边缘分布模型的建模能力,但数字水印的检测性能并未得到明显改善.本文以非下采样Shearlet变换(nonsubsampled Shearlet transform, NSST)与二元Weibull分布理论为基础,提出了一种基于二元Weibull统计建模的非下采样Shearlet域数字图像水印算法.由于非下采样Shearlet变换拥有鲁棒而接近最优的图像几何结构特征捕获能力,同时二元Weibull分布可精确描述NSST域图像信号的边缘分布与相关特性,故利用二元Weibull边缘分布对NSST域高熵块奇异值进行统计建模并估计出其模型参数,同时利用最大似然决策构造出二元数字水印检测器并盲提取水印信息,可获得较好的水印检测性能.1 多元Weibull分布的NSST域统计建模1.1 NSST系数统计特性分析2008年Easley等人[21]提出了接近最优(即“最稀疏”)图像表示方法——剪切波(Shearlet)变换理论,其不仅可以鲁棒捕获图像几何结构特征,更具有方向敏感、重构准确、结构简单、表示稀疏等诸多优良特性.NSST是Shearlet变换的拓展表示形式[22],其消除了采样步骤,将非下采样拉普拉斯金字塔(nonsubsampled Laplacian pyramid, NSLP)变换与一系列剪切滤波器进行结合,通过迭代操作实现.NSST继承了Shearlet变换优点,不仅有效解决了Shearlet变换所存在的“混沌”现象,使同一方向信息不会在不同方向子带中重复出现,而且为二维图像提供了最优的渐近表示,对图像重要特征具有极强的捕获能力.图1给出了标准灰度图像Barbara的2级NSST示意图.这里,尺度2和尺度1均采用了4个分解方向. Fig. 1 The NSST on Barbara image图1 标准灰度图像Barbara的非下采样Shearlet变换结构示意图Fig. 2 Histogram of NSST subbands (Barbara)图2 标准图像Barbara的部分NSST域高频子带系数分布直方图为全面客观了解NSST系数统计特性,图2给出了标准灰度图像Barbara的部分NSST域高频子带系数分布直方图.从图2中可以看出,绝大多数NSST高频子带系数接近于0,只有少量NSST高频子带系数幅值较大,即体现了明显的高尖峰重拖尾分布特点.同时,4个NSST域高频子带的系数峰度值分别为23.754 4,22.901 7,22.931 0,12.126 7,远大于标准高斯分布的峰度值3,其表明NSST 域高频子带系数分布呈现出了明显的非高斯性.近年来,研究者普遍关注并利用了变换域系数的高尖峰重拖尾非高斯性,但不同程度忽略了变换系数之间的强依赖性(多种相关性).事实上,同一子带内的系数相关性、不同方向间的系数相关性及不同尺度间的系数相关性是NSST域高频子带客观存在的3种重要相关性.这里,我们采用chi-plot工具[23]分析了NSST域高频子带的系数相关特性(包括子带内、方向间、尺度间相关性).chi-plot是Scatterplot的扩展,它能更好地并且以可视化方式评估二维变量之间的相关程度.在chi-plot中,n对点(Xi,Yi)被变换成n对(λn i,χn i)(i=1,2,…,n).χn i表示在采样点(Xi,Yi)处二维分布函数能被分解为2个边缘分布的失败情况.λn i表示(Xi,Yi)到二维中值的距离,如果X和Y相关,则λn i的值往往比较集中.chi-plot图在二维坐标中的范围是[-1,1]×[-1,1].(λn i,χn i)偏离水平线χ=0的程度反映了X和Y变量的相关程度.图3给出了NSST域高频子带的子带内、方向间、尺度间chi-plot图.Fig. 3 chi-plots to illustrate the different degrees of dependence between intraband, interorientation and interscale, NSST coefficient pairs图3 NSST 域高频子带系数的子带内、方向间、尺度间chi-plot图Fig. 4 The empirical joint child-parent histogram and the PDF of different bivariate distributions图4 父子系数联合分布直方图及不同二元分布的联合概率分布拟合图从图3可以看出,3幅chi-plot图中的大多数点比较集中且较大地偏离水平线χ=0,其说明同一子带内、不同方向间、不同尺度间的NSST域高频子带系数均存在明显的相关特性.需要指出的是,计算χn i值时会因为采样的不稳定性而产生偏差,在chi-plot图中用灰色部分予以表示.1.2 基于二元Weibull分布的NSST域统计建模为充分利用NSST域的尺度间相关性,本文利用二元Weibull分布对NSST域尺度间父子系数进行建模,二元Weibull分布的PDF具体表示参见附录A.图4(b)给出了二元Weibull的父子联合概率分布P(X1,X2)拟合图.为了能够说明二元Weibull统计模型的精确性,这里又利用二元Cauchy分布、二元BKF分布、二元标准正态分布对NSST域尺度间父子系数进行了建模,如图4(c)(d)(e)所示.图4(a)给出了NSST域尺度间父子系数联合分布直方图.不难看出,相比其他二元分布,利用二元Weibull分布进行统计建模,可以更加精确地拟合出NSST域尺度间父子系数的分布.为进一步比较4种二元统计模型的拟合精度,本文选择KL距离(Kullback-Leibler divergence)来评判各种分布模型对NSST系数建模的拟合效果,KL距离计算:(1)其中,Pi表示联合分布直方图的bin值,Qi表示在每个bin中由二元分布PDF求出的概率值.在计算中,要先将Pi和Qi进行归一化处理.以标准灰度图像Lena,Barbara,Mandrill为例,首先获得NSST域第1尺度4个方向和第2尺度4个方向的高频子带父子系数,然后利用不同二元分布对每组父子系数进行建模,并计算出每种模型的平均KL距离,表1给出了测试结果.Table 1 The KL Performance Comparisons of four Different Bivariate Distributions表1 4种二元分布模型的KL测试结果对比Test ImageDirectionBivariate GeneralGaussian DistributionBivariate CauchyDistributionBivariate BKFDistributionBivariate WeibullDistributionLena16.41894.54565.86893.766423.14312.31642.84342. 200833.98182.69573.51472.125744.05053.36423.97462.4326Barbara16.091 74.24505.61703.641323.68512.71572.99542.293934.97392.88793.97222.00 7144.10333.17753.87622.2859Mandrill16.10283.75055.05313.353024.9017 3.39053.65782.782335.65142.70384.28362.361144.39213.45654.81122.810 9Note: The black bold font provides a better performance than other commonly used distributions.从表1可以看出,相比其他3种二元分布,二元Weibull分布可以更好地对图像NSST域尺度间父子系数相关性进行建模,因此本文利用二元Weibull统计模型构造水印检测器.2 数字水印嵌入本文结合人眼视觉感知特性选取非线性嵌入强度函数,采用乘性策略将水印信息嵌入到鲁棒的NSST域高频系数块奇异值内.假设I={f(x,y),0≤x<P,0≤y<Q)}表示原始载体图像,W={w(i)∈{0,1},0≤i≤N}表示随机生成的二值水印序列.则整个图像水印的嵌入过程可描述如下:1) 原始载体的非下采样Shearlet变换首先对原始载体图像进行2级非下采样Shearlet变换,以获得1个低频子带及第1尺度4个方向、第2尺度4个方向的高频子带.选取第1尺度和第2尺度中具有最高能量的方向子带(以下简称“重要子带”)用于水印嵌入,子带能量的计算方法:(2)其中,Dk,j表示位于第k尺度、第j个方向的子带.2) 重要Shearlet系数块选取及其奇异值分解首先,将所选取出的“重要子带”划分成不重叠的Shearlet系数块(每块大小为L×L),并计算出每个Shearlet系数块的熵值.然后,根据熵值,对第1与第2尺度“重要子带”的Shearlet系数块进行各自排序处理,进而分别选取前N个高熵Shearlet系数块(以下简称“重要Shearlet系数块”)用于嵌入水印.由于高熵系数块集中了大量信息,人眼对其不敏感,故将水印信息嵌入到高熵Shearlet系数块中,可以增强水印不可感知性.最后,对所选取的N个重要Shearlet系数块分别进行奇异值分解(singular value decomposition, SVD),并选取每个重要Shearlet 系数块的第2个奇异值作为水印嵌入位置.由于奇异值的稳定性较好,故通过对奇异值的微小改变来嵌入水印信息,可以提高数字水印的不可感知性及鲁棒性.3) 数字水印嵌入现有统计模型图像水印方案普遍采用线性单调函数刻画水印嵌入强度,并用于自适应调节载体信号[11,13-15,18-19].