基于变换域的条带噪声去除方法

摘要：

为解决线扫描图像中的条带噪声干扰问题，提出了傅里叶变换与小波分解相结合的变换域条带噪声去除方法。首先对图像进行多尺度小波分解，将包含条带噪声的小波子带与包含图像信息的小波子带分离；然后对含有条带噪声的小波子带进行傅里叶变换，并对变换系数进行带阻滤波以消除条带噪声。利用实际采集的带有条带噪声的棉花异性纤维图像进行仿真实验，结果表明：傅里叶变换与小波分解相结合的方法，去噪效果明显优于单独使用傅里叶变换或小波分解的方法，既能有效地去除图像中的条带噪声，又能较好地保持图像的细节信息。

关键词：条带噪声；变换域；傅里叶变换；小波变换；小波阈值

中图分类号：TN911.73

文献标志码：A

0引言

基于自动视觉检测（Automated Visual Inspection，AVI）的棉花异性纤维在线识别系统[1]，由于采用线扫描电荷耦合元件（ChargeCoupled Device，CCD）成像，因此实时采集的图像中通常含有大量非周期性垂直条带噪声。这些条带噪声的存在将会降低图像分割的准确性，严重影响对异性纤维的视觉检测，因此必须采取有效的处理方法予以去除。为解决图像中的条带噪声干扰问题，学者们已提出了多种去噪方法。

目前，条带噪声的去除方法大致分为两类：一类是基于空间域的去噪方法[2-4]，这类去噪方法是在原图像上直接进行数据运算，通过对图像像素的灰度值进行处理达到去噪的目的，常用的空间域去噪方法有低通滤波器法、中值滤波器法等；另一类方法是基于变换域的去噪方法[5-7]，这类方法是对图像进行某种变换，将图像从空间域转换到变换域，在变换域中，去除或者压缩噪声的变换域系数，保留原始信号的变换域系数，最后通过逆变换得到去除噪声后的图像。变换域方法中常用的变换有傅里叶变换[8]和小波变换[9-12]。基于空间域的去噪方法往往造成图像降质，影响后续的图像分析、处理精度，而变换域去噪方法则能够在去噪的同时最大限度地保留图像细节，但变换域去噪方法也各有优缺点和适用性。本文将对变换域条带噪声去除方法进行比较研究，并应用于棉花异性纤维图像的条带噪声去除，最后给出结论。

1变换域条带噪声去除方法

1.1基于傅里叶变换的条带噪声消除方法

对图像进行傅里叶变换处理后可以得到图像的傅里叶频谱图，频谱图中以几何中心为原点表示最低频率成分，由原点向外扩散，频谱图中的点逐步反映图像更高频率分量的信息。图像中的条带信息在傅里叶频谱图中表现为具有对称性的一些亮点，图2所示为一张含有条带噪声的图像经傅里叶变换后的频谱图，图像中的垂直条带噪声，经过傅里叶变换之后变为频谱图上位于中心位置的一系列亮点。只要滤除频谱图中水平分布的亮点，再经傅里叶逆变换即可消除图像中的条带噪声。基于傅里叶变换的条带噪声去除方法，关键在于确定条带噪声中的亮点在频率域中所占的成分，进而确定滤波器的最佳截止频率，在消除条带噪声的同时保留图像中的原始信息。

3结语

本文分析了在变换域去除条带噪声的主要方法，并用含有噪声的棉花异性纤维图像进行了去噪实验。实验结果表明，在一定程度上，用传统的傅里叶滤波法和小波阈值法可以消除图像中的部分条带噪声，但是在去噪的同时也模糊了图像中的边缘与细节，使得图像变得模糊，降低了图像质量。考虑到线扫描图像中条带噪声的特点，使用傅里叶变换与小波分解相结合的方法，由于结合了傅里叶变换与小波变换的良好特性，因此能够在去除噪声的同时最大限度地保留图像中的细节与边缘信息。

参考文献：

[1]杨文柱， 李道亮， 魏新华， 等. 基于自动视觉检测的棉花异性纤维分类系统[J]. 农业机械学报， 2009，40（12）：177-181.

[2]王文庆， 晏婷. 基于空间域的图像去噪方法比较研究[J]. 西安邮电学院学报， 2012，17（2）：75-79.

[3]郑逢斌， 支晶晶， 高海亮， 等. 一种高光谱图像条带噪声去除改进算法[J]. 计算机科学， 2010， 37（5）：265-267.

[4]SHEN H F， ZHANG L P. A MAPbased algorithm for destriping and inpainting of remotely sensed images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（5）： 1492-1502.

[5]朱华生， 徐晨光. Shearlet变换域自适应图像去噪算法[J]. 激光与红外， 2012（7）：811-814.

[6]韩丽娜， 耿国华， 周明全. 基于变换域和噪声估计的路面图像去噪研究[J]. 计算机工程与应用， 2012，48（19）：1-3.

[7]高媛媛， 刁永峰， 边赟. 全变分的分块小波阈值图像去噪[J]. 计算机应用， 2012，32（5）：1289-1292.

[8]BOWEN W R， DONEVA T A. Artefacts in AFM studies of membranes： correcting pore images using fast Fourier transform filtering[J]. Journal of Membrane Science， 2000，171（1）： 141- 147.

[9]梁学章， 何甲兴， 王新民， 等. 小波分析[M]. 北京：国防工业出版社， 2005.

[10]姜三平. 基于小波变换的图像降噪[M]. 北京：国防工业出版社， 2009.

[11]CHHETRI P R， ELRAHMAN A A. Destriping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2011，66（5）：620-636.

[12]黄腾飞， 李帮义， 熊季霞. 基于小波方差分解的混沌时间序列噪声估计和阈值去噪[J]. 计算机应用， 2013，33（3）： 890- 895.

[13]MUNCH B， TRTICK P， MARONE F， et al. Stripe and ring artifact removal with combined waveletFourier filtering [J]. Optics Express， 2009，17（10）：8567-8591.