發(fā)布時(shí)間：2020-12-08 23:51

　　太赫茲（THz）成像技術(shù)是一種無(wú)損、非電離的成像技術(shù),以其較低的光子能量和對(duì)可見光、近紅外不透明的非金屬和非極性物質(zhì)的較高的穿透能力,在生物醫(yī)遼、工業(yè)生產(chǎn)、安防檢測(cè)等領(lǐng)域具有重大的研究?jī)r(jià)值和廣闊的應(yīng)用前景,目前已成為當(dāng)今世界成像技術(shù)的研究熱點(diǎn)。由于光源及探測(cè)器分辨率等性能的限制,成像系統(tǒng)在采集圖像的過(guò)程中往往存在噪聲,需要對(duì)采集到的太赫茲圖像進(jìn)行去噪處理。而現(xiàn)有的圖像去噪算法往往在去除背景噪聲的同時(shí)模糊了圖像的細(xì)節(jié),因此研究出既能去除背景噪聲又可保留目標(biāo)細(xì)節(jié)的優(yōu)良算法具有重要的意義。一些較經(jīng)典的去噪算法例如非局部均值（NLM）去噪方法是根據(jù)添加的噪聲方差來(lái)設(shè)置參數(shù)進(jìn)行去噪的。而對(duì)于真實(shí)的太赫茲圖像,由于其結(jié)構(gòu)的特殊性及復(fù)雜的噪聲特點(diǎn),我們無(wú)法獲知其具體的噪聲方差,進(jìn)而無(wú)法自動(dòng)設(shè)置去噪算法的參數(shù),因此需要研究一種能對(duì)太赫茲圖像進(jìn)行噪聲估計(jì)的自適應(yīng)去噪算法。首先,針對(duì)THz反射掃描圖像重影和背景條紋噪聲嚴(yán)重的問題以及THz圖像尺寸較小的特點(diǎn),采用了一種基于四叉樹的加權(quán)雙平方非局部均值（QBNLM）復(fù)合去噪算法。通過(guò)露西-理查德森（L-R）去模糊和直方圖均衡化進(jìn)行預(yù)處理然后使用四叉樹分解方法... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同形狀的相似塊[13]，紅色點(diǎn)為中心像素，黑色區(qū)域?yàn)楦邫?quán)重，F(xiàn)1圓形，F(xiàn)2半圓形，F(xiàn)3四分之一圓形，F(xiàn)4矩形

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-3-時(shí)間大致減少一半）并使用查找表來(lái)加快權(quán)重的計(jì)算速度，可以進(jìn)一步優(yōu)化加速方法。Vignesh等人[11]于2010年提出了采用概率模型來(lái)實(shí)現(xiàn)提前終止像素鄰域之間的失真計(jì)算，提高了算法的性能，解決了原始NLM算法計(jì)算復(fù)雜度高的問題，為去噪算法的運(yùn)行節(jié)省了大量的運(yùn)算時(shí)間。這些非局部去噪方法利用了圖像的非局部自相似性，其性能取決于準(zhǔn)確地找到足夠多的相似塊的能力。在這些方法中使用的塊通常具有固定的形狀和大小，這限制了合適的候選塊的數(shù)量。此外，這些方法在塊大小和潛在相似塊的數(shù)量之間也面臨著不可避免的折衷。一方面，大的塊對(duì)噪聲更加魯棒，并且能夠產(chǎn)生很少的偽影，從而產(chǎn)生平滑的去噪結(jié)果。另一方面，塊大小的增加導(dǎo)致候選塊數(shù)量的減少，這導(dǎo)致降低降噪性能，特別是對(duì)于紋理區(qū)域。目前已有許多方法來(lái)有效解決這一問題。2012年Tahmouresi等人提出了一種使用自適應(yīng)內(nèi)核進(jìn)行非局部均值去噪的方法[12]，通過(guò)對(duì)中心像素和其他塊像素之間的差進(jìn)行閾值估計(jì)來(lái)估計(jì)每個(gè)塊的自適應(yīng)二進(jìn)制形狀。Deledalle等人于2012年提出了顯式的塊形狀自適應(yīng)NLM(NLMwithshape-adaptivepatches,NLM-SAP)算法，對(duì)不同形狀塊下的去噪結(jié)果進(jìn)行局部融合，提高了算法的性能[13]。局部融合權(quán)重是根據(jù)局部SURE值（Steinunbiasedestimate,Stein無(wú)偏風(fēng)險(xiǎn)估計(jì)）確定的。但是，由于局部SURE估計(jì)精度不高使得融合權(quán)值不穩(wěn)定進(jìn)而使該算法的效果出現(xiàn)一些問題。不同形狀的相似塊如圖1-2所示，噪聲圖像的去噪結(jié)果如圖1-3所示。圖1-2不同形狀的相似塊[13]，紅色點(diǎn)為中心像素，黑色區(qū)域?yàn)楦邫?quán)重，F(xiàn)1圓形，F(xiàn)2半圓形，F(xiàn)3四分之一圓形，F(xiàn)4矩形圖1-3八個(gè)不同方向塊的去噪結(jié)果，第五幅是最終聚集所有方向的去噪結(jié)果[13]