然而,水印嵌入强度增量与载体信号改变量间并非具有简单的线性单调关系,而是呈现出明显的非线性单调关系.为此,本文以刻画能力更强的非线性单调函数为基础,构造了自适应高阶水印嵌入强度(函数),并进一步给出了自适应图像内容的高性能乘性水印嵌入方法.设Bi(i=0,1,…,N-1)表示原始重要Shearlet系数块,表示含水印重要Shearlet系数块,式(3)给出了自适应图像内容的数字水印嵌入方法.(3)其中,xi∈Bi和分别表示原始重要Shearlet系数块奇异值和含水印重要Shearlet 系数块奇异值.f1(xi)和f0(xi)分别表示待嵌入水印位为“1”时的嵌入强度函数和待嵌入水印位为“0”时的嵌入强度函数.(4)这里,a1=100,b1=1.2,a2=150,b2=1.5.图5给出了水印位为“1”和“0”时的嵌入强度函数.Fig. 5 Two watermark strength functions for embeddingdigital watermark of “1” or “0”图5 数字水印位为“1”和“0”时的嵌入强度函数与现有统计模型水印方案普遍采用线性水印嵌入强度不同,本文采用刻画能力更强的非线性单调函数——反三角函数,构造了自适应水印嵌入强度函数.从图5可以看出,本文所选取的非线性单调函数具有使嵌入强度增量与载体信号改变量保持非线性关系的性质,即:当嵌入强度增加时,使得值大的重要Shearlet系数块奇异值发生大的改变,而值小的重要Shearlet系数块奇异值发生小的改变,反之亦然. 重复步骤3),直到所有重要Shearlet系数块处理完毕为止.最后,对每个含水印奇异值进行逆奇异值分解即可得到含水印重要Shearlet系数块,进一步对含水印Shearlet域重要子带与其他子带一起进行逆非下采样Shearlet变换,即可得到含水印图像.3 数字水印检测3.1 二元水印检测器构造假设水印检测器端接收到的含水印重要Shearlet系数块奇异值yi受到零均值的高斯白噪声(5)其中,f表示2种水印嵌入强度函数.由于重要Shearlet系数块奇异值与噪声项是相互独立的,因此可获得含噪声重要Shearlet系数块奇异值的概率密度函数公式:(6)为简化式(6),本文利用three-sigma准则估计高斯分布的概率密度函数fn(τ):(7)由式(7)可见,存在2个非0的闭合区间:[-3σn,0]和[0,3σn],因此式(6)可表示成式(7)的形式:(8)根据Simpson’s rule,将式(7)带入式(8)中,化简后可以得到:(9)其中,fBWD表示二元Weibull分布概率密度函数[24].本文中,假设二值水印序列与重要Shearlet系数块奇异值均为服从独立同分布的随机变量,于是有重要Shearlet系数块奇异值所组成的y11,y12,…,y1N(来自第1尺度重要子带)和y21,y22,…,y2N(来自第2尺度重要子带),在嵌入水印位为“1”和嵌入水印位为“0”两种假设下的检测概率.(10)(11)其中,yi=[y1i,y2i],i=1,2,…,N,fBWD(yi|1)和fBWD(yi|0)分别是在使用嵌入强度函数的情况下被计算出来的:(12)(13)其中,g1(·)和g0(·)分别代表嵌入强度函数f1(xi)和f0(xi)的反函数,ρ表示y1i和y2i之间的相关系数(i=1,2,…,N),C1和k1表示y1i的形状参数和尺度参数;C2和k2表示y2i的形状参数和尺度参数.这里我们采用最大似然方法对4个参数C1,k1,C2,k2进行估计,并进一步可通过最大似然决策规则获得最优水印检测器.(14)代入式(10)和式(11),经过代数操作后,Zi(y)可以表示为(15)于是,可以从第i个重要Shearlet系数块中提取出水印信息位(16)其中,和fBWD(yi|0)由式(12)(13)求得.3.2 数字水印提取首先对含水印图像进行2级非下采样Shearlet变换,并按照第2节步骤1)和步骤2)方法确定出“重要Shearlet系数块”,同时对其进行奇异值分解.然后,利用3.1节所构造的数字水印检测器,从每个重要Shearlet系数块奇异值所组成的系数对yi=[y1i,y2i]中提取出水印信息位.3.3 误码概率分析误码概率(bit error probability, BEP)用于分析提出的水印检测器的工作性能.在无攻击检测条件下BEP的计算:P(Zi(y) < T|H1)].(17)在无噪检测条件下,含水印重要Shearlet系数块奇异值都嵌入“0”的H0假设下的检测概率Zi(y):Zi(y|H0)=(18)其中,由于Zi(y|H0)是大量的独立随机变量之和,因此,Zi(y|H0)近似地服从正态分布,且在2种假设下,具有有限的数学期望和方差:(μ0,σ0)和(μ1,σ1).具体地,在H0假设下,其期望μ0的计算:(19)其中,(20)在H0假设下,其期望的计算:(21)由于Zi(y|H0)=-Zi(y|H1),可以得到μ1=-μ0和故可求得检测1位水印信息位的误码概率(22)其中,因此,如果嵌入到原始载体图像的二进制序列“0”或“1”具有相同的概率,总的BEP计算:(23)应用式(23),即可对所提出的数字水印检测器进行性能评估.4 实验结果为验证本文图像水印算法的高效性,分别给出了本文算法的数字水印检测性能、不可感知性和鲁棒性的测试结果,并与文献[12,15-16,19]算法进行了对比.文献[12,15-16,19]均为基于统计模型的变换域乘性水印算法,且与本文算法密切相关.其中,文献[15,19]采用了线性单调函数刻画水印嵌入强度,文献[12,16]采用了非线性单调函数(指数函数)刻画水印嵌入强度;此外,文献[12,15-16]利用了单元概率密度函数建立多尺度边缘分布模型,文献[19]则是利用了多元概率密度函数建立多尺度边缘分布模型.实验中,原始载体图像选用了512×512×8 b的标准灰度图像Lena,Mandrill,Barbara,Peppers,数字水印则采用了128 b,256 b,512 b,1 024 b的伪随机序列.此外,我们利用峰值信噪比(peak signal to noise ratio, PSNR)和失真率(bit error ratio, BER)评价了图像水印算法的不可感知性和鲁棒性.同时,非下采样Shearlet变换的分解级数K=2,第1尺度和第2尺度均采用了4个分解方向,Shearlet系数块大小为8×8.4.1 水印检测器的性能测试本文结合非下采样Shearlet域二元Weibull边缘分布模型与最大似然决策理论,构造了二元数字水印检测器并盲提取了数字水印信息.本部分以标准灰度图像Barbara为例,对所构造的数字水印检测器的工作性能予以测试.图6分别给出了在嵌入水印位为“1”和“0”2种情况下数字水印检测器的检测响应.其中,横坐标为接收端含水印图像信号序列,纵坐标表示水印检测器的响应值,虚线表示检测器关于含水印图像信号的检测响应值,实线表示关于含水印图像信号的检测阈值. 通过图6可以看出,本文所提出的二元数字图像水印检测器能够准确地提取出数字水印信息(包括各种攻击下),即当嵌入水印位为“1”时,有SML>ST;当嵌入水印位为“0”时,有ST>SML.这里,S表示曲线(直线)与x轴和y轴围成的面积.根据数字水印检测原理,当嵌入水印位为“1”时,检测器(ML detector, ML)的曲线面积SML越大于检测阈值(threshold, T)的曲线面积ST,则说明检测响应效果越好,即检测器工作能力越强.同理,当嵌入水印位为“0”时,检测器的曲线面积越小于检测阈值的曲线面积,则说明检测响应效果越好,即检测器工作能力越强.表2给出了不同水印容量(包括128 b,256 b,512 b,1 024 b)情况下,整个图像水印系统的PSNR、BER、水印嵌入时间以及水印提取时间等工作性能.Fig. 6 The test results of ML watermark detector under various attacks图6 数字水印检测器的检测响应Table 2 The Average Watermarking Performance Under Different Watermarking Capacity表2 不同水印容量下的图像水印系统工作性能ImagesWatermark Length∕bPSNR∕dBBEREmbedding Time∕sExtracting Time∕sLena12851.169902.36841.741325651.146302.37281.841751250.8985 02.38311.8478102440.80280.00882.46651.8495Barbara12845.457202.8152 2.203725645.462902.85932.215451245.037602.93252.3137102444.61200.0 0392.95602.3883Mandrill12842.589302.47151.761225642.669402.49361.78 8251241.535502.53621.8146102440.49800.00492.57861.9394 Continued (Table 2)ImagesWatermark Length∕bPSNR∕dBBEREmbedding Time∕sExtractingTime∕sPeppers12851.134702.64142.058725651.246202.67142.085051246.0 33102.69832.1476102440.98620.00482.78062.28944.2 不可感知性测试理论分析与实验结果均表明:水印嵌入强度对算法工作性能有一定影响,为了取得不可感知性和鲁棒性的良好平衡,水印嵌入强度应自适应于载体信号内容,即水印嵌入强度应该随着载体信号强度(值)的增大而增大.现有算法普遍采用线性单调函数刻画水印嵌入强度,并用于自适应调节载体信号(即嵌入水印信息)[15,19].然而,水印嵌入强度增量与载体信号改变量间并非具有简单的线性单调关系,而是呈现出明显的非线性单调关系,为此本文算法采用刻画能力更强的非线性单调函数——反三角函数,构造了自适应水印嵌入强度函数.与指数函数相比[12,16],反三角函。
