基于多尺度的卡尔曼滤波图像去噪方法
【专利摘要】本发明公开了一种基于多尺度的卡尔曼滤波图像去噪方法，包括如下步骤：小波分解步骤，对图像进行小波变换，所述图像被分解为多个层，每个层包括四个部分：LL部分、HL部分、LH部分和HH部分，其中，LL部分属于低频部分，HL部分、LH部分和HH部分属于高频部分；计算预测步骤，用上一层的HL部分、LH部分和HH部分的最终估计小波子系数分别更新下一层的HL部分、LH部分和HH部分的初始估计小波子系数，对于上下两层相应的部分：逆变换步骤，利用更新小波子系数后的多个层进行小波逆变换，得到去噪后的图像。
【专利说明】基于多尺度的卡尔曼滤波图像去噪方法
【【技术领域】】
[0001]本发明涉及图像处理领域，具体涉及一种基于多尺度的卡尔曼滤波图像去噪方法。
【【背景技术】】
[0002]数字图像在采集，转换以及传输的过程中会受到噪声的污染。图像恢复(复原)是计算机图像处理的主要内容之一，其目的在于消除或减轻在图像获取及传输过程中造成的图像品质下降即退化现象，恢复图像的本来面目。
[0003]传统的去噪方法大致可以分为两类，一类是基于空域的方法，一类是基于变换域的方法。空域去噪方法中比较经典的方法有高斯滤波，中值滤波，双边滤波等。空域的方法都是直接对图像的灰度进行处理。变换域的方法都是将图像进行转换，如傅立叶变换，小波变换，曲波变换，轮廓波变换等。
[0004]小波变换是变换域中比较典型的去噪算法，主要是对变换后的系数直接进行阈值处理。但这种处理往往没有考虑不同尺度之间系数的相关性，可以利用这种相关性，提高卡尔曼预测效果。
[0005]卡尔曼滤波是一个最优化自回归数据处理算法，最突出的优点是可以快速实时处理问题。它广泛应用于机器人导航、控制、传感器数据融合甚至军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理如图像去噪、图像复原、人脸识别、图像分害I]、图像边缘检测等等。传统的kalman滤波用于图像处理时，往往只是对一副图像单一尺度进行处理，虽然利用了图像之间的相关性进行预测和更新，但是其预测和更新比较复杂，效果也并不理想。
【
【发明内容】
】
[0006]现有卡尔曼滤波对图像的处理，并没有更多地考虑图像中低频和高频之间的相关关系。且kalman滤波对初始估计依赖性很强，好的初值更能获得好的预测效果，否则预测效果不佳。
[0007]为了克服现有技术的不足，本发明提供了一种基于多尺度的卡尔曼滤波图像去噪方法，以达到在不增加计算复杂度的基础上，获得更好的去噪效果。
[0008]一种基于多尺度的卡尔曼滤波图像去噪方法，包括如下步骤:
[0009]小波分解步骤，对图像进行小波变换，所述图像被分解为多个层，每个层包括四个部分:LL部分、HL部分、LH部分和HH部分，其中，LL部分属于低频部分，HL部分、LH部分和HH部分属于高频部分；
[0010]计算预测步骤，用上一层的HL部分、LH部分和HH部分的最终估计小波子系数分别更新下一层的HL部分、LH部分和HH部分 的初始估计小波子系数，对于上下两层相应的部分:
[0011]
【权利要求】
1.一种基于多尺度的卡尔曼滤波图像去噪方法，其特征是，包括如下步骤: 小波分解步骤，对图像进行小波变换，所述图像被分解为多个层，每个层包括四个部分:LL部分、HL部分、LH部分和HH部分，其中，LL部分属于低频部分，HL部分、LH部分和HH部分属于高频部分； 计算预测步骤，用上一层的HL部分、LH部分和HH部分的最终估计小波子系数分别更新下一层的HL部分、LH部分和HH部分的初始估计小波子系数，对于上下两层相应的部分:
2.如权利要求1所述的基于多尺度的卡尔曼滤波图像去噪方法，其特征是: 在计算预测步骤之前，对最上层的HL部分、LH部分和HH部分的小波子系数Vik进行如下修正:
3.如权利要求1所述的基于多尺度的卡尔曼滤波图像去噪方法，其特征是: 在计算预测步骤中，在进行
【文档编号】G06T5/00GK103530857SQ201310535630
【公开日】2014年1月22日 申请日期:2013年10月31日 优先权日:2013年10月31日
【发明者】王好谦, 杨江峰, 王兴政, 戴琼海 申请人:清华大学深圳研究生院