，自適應(yīng)的正則化算法糾正了缺少路徑效應(yīng)的問題。一些方法將非局部原理與其他技術(shù)相結(jié)合，產(chǎn)生了先進(jìn)的去噪性能，如Dabov等人于2007年提出的塊匹配和3D濾波（BM3D）算法，該算法將結(jié)構(gòu)相似的二維圖像塊組成三維數(shù)組，通過(guò)協(xié)同濾波方法進(jìn)行降噪，最后逆操作得到去噪圖像[15]。該算法適用于灰度圖像同時(shí)也可用于彩色圖像，目前已成為公認(rèn)的最優(yōu)圖像去噪算法，去噪結(jié)果如圖1-4所示。但當(dāng)噪聲水平增大時(shí)該算法的去噪能力會(huì)迅速下降并且算法的運(yùn)算難度也相對(duì)較大。a)房子噪聲圖像及其濾波結(jié)果b)Lena噪聲圖像及其濾波結(jié)果圖1-4BM3D算法用于灰度圖像和彩色圖像的去噪結(jié)果[15]2019年Bic等人提出了一種改進(jìn)的非局部均值（NLM）方法[16]，該方法在評(píng)估塊相似度函數(shù)之前采用了預(yù)濾波步驟，并使用了改進(jìn)的相似度函數(shù)，從而可以更好地控制濾波中涉及塊的影響。與原始的NLM算法和NLM的最新進(jìn)展相比，改進(jìn)的方法可以實(shí)現(xiàn)更好的視覺和客觀量化結(jié)果，接近使用BM3D（塊匹配3D）等最新方法獲得的結(jié)果。目前也有學(xué)者將非局部均值方法用于光學(xué)圖像去噪，YassineTounsi等人在2019年提出一種通過(guò)變體非局部均值方法對(duì)散斑噪聲進(jìn)行去噪的方法[17]。該方法主要著眼于NLM的形狀自適應(yīng)塊和幾種NLM重投影方案，以減少數(shù)字相干成像系統(tǒng)振幅和相位圖像中的散斑噪聲。在數(shù)字相干成像系統(tǒng)（例如數(shù)字散斑圖案干涉法，數(shù)字全息干涉法等）中，由于光源的相干特性，附加的不相關(guān)散斑噪聲會(huì)嚴(yán)重降低圖像質(zhì)量，因此限制了這些成像系統(tǒng)在許多領(lǐng)域中應(yīng)用的發(fā)展。使用NLM及其變體去噪方法對(duì)從這些成像系統(tǒng)中獲得的強(qiáng)度或相位圖像進(jìn)行降噪，與其他散斑去噪技術(shù)相比，該去噪方法能夠更好地改善強(qiáng)度


本文編號(hào)：2905901