shearlet 剪切波的构造

剪切波的构造Shearlet 是一类新的多尺度几何分析方法,该方法通过对基本函数的膨胀、剪切和平移变换来构造,体现了函数的几何和数学特性,如近几年来许多领域的研究学者所强调的函数的方向性、尺度和振荡等。
Shearlet 可以在广义多分辨率分析的框架中研究,这样就可以获得像小波一样的迭代算法,并推广到经典的级联算法。
因此Shearlet 变换作为一种新型的多尺度几何分析工具为图像处理领域的研究人员所广泛接受。
1、 Shearlet 及其变换的定义函数f(x)的连续Shearlet 变换为:,,(,,),f a s t SH a s t f ψ= (1.1)其中,3/411,,()(())a s t x a A B x t ψψ---=- (1.2)为剪切波函数,a +∈R 为尺度参数,s ∈R 为剪切参数,2t ∈R 为平移参数,()12,0;0,a a A =是各向异性膨胀矩阵, ()1,;0,1s B =是剪切矩阵。
对任何2121ˆ(,),0Rξξξξ=∈≠,令ψ满足 21121ˆˆˆ()()()ξψξψξψξ= (1.3) 其中,ˆψ为,,a s t ψ的傅里叶变换,1ψ为连续小波函数,1ˆψ∞∈R C (),[][]1ˆ54,1414,54ψ∈--⋃supp ,2ψ为bump 函数,2ˆψ∞∈R C (),[]2ˆ1,1ψ∈-supp ,在区间[]1,1-上20ψ>且21ψ=。
由以上定义可得,,()a s t x ψ的傅里叶变换为()()32122,,1121ˆˆˆi ta s t a e a a s πξξψξψξψξ--⎛⎫⎛⎫=+ ⎪ ⎪ ⎪⎝⎭⎝⎭显然,剪切波的几何性质在频域上更为直观。
由1ˆψ和2ˆψ的支撑条件很容易看到,,ˆa s t ψ有如下的频域支撑: (),,121212112supp ,:,,,/22a s t s a a a a ψξξξξξ∧⎧⎡⎤⎡⎤⊂∈--+≤⎨⎢⎥⎢⎥⎣⎦⎣⎦⎩由上式可知,在不同尺度,,,ˆa s t ψ支撑在以原点对称、以s 为斜率的梯形对上;改变剪切参数s , 支撑区域可获得保持面积不变的旋转;旋转区域由尺度参数a控制,随着a →0,支撑区间逐渐变窄。
基于剪切波变换和拟合优度检验的遥感图像去噪

第61卷第5期吉林大学学报(理学版)V o l.61 N o.5 2023年9月J o u r n a l o f J i l i nU n i v e r s i t y(S c i e n c eE d i t i o n)S e p2023d o i:10.13413/j.c n k i.j d x b l x b.2022197基于剪切波变换和拟合优度检验的遥感图像去噪成丽波,陈鹏宇,李喆,贾小宁(长春理工大学数学与统计学院,长春130022)摘要:针对遥感图像中的高斯白噪声,提出一种基于剪切波变换和拟合优度检验的遥感图像去噪算法.首先,将含噪遥感图像通过剪切波变换多尺度分解得到不同子带,利用剪切波域下高斯白噪声系数的统计关系估计去噪阈值;其次,计算高频子带的拟合优度检验统计量,将统计量与去噪阈值相比较进行去噪;最后,对系数矩阵进行剪切波逆变换重建去噪图像.仿真实验结果表明,该算法能有效去除遥感图像中的高斯噪声,保持图像的边缘纹理信息,并且在不同噪声水平下,均获得了较高的峰值信噪比,其中与剪切波阈值去噪算法相比平均提高0.33d B.关键词:遥感图像;剪切波变换;拟合优度检验;图像去噪中图分类号:T P341.4文献标志码:A 文章编号:1671-5489(2023)05-1187-08 R e m o t e S e n s i n g I m a g eD e n o i s i n g B a s e d o nS h e a r l e tT r a n s f o r ma n dG o o d n e s s o f F i t T e s tC H E N GL i b o,C H E NP e n g y u,L I Z h e,J I A X i a o n i n g(S c h o o l o f M a t h e m a t i c s a n dS t a t i s t i c s,C h a n g c h u nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,C h a n g c h u n130022,C h i n a)A b s t r a c t:A i m i n g a tw h i t eG a u s s i a nn o i s e i nr e m o t es e n s i n g i m a g e s,w e p r o p o s e dar e m o t es e n s i n g i m a g e s d e n o i s i n g a l g o r i t h m b a s e do ns h e a r l e t t r a n s f o r m a n d g o o d n e s so f f i t t e s t.F i r s t l y,t h en o i s y r e m o t e s e n s i n g i m a g ew a s d e c o m p o s e d i n t o d i f f e r e n t s u b-b a n d s t h r o u g h s h e a r l e t t r a n s f o r ma tm u l t i p l e s c a l e s,a n d t h e d e n o i s i n g t h r e s h o l dw a s e s t i m a t e du s i n g t h e s t a t i s t i c a l r e l a t i o n s h i p o fw h i t eG a u s s i a n n o i s e c o e f f i c i e n t s i n t h e s h e a r l e t d o m a i n.S e c o n d l y,w e c a l c u l a t e d t h e g o o d n e s s o f f i t t e s t s t a t i s t i c s o f h i g h-f r e q u e n c y s u b-b a n d sa n d c o m p a r e di t w i t h t h e d e n o i s i n g t h r e s h o l df o r d e n o i s i n g.F i n a l l y, s h e a r l e t i n v e r s et r a n s f o r m o nt h ec o e f f i c i e n t m a t r i x w a s p e r f o r m e dt o r e c o n s t r u c tt h e d e n o i s e d i m a g e s.T h e s i m u l a t i o ne x p e r i m e n t r e s u l t s s h o wt h a t t h i s a l g o r i t h mc a ne f f e c t i v e l y r e m o v eG a u s s i a n n o i s e i n r e m o t es e n s i n g i m a g e s,m a i n t a i nt h ee d g e t e x t u r e i n f o r m a t i o no f i m a g e s,a n da c h i e v eh i g h p e a ks i g n a l-t o-n o i s e r a t i ou n d e rd i f f e r e n tn o i s e l e v e l s,a m o n g w h i c ht h ea v e r a g e i n c r e a s e i s0.33dB c o m p a r e dw i t h t h e s h e a r l e t t h r e s h o l dd e n o i s i n g a l g o r i t h m.K e y w o r d s:r e m o t e s e n s i n g i m a g e;s h e a r l e t t r a n s f o r m;g o o d n e s s o f f i t t e s t;i m a g e d e n o i s i n g遥感图像目前已成为人们观察㊁分析世界的一种有效工具,在各领域均广泛应用[1-3].遥感图像在收稿日期:2022-05-01.第一作者简介:成丽波(1971 ),女,汉族,博士,教授,从事小波分析及遥感图像处理的研究,E-m a i l:c l b y y@126.c o m.通信作者简介:陈鹏宇(1999 ),男,汉族,硕士研究生,从事机器学习及遥感图像处理的研究,E-m a i l:919089661@q q.c o m.基金项目:国家自然科学基金(批准号:12171054)和吉林省教育厅科学技术研究项目(批准号:J J K H20230788K J).Copyright©博看网. All Rights Reserved.成像过程中会受随机噪声的干扰[4-6].为获取尽可能真实㊁清晰的遥感图像,满足工程实践的需要,如何在尽量不影响遥感图像原始信息的情况下有效对其进行去噪具有重要意义.遥感图像去噪的目的是抑制和消除随机噪声,保持图像的细节信息及良好的视觉效果.遥感图像的稀疏表示和去噪也是对其进一步处理的基础.经典的遥感图像去噪方法如小波变换[7-9]和复小波变换[10-11]是将噪声视为高频信号,过滤较大的变换系数[12-13],进而实现去噪,但高频系数中的图像细节部分通常会与噪声一起被去除[14].为克服上述问题,近年来,剪切波变换(s h e a r l e tt r a n s f o r m ,S T )[15-16]作为一种新的多尺度分析[17-18]技术已成为该领域研究的焦点.在频域中,剪切波变换是逐层细分的.因此,剪切波是性能较优的多维函数稀疏表示方法[19],使它在图像去噪领域有广泛的应用前景.剪切波变换具有良好的各向异性,可以很好地识别和分析图像的边缘和纹理信息[20].遥感图像含有大量的细节信息,因此,在遥感图像去噪中,剪切波是一种理想的工具.遥感图像噪声的主要来源是空气中的微小粒子,粒子对光的透射率及其空间分布均呈高斯分布[21].基于拟合优度(g o o d n e s so f f i t ,G O F )检验的图像去噪方法[22-23]利用高斯白噪声及变换系数的统计相关性估计去噪阈值,该方法能有效去除高斯噪声.相比于其他检验方法,A n d e r s o n -D a r l i n g (A D )检验[24]能在较小的样本条件下,保持稳健的检验性能.因此,本文使用A D 检验进行遥感图像的噪声识别.针对遥感图像去噪问题,本文提出一种基于剪切波和拟合优度检验的遥感图像去噪算法(s h e a r l e tt r a n s f o r ma n d g o o d n e s s o f f i t t e s t ,S T -G O F ),先使用剪切波变换分解含噪遥感图像,将高频系数进行拟合优度检验,再通过计算剪切波系数经验分布函数(e m p i r i c a l d i s t r i b u t i o n f u n c t i o n ,E D F )和模拟高斯噪声的累积分布函数(c u m u l a t i v ed i s t r i b u t i o n f u n c t i o n ,C D F )的统计距离获得A D 检验统计量,将统计量与阈值进行对比实现去噪.与其他相关算法进行仿真对比实验的结果表明了本文算法在视觉和性能上的优越性.1 剪切波变换二维图像函数f ɪL 2(ℝ2)的连续剪切波变换定义为S H ψf (a ,s ,t )=<f ,ψa ,s ,t >,(1)其中ψa ,s ,t (x )=d e t M a ,s1/2ψ(M -1a ,sx -t ),M a ,s =a a 1/2s 0æèçöø÷a ,a >0,s ɪℝ,t ɪℝ2.每个矩阵M 可分解为剪切矩阵S s =1s æèçöø÷01和各向异性矩阵A a =a 00a 1/æèçöø÷2的乘积,其中a >0且s ɪℝ,则连续剪切波可表示为ψa ,s ,t =a -3/4ψ(S s A a (x -t ))=a -3/4ψa -1-s/a 0a -1/æèçöø÷æèçöø÷2(x -t ),(2)其中ψa ,s ,t 是一个尺度㊁方向及位置参数分别为a ,s ,t 的局部性函数集合,此时a 称为尺度参数,s 为剪切参数,t 为平移参数.每个ψa ,s ,t 的频域支撑区间在一个梯形对内,该梯形对在不同的尺度参数a 下关于原点对称,其方向由剪切参数s 确定.通过减小尺度参数a ,剪切波能很好地捕捉图像的轮廓与边缘信息.每个剪切波ψa ,s ,t 在频域的支撑区间为(ξ1,ξ2):ξ1ɪ-2a ,-12éëêùûúa ɣ12a ,2éëêùûúa ,ξ2ξ1-s ɤa 1/{}2.(3)ψa ,s ,t 的频域支撑区间如图1所示.对于给定的一张不含噪声的图像P ,基于剪切波变换对加噪图像P n o i s y 的阈值去噪算法实现过程为P d e n o i s e =S T -1T σS T P n o i s y ,(4)其中S T 为剪切波正变换,T σ为阈值算子,S T -1为剪切波逆变换.剪切波正变换后获得图像的高频和低频系数,而噪声主要分布在高频系数中,因此需对高频系数选取合适的阈值算法进行处理,对处理后的全部系数进行剪切波逆变换得到去噪图像P d e n o i s e .8811 吉林大学学报(理学版) 第61卷Copyright ©博看网. All Rights Reserved.图1 剪切波水平(A )和垂直(B )频域支撑F i g .1 H o r i z o n t a l (A )a n d v e r t i c a l (B )f r e q u e n c y d o m a i n s u p po r t o f s h e a r l e t 2 拟合优度检验检验一个指定的样本与一套给定结果的吻合程度称为拟合优度检验,通常通过计算检验统计量并与临界值进行比较判断样本分布是否与假设分布一致.若样本分布与假设理论分布一致,即将观测值或数据符合指定模型或分布的情况称为零假设,把观测值拒绝指定模型或分布的情况称为替代假设.不同方法定义了不同的检验统计量作为量化观测值与指定分布下预期值之间差异的衡量标准.2.1 A n d e r s o n -D a r l i n g 检验设F (t )=ðt1(z >t )表示具有支持度t 的输入样本z 的经验分布函数,F r (t )=ʏtp (z >t )d z 表示对应于概率密度函数p (z )的假设累积分布函数.A n d e r s o n -D a r l i n g (A D )检验统计量定义为τA D =ʏɕ-ɕ(F r (t )-F (t ))2ψ(F r (t ))d F r (t ),(5)其中ψ(F r (t ))是为分布函数F r (t )的尾部赋予更多权重的加权函数,定义为ψ(F r (t ))=(F r (t )(1-F r (t )))-1,(6)其目的是提高检验时的灵活性.实际计算过程中式(5)统计距离的数值表达式可简写为τA D =-L -q ,(7)其中:L 表示给定观测值x t 的大小或在拟合优度检验时分块(窗口)的大小;q 定义为q =ðLt =1(2t -1)L[l n (F r (z t ))-l n (F r (z L +1-t ))].(8)在拟合优度检验框架内,错误拒绝候选分布的概率称为虚警概率P f a ,定义为P f a =P {τ>T H 0}=ʏ{z s .t .τ>λ}p (z H 0)d z ,(9)其中H 0表示与噪声检测相对应的零假设.文献[25-26]给出了虚警概率P f a 对应阈值的表格.2.2 本文算法本文利用剪切波变换对噪声图像的剪切波子带系数进行拟合优度检验,提出一种剪切波拟合优度检验去噪算法,在多尺度上将信号和噪声分离为单独的系数.令T G O F 表示阈值算子,则尺度j 处的阈值T j 为T j =T G O F (s ηj ,Pf a ),(10)其中s ηj 为输入标准差为σ的高斯白噪声(w h i t eG a u s s i a nn o i s e ,WG N )剪切波系数.通过计算s ηj的累积分布函数F r (t )进行拟合优度检验找到对应给定虚警概率的阈值T j .针对高斯噪声分布,F r (t )为F r (t )=ʏt-ɕ12πσe z2/σ2d z ,(11)取高频系数s ji 的中值估计噪声为9811 第5期成丽波,等:基于剪切波变换和拟合优度检验的遥感图像去噪 Copyright ©博看网. All Rights Reserved.0911吉林大学学报(理学版)第61卷^σ=m e d i a n(s j i)0.6745,(12)并通过s j i=s j i^σ,(13)对剪切波系数进行归一化.对归一化后的剪切波系数s j i执行拟合优度检验,以产生阈值系数^s,其中^s=GO F(s j i,T j).(14)本文算法的去噪二元假设表示如下:H0:τA DɤT j;i.e.s j iɪ噪声,H1:τA D>T j;i.e.s j iɪ信号,(15)其中H0和H1分别表示多尺度下的零假设和替代假设.通过给定阈值T j,首先利用式(7)计算高频系数的经验分布函数和模拟WG N系数的累积分布函数之间的统计距离,以获得检验统计量τA D,然后将其与阈值进行比较.由式(15)可见,噪声(即H0)样本的系数在变换矩阵中被识别出来,而剩余系数被保留为期望信号(即H1).若τA DɤT j,则该系数源于给定的累积分布函数F r(t)为噪声点.此时,将s j i 设置为0;否则,保留原始值,生成^s.最后,将系数矩阵逆归一化并通过剪切波逆变换恢复去噪图像.2.3算法流程本文提出的S T-G O F算法实现过程主要分为7个步骤.图2为S T-G O F算法的实现流程.图2S T-G O F算法流程F i g.2F l o wc h a r t o f S T-G O Fa l g o r i t h m算法1S T-G O F算法.步骤1)输入含噪遥感图像P n;步骤2)对P n进行剪切波变换P nѳS T(X)得到高频和低频系数矩阵;步骤3)模拟输入WG NѳS T(X),利用式(10),(12)估计T j,^σ,本文P f a=0.005;步骤4)利用式(13)对高频系数s j i进行归一化,计算检验统计量τA D:τA D=-L-ðL t=1(2t-1)L[l n(F r(s))-l n(F r(s L+1-n))];步骤5)若τA DɤT j,则s j iѳ0,否则,s j iѳ^s;步骤6)P dѳS T-1(^sˑ^σ);步骤7)输出去噪遥感图像P d.3仿真实验及结果分析为验证本文算法的有效性,选择灰度遥感图像进行主观和客观指标的评价.主观上,通过视觉观察遥感图像的边缘显示能力,并对比细节恢复程度等对本文算法的去噪效果进行评价;客观上,使用峰值信噪比(p e a ks i g n a l t on o i s e r a t i o,P S N R)衡量本文算法的去噪效果.3.1图像质量评价指标P S N R值作为图像去噪问题中的重要衡量指标,数值越大表示去噪程度越好.本文采用P S N RCopyright©博看网. All Rights Reserved.作为评价指标验证算法的优越性:P S N R =10l g25521X Y ðXi =1ðYj =1(p (i ,j )-d (i ,j ))2,(16)其中p (i ,j )表示原始无噪声图像,d (i ,j )表示去噪图像,X ,Y 表示图像尺寸.3.2 实验结果与分析本文从遥感数据集R S S C N 7中选取6张大小为400ˑ400的遥感图像F o r e s t ,P a r k i n g ,R e s i d e n t ,P l a y g r o u n d ,I n d u s t r y,M o u n t a i n s 作为仿真实验图像,如图3所示.将本文算法与离散小波拟合优度算法(DWT -G O F )㊁双树复小波拟合优度算法(D T C WT -G O F )㊁曲波阈值去噪算法(C u r v e l e t )㊁剪切波阈值去噪算法(S h e a r l e t )进行对比,5种算法均使用MA T L A BR 2018b 实现,计算平台为内存16G B的计算机,搭载处理器为I n t e l (R )C o r e (T M )i 7-8750H C P U@2.20G H z .图3 实验采用的无噪声遥感图像F i g .3 N o i s e -f r e e r e m o t e s e n s i n g i m a g e s u s e d i n e x pe r i m e n t 对比发现,添加了标准差约为20的高斯白噪声的遥感图像接近含有真实随机噪声的遥感图像.因此,对实验图像分别添加标准差为10,15,20,25的高斯白噪声.实验所得5种算法的P S N R 值分别列于表1~表4.由表1~表4可见,本文算法在不同噪声强度下的去噪图像P S N R 值均优于其他4种算法,其中与曲波阈值算法相比平均提高2.15d B ,与DWT -G O F 算法相比平均提高1.04d B ,与剪切波阈值算法相比平均提高0.33d B ,与D T C WT -G O F 算法相比平均提高0.23d B .表1 噪声标准差为10时不同算法的P S N R 值T a b l e 1 P S N Rv a l u e s o f d i f f e r e n t a l go r i t h m sw h e n s t a n d a r dd e v i a t i o no f n o i s e i s 10d B算法F o r e s tP a r k i n gR e s i d e n tP l a y g r o u n d I n d u s t r yM o u n t a i n s C u r v e l e t28.810327.428226.575829.509725.971727.3744DWT -G O F 30.229429.513128.603731.124428.185129.2467S h e a r l e t 30.446530.664429.648231.663729.355529.7056D T C WT -G O F 30.945930.761729.537531.868329.336929.9343S T -G O F 31.011730.870429.878731.923729.700730.2571图4为噪声标准差为25时,实验所得5种算法的去噪图像及局部细节放大结果.由图4可见,本文算法的去噪效果明显优于其他4种算法,能更好地保持遥感图像的边缘㊁轮廓和特征信息.在对局部细节进行放大时,本文算法去噪图像的纹理更细腻,视觉效果最优.1911 第5期成丽波,等:基于剪切波变换和拟合优度检验的遥感图像去噪 Copyright ©博看网. All Rights Reserved.2911吉林大学学报(理学版)第61卷表2噪声标准差为15时不同算法的P S N R值T a b l e2P S N Rv a l u e s o f d i f f e r e n t a l g o r i t h m sw h e n s t a n d a r dd e v i a t i o no f n o i s e i s15d B 算法F o r e s t P a r k i n g R e s i d e n t P l a y g r o u n d I n d u s t r y M o u n t a i n s C u r v e l e t27.349825.338224.819227.944724.163625.7178 DWT-G O F28.081127.113826.363829.022025.925626.9795 S h e a r l e t28.329628.178727.122729.549626.761127.2968 D T C WT-G O F28.646228.120127.105429.536326.877527.5937 S T-G O F28.778428.366827.380729.703327.101827.8700图4不同算法对遥感图像的去噪及细节效果F i g.4D e n o i s i n g a n dd e t a i l e f f e c t s o f d i f f e r e n t a l g o r i t h m s o n r e m o t e s e n s i n g i m a g e sCopyright©博看网. All Rights Reserved.表3 噪声标准差为20时不同算法的P S N R 值T a b l e 3 P S N Rv a l u e s o f d i f f e r e n t a l go r i t h m sw h e n s t a n d a r dd e v i a t i o no f n o i s e i s 20d B算法F o r e s tP a r k i n gR e s i d e n tP l a y g r o u n d I n d u s t r yM o u n t a i n s C u r v e l e t26.402524.202223.827527.020323.162724.6409DWT -G O F 26.826025.467124.842827.651824.408625.5641S h e a r l e t 27.053926.417025.447628.076425.025825.8947D T C WT -G O F 27.331126.379725.503428.153924.995326.2388S T -G O F 27.468426.649425.587728.266225.264026.3585表4 噪声标准差为25时不同算法的P S N R 值T a b l e 4 P S N Rv a l u e s o f d i f f e r e n t a l go r i t h m sw h e n s t a n d a r dd e v i a t i o no f n o i s e i s 25d B算法F o r e s tP a r k i n gR e s i d e n tP l a y g r o u n d I n d u s t r yM o u n t a i n s C u r v e l e t25.699123.383622.948926.290422.484523.9223DWT -G O F 25.871323.811823.310126.487222.796424.2511S h e a r l e t 26.228625.376724.272427.338624.034624.9171D T C WT -G O F 26.427625.176224.422727.218024.008225.1921S T -G O F 26.778025.568524.663327.457424.309825.4887综上所述,针对遥感图像中的高斯白噪声,本文提出了一种基于剪切波变换和拟合优度检验的遥感图像去噪算法,将遥感图像的去噪转换成了一个二元假设检验问题.首先,利用剪切波变换在频域分解含噪遥感图像,对分解得到的高频子带进行拟合优度检验;其次,通过对比检验统计量与去噪阈值分类系数,保留期望信号系数,实现去噪;最后,对系数矩阵逆归一化,通过剪切波逆变换进行图像重建.实验结果表明,与剪切波阈值去噪等算法相比,本文算法能显著提升峰值信噪比,有较强的细节留存和边缘保持能力,主观上也有较好的视觉效果.参考文献[1] 刘通,胡亮,王永军,等.基于卷积神经网络的卫星遥感图像拼接[J ].吉林大学学报(理学版),2022,253(1):99-108.(L I U T ,HU L ,WA N G YJ ,e ta l .S a t e l l i t eR e m o t eS e n s i n g I m a g e M o s a i cB a s e do nC o n v o l u t i o n a l N e u r a lN e t w o r k [J ].J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n ),2022,253(1):99-108.)[2] 夏英,黄秉坤.采用改进Y O L O v 3的高分辨率遥感图像目标检测[J ].重庆邮电大学学报(自然科学版),2022,34(3):383-392.(X I A Y ,HU A N GBK.O b j e c tD e t e c t i o no fH i g hR e s o l u t i o nR e m o t eS e n s i n g I m a ge sB a s e do n I m p r o v e dY O L O v 3[J ].J o u r n a lo fC h o n g q i n g U n i v e r s i t y o fP o s t sa n d T e l e c o mm u n i c a t i o n s (N a t u r a lS c i e n c e E d i t i o n ),2022,34(3):383-392.)[3] 宋志娜,李莎,杨建明,等.基于特征与区域定位增强的遥感舰船目标检测[J ].计算机工程,2023,49(8):257-264.(S O N GZ N ,L IS ,Y A N GJ M ,e t a l .R e m o t eS e n s i n g S h i p T a r g e tD e t e c t i o nB a s e do nF e a t u r ea n d R e g i o nL o c a l i z a t i o nE n h a n c e m e n t [J ].C o m p u t e rE n g i n e e r i n g ,2023,49(8):257-264.)[4] 徐华平,贾小宁.基于仿射不变块相似度量的B M 3D 图像去噪算法[J ].吉林大学学报(理学版),2022,253(1):109-118.(X U H P ,J I A X N.B M 3DI m a g eD e n o i s i n g A l g o r i t h m B a s e do n A f f i n eI n v a r i a n tP a t c hS i m i l a r i t y M e a s u r e [J ].J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n ),2022,253(1):109-118.)[5] 张意,阚子文,邵志敏,等.基于注意力机制和感知损失的遥感图像去噪[J ].四川大学学报(自然科学版),2021,58(4):45-55.(Z HA N G Y ,K A N Z W ,S HA O Z M ,e t a l .R e m o t eS e n s i n g I m a g eD e n o i s i n g B a s e do n A t t e n t i o n M e c h a n i s m a n dP e r c e p t u a lL o s s [J ].J o u r n a l o fS i c h u a n U n i v e r s i t y (N a t u r eS c i e n c eE d i t i o n ),2021,58(4):45-55.)[6] 周航,苏延池,李占山,等.基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法[J ].吉林大学学报(理学版),2023,61(1):118-126.(Z HO U H ,S U Y C ,L IZS ,e t a l .M i x e dN o i s eR e m o v a lM e t h o df o rH y p e r s p e c t r a l I m ag e sB a s e do nS u b s p a c eR e p r e s e n t a t i o na n d W e i gh t e dL o w -R a n kT e n s o rR e g u l a ri z a t i o n [J ].J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n ),2023,61(1):118-126.)[7] F U C L ,L IP F ,S U IR L ,e ta l .H i g h -S p a t i a l -R e s o l u t i o n O F D R D i s t r i b u t e d T e m p e r a t u r eS e n s o rB a s e do n S t e p -b y -S t e p a n d I m a g eW a v e l e tD e n o i s i n g M e t h o d s [J ].S e n s o r s ,2022,22(24):9972-1-9972-8.3911 第5期成丽波,等:基于剪切波变换和拟合优度检验的遥感图像去噪Copyright ©博看网. All Rights Reserved.4911吉林大学学报(理学版)第61卷[8] WO N S E O K K,S O OHWA N Y,D O O C HU NS,e t a l.P u s h-B r o o m-T y p eV e r y H i g h-R e s o l u t i o nS a t e l l i t eS e n s o rD a t aC o r r e c t i o nU s i n g C o m b i n e d W a v e l e t-F o u r i e r a n d M u l t i s c a l eN o n-l o c a lM e a n sF i l t e r i n g[J].S e n s o r s,2015,15(9):22826-22853.[9] P A U L A,K U N D U A,C HA K I N,e ta l.W a v e l e t E n a b l e d C o n v o l u t i o n a l A u t o e n c o d e r B a s e d D e e p N e u r a lN e t w o r k f o rH y p e r s p e c t r a l I m a g eD e n o i s i n g[J].M u l t i m e d i aT o o l s a n dA p p l i c a t i o n s,2021,81(2):2529-2555.[10] L IM H,J I AZ H,Y A N GJ,e t a l.R e m o t eS e n s i n g I m a g eD e n o i s i n g B a s e do n t h eC o m b i n a t i o no f t h e I m p r o v e dB i S h r i n ka n dD TC WT[J].P r o c e d i aE n g i n e e r i n g,2011,24(6):470-474.[11] C H E N G Y,Q I A NSE.D e n o i s i n g o fH y p e r s p e c t r a l I m a g e r y U s i n g P r i n c i p a lC o m p o n e n tA n a l y s i sa n d W a v e l e tS h r i n k a g e[J].I E E ET r a n s a c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,2011,49(3):973-980.[12]J UMA H A A.D e n o i s i n g o fa nI m a g e U s i n g D i s c r e t eS t a t i o n a r y W a v e l e tT r a n s f o r m a n d V a r i o u sT h r e s h o l d i n gT e c h n i q u e s[J].J o u r n a l o f S i g n a l a n d I n f o r m a t i o nP r o c e s s i n g,2013,4(1):33-41.[13] A L E S S A N D R O G,F A B R I Z I O G,N I C O L A A,e ta l.A W a v e l e tF i l t e rC o m p a r i s o no n M u l t i p l eD a t a s e t sf o rS i g n a l C o m p r e s s i o na n dD e n o i s i n g[J].M u l t i d i m e n s i o n a l S y s t e m s a n dS i g n a l P r o c e s s i n g,2021,32(2):791-820.[14]郭林,孟旭东.基于偏微分方程与多尺度分析的图像去噪算法[J].吉林大学学报(理学版),2019,57(4):882-888.(G U O L,M E N G X D.I m a g e D e n o i s i n g A l g o r i t h m B a s e d o n P a r t i a l D i f f e r e n t i a l E q u a t i o n a n d M u l t i-s c a l eA n a l y s i s[J].J o u r n a l o f J i l i nU n i v e r s i t y(S c i e n c eE d i t i o n),2019,57(4):882-888.)[15] G U O K,L A B A T ED.O p t i m a l l y S p a r s eM u l t i-d i m e n s i o n a l R e p r e s e n t a t i o nU s i n g S h e a r l e t s[J].S I AMJ o u r n a l o nM a t h e m a t i c a lA n a l y s i s,2007,39(1):298-318.[16] K U T Y N I O K G,L A B A T ED.R e s o l u t i o no f t h eW a v e f r o n t S e tU s i n g C o n t i n u o u sS h e a r l e t s[J].T r a n s a c t i o n so ft h eA m e r i c a n M a t h e m a t i c a l S o c i e t y,2009,361(5):2719-2754.[17] B E N E D E T T OJ J,L I S.T h eT h e o r y o fM u l t i r e s o l u t i o nA n a l y s i sF r a m e sa n dA p p l i c a t i o n s t oF i l t e rB a n k s[J].A p p l i e da n dC o m p u t a t i o n a lH a r m o n i cA n a l y s i s,1998,5(4):389-427.[18]陈毅军,程浩,巩恩普,等.基于S h e a r l e t变换的尺度方向自适应阈值地震数据随机噪声压制方法[J].吉林大学学报(地球科学版),2021,51(4):1231-1242.(C H E N YJ,C H E N G H,G O N G EP,e t a l.R a n d o m N o i s e S u p p r e s s i o no f S e i s m i cD a t aw i t hS c a l e-O r i e n t e dA d a p t i v eT h r e s h o l dB a s e d o nS h e a r l e tT r a n s f o r m[J].J o u r n a l o f J i l i nU n i v e r s i t y(E a r t hS c i e n c eE d i t i o n),2021,51(4):1231-1242.)[19] L I M W Q.N o n s e p a r a b l e S h e a r l e t T r a n s f o r m[J].I E E E T r a n s a c t i o n s o n I m a g e P r o c e s s i n g,2013,22(5):2056-2065.[20] L Y UZY,Z HA N GCK,HA N M.D S T n e t:A N e w D i s c r e t eS h e a r l e tT r a n s f o r m-B a s e dC N N M o d e l f o r I m a g eD e n o i s i n g[J].M u l t i m e d i aS y s t e m s,2021,27(6):1-13.[21]梅树立,李晓飞,赵海英,等.基于剪切波和全变分的农田遥感图像去噪去伪影方法[J].农业工程学报,2017,33(增刊1):274-280.(M E I SL,L IXF,Z HA O H Y,e t a l.M e t h o do fD e n o i s i n g a n dR e m o v i n g A r t i f a c t s f o rF a r m R e m o t eS e n s i n g I m a g eB a s e do nS h e a r l e t a n dT o t a lV a r i a t i o n[J].T r a n s a c t i o n so f t h eC h i n e s eS o c i e t y o fA g r i c u l t u r a l E n g i n e e r i n g,2017,33(S u p p l1):274-280.)[22] N A V E E D K,S HA U K A TB,R E HMA N N U.S i g n a l D e n o i s i n g B a s e d o nD u a l T r e eC o m p l e xW a v e l e tT r a n s f o r ma n dG o o d n e s s o fF i tT e s t[C]//22n dI n t e r n a t i o n a lC o n f e r e n c eo nD i g i t a lS i g n a lP r o c e s s i n g(D S P).P i s c a t a w a y,N J:I E E E,2017:1-5.[23] N A V E E DK,S HA U K A TB,E H S A NS,e t a l.M u l t i-s c a l e I m a g eD e n o i s i n g U s i n g G o o d n e s s-o f-F i t T e s t B a s e d o nE D FS t a t i s t i c s[J].P L o SO n e,2019,14(5):e0216197-1-e0216197-25.[24] A N D E R S O N T W,D A R L I N G D A.A T e s to fG o o d n e s so fF i t[J].P u b l i c a t i o n so f t h eA m e r i c a nS t a t i s t i c a lA s s o c i a t i o n,1954,49:765-769.[25] S T E P H E N S M A.E D F S t a t i s t i c sf o r G o o d n e s so fF i ta n dS o m eC o m p a r i s o n s[J].J o u r n a lo ft h e A m e r i c a nS t a t i s t i c a lA s s o c i a t i o n,1974,69:730-737.[26] P E A R S O N E S,HA R T L E Y H O.B i o m e t r i k a T a b l e sf o rS t a t i s t i c i a n s[J].R o y a lS t a t i s t i c a lS o c i e t y,1967,130(2):257-258.(责任编辑:韩啸)Copyright©博看网. All Rights Reserved.。
全变差正则化的Shearlet收缩去噪(精)

第16卷第2期2011年2月中国图象图形学报JournalofImageandGraphicsVo.l16,No.2Feb.,2011中图法分类号:TN911.73 文献标志码:A 文章编号:1006-8961(2011)02-0168-06论文索引信息:胡海智,孙辉,邓承志,陈习,柳枝华.全变差正则化的Shearlet收缩去噪[J].中国图象图形学报,2011,16(2):168-173全变差正则化的Shearlet收缩去噪胡海智,孙辉1)1)1),2),邓承志,陈习,柳枝华2)2)2)1)(南昌航空大学信息工程学院,南昌330063)(南昌工程学院计算机科学与技术系,南昌330099)摘要:Shearlet是一种新型的多尺度几何分析工具,通过对基本函数缩放、剪切和平移等仿射变换生成具有不同特征的Shearlet函数,能够对图像进行稀疏表示且产生最优逼近。
首先提出了一种Shearlet变换的数字实现方法,然后提出了一种结合Shearlet变换和变分法的图像去噪方法。
该方法采用Shearlet变换域约束条件的全变差正则化模型,可以去除简单阈值处理后产生的伪吉布斯效应。
实验结果表明,该方法在抑噪和保持边缘的同时,取得了好的视觉效果和更高的PSNR值。
关键词:Shearlet变换;全变差;图像去噪;峰值信噪比Shearletshrinkagede-noisingbasedtotalvariationregularizationHuHaizhi,SunHui1)2)1)1),2),DengChengzhi,ChenXi,LiuZhihua2)2)1)(SchoolofInformationScienceandEngineering,NanchangHangkongUniversity,Nanchang 330063China)(DepartmentofComputerScienceandTechnology,NanchangInstituteofTechnology,Nanch ang330099China)Abstract:Shearletisanew-stylemult-iscalegeometryanalysistoo.lItcreatesShearletfunctionswhichhavedifferentcharacteristicst hroughzooming,shearing,translatingandotheraffinetransformingmethods,andenablesitscapableof optimallysparserepresentation.Firstly,adigitalShearlettransformimplementationmethodis proposedinthispaper.Andthen,anewde-noisingmethodthatcombinesShearlettransformandvariationispresented,whichmainlybeen establishedusingatotalvariationregularizationmodeltoconstraintconditiononShearlettrans formdomain.TheproposedmodelaimsatreducingPseudo-Gibbsartifactsaftersimplethresholdmethods.Numericalexamplesdemonstratethatthemeth odcanremovenoisesandkeepedgeseffectively,leadingtoimprovedvisualeffectandPSNR.K eywords:shearlettransform;totalvariation;magedei-noising;PSNR(MGA)被提出,发展MGA的目的是为了检测、表0引言图像去噪是图像处理中的一个基础性的研究课题。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
剪切波的构造
Shearlet 是一类新的多尺度几何分析方法,该方法通过对基本函数的膨胀、剪切和平移变换来构造,体现了函数的几何和数学特性,如近几年来许多领域的研究学者所强调的函数的方向性、尺度和振荡等。
Shearlet 可以在广义多分辨率分析的框架中研究,这样就可以获得像小波一样的迭代算法,并推广到经典的级联算法。
因此Shearlet 变换作为一种新型的多尺度几何分析工具为图像处理领域的研究人员所广泛接受。
1、 Shearlet 及其变换的定义
函数f(x)的连续Shearlet 变换为:
,,(,,),f a s t SH a s t f ψ= (1.1)
其中,
3/411,,()(())a s t x a A B x t ψψ---=- (1.2)
为剪切波函数,a +∈R 为尺度参数,s ∈R 为剪切参数,2t ∈R 为平移参数,
()12,0;0,a a A =是各向异性膨胀矩阵, ()1,;0,1s B =是剪切矩阵。
对任何21
2
1
ˆ(,),0R
ξξξξ=∈≠,令ψ满足 2
1121
ˆˆˆ()()()ξψ
ξψξψξ= (1.3) 其中,ˆψ
为,,a s t ψ的傅里叶变换,1ψ为连续小波函数,1ˆψ∞∈R C (),[][]1ˆ54,1414,54ψ∈--⋃supp ,2ψ为bump 函数,2ˆψ∞∈R C (),[]2ˆ1,1ψ
∈-supp ,在区间[]1,1-上20ψ>且21ψ=。
由以上定义可得,,()a s t x ψ的傅里叶变换为
()()32122,,1121ˆˆˆi t
a s t a e a a s πξξψ
ξψξψξ--⎛⎫
⎛⎫=+ ⎪ ⎪ ⎪⎝⎭⎝⎭
显然,剪切波的几何性质在频域上更为直观。
由1ˆψ和2ˆψ的支撑条件很容易看到,,ˆa s t ψ
有如下的频域支撑: ()
,,121212
112supp ,:,,,/22a s t s a a a a ψξξξξξ∧
⎧⎡⎤⎡⎤⊂∈--+≤⎨⎢⎥⎢⎥⎣⎦⎣⎦⎩
由上式可知,在不同尺度,,,ˆa s t ψ
支撑在以原点对称、以s 为斜率的梯形对上;改变剪切参数s , 支撑区域可获得保持面积不变的旋转;旋转区域由尺度参数a
控制,随着a →0,支撑区间逐渐变窄。
图1.1给出了)3,1(),0,4/1(),0,1(-======s a s a s a 时的,,ˆa s t ψ
频域支撑。
图1.1 不同a 和s 值时,,a s t ψ的频域支撑
连续剪切波变换的平移参数可检测到所有奇异点的位置,而剪切参数则可显示出奇异曲线的方向。
2、 Shearlet 的离散化
为了实现剪切波的离散化,令尺度参数()2j j a j =∈Z ,剪切参数
()12,2j j k s ka k k ==∈Z ,以及平移参数()2,,,,j k m a s j j m t D m =∈Z 。
假定
()2
210
1
ˆ21,
8
j j w w ψ-≥=≥∑ (2.1)
和
()22
2112ˆ21,1j
j j
k w k w ψ
=--=≤∑
(2.2)
由式(2.1)和式(2.2)可知:对任何()120,ξξ∈C ,有
1
2
2
21
22
(0)22
1200100=-221
ˆ()(2)(2)1j j j
j
j k
j j
j j k k k ξψξψξψξ--∧
∧
---≥≥=-+-=∑∑
∑
∑
A B 其中,(){}
2012121
ˆ,:18,1ξξξξξ=∈≥≤R C ,如图2.1(a )所示,即函数00()j k
ψξ∧
--A B 形成0C 的一个剖分,如图2.1(b )所示。
由以上的讨论,可知集合
3(0)(0)2224,,00()2():0,22,j
k j j j j k m x x m j k m ψψ⎧⎫⎡⎤⎡⎤=-≥-≤≤∈⎨⎬⎢⎥⎢⎥⎩⎭
B A Z
是222
00
ˆ(){(
):supp }V L f L f =∈⊂C C 得一个紧框架。
其中, 1022002⎛⎫= ⎪ ⎪⎝⎭
Α,01101⎛⎫= ⎪⎝⎭Β 由图2.1(b )可以看出,剪切波的每个元素,,j k m
ψ
支撑在梯形对上,每一个梯形
包含在一个大小近似为222j j ⨯的盒子里,方向沿着斜率为2j l -的直线。
图2.1(a )水平锥0C 和垂直锥1C (b ) 剪切波的频域剖分图
同样可以构造一个21()V L C 的紧框架,其中,1C 是垂直锥
(){}
2112212
ˆ,:18,1ξξξξ=∈≥≤R C 。
ψ由下式给定 (1)1
1222
ˆˆˆ()()()ξψ
ξψξψξ= (2.3) 则集合
3(1)(1)2224,,11()2():0,22,j
k j j j j k m x x m j k m ψψ⎧⎫⎡⎤⎡⎤=-≥-≤≤∈⎨⎬⎢⎥⎢⎥⎩⎭
B A Z 是21()V
L C 的一个紧框架。
其中, 1
212002⎛⎫=
⎪ ⎪⎝
⎭
Α, 11011⎛⎫= ⎪⎝⎭Β。
最后,令()
22
L φ∈R 满足:对任何2
ξ∈R ,有
()21
21
2
2
2
(0)
(1)0
1100k=-2k=-2ˆˆˆ()()1j j j
j
j
k j k j j φξψξψξ------≥≥++=∑∑∑∑A B A B
上式暗含[]2ˆsupp 18,1φ
∈-,且()2
ˆφξ=1。
因此剪切波集合为 {}
{}
2()
2
2
2
,,()():():0,2
2
,,0,1
m d j j j k m
x x m m x j k m d φφψ
ψ==-∈⎡⎤⎡⎤≥-≤≤∈=⎢⎥⎢⎥Z Z
3、剪切波的主要性质
从上述可以看出,剪切波具有以下良好特性:
(1)剪切波具有非常好的局部化特性。
在上述剪切波的构造中,剪切波在频域内是紧支撑的,并且在空域内具有快速的衰减特性。
(2)剪切波满足抛物线尺度化特性。
每一个元素m k j ,,ˆψ
支撑在一个梯形对上,且每个梯形对包含在一个大小近似为j j 222⨯的盒子内,如图2.1(b )所示。
这是因为剪切波具有非常好的局部化特性,在空域内每个m
k j ,,ψ
本质上支撑在一个大小
为j j 222--⨯的盒子里面。
当∞→j 时,元素的支撑区间会逐渐变窄。
(3)剪切波体现了非常高的方向敏感性。
元素m k j ,,ˆψ的方向是沿着斜率为j l --2的直线。
相应的元素m
k j ,,ψ
的方向是沿着斜率为j l -2的直线,并且方向的数目随
着尺度的不断细化而逐层加倍。
(4)剪切波是空域局部化的。
对任意固定的尺度和方向,剪切波可以通过在格
2Z 上平移来获得。
(5)剪切波具有接近最优的稀疏表示性能。