太赫茲（THz）成像技術(shù)是一種無損、非電離的成像技術(shù),以其較低的光子能量和對可見光、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)、安防檢測等領域具有重大的研究價值和廣闊的應用前景,目前已成為當今世界成像技術(shù)的研究熱點。由于光源及探測器分辨率等性能的限制,成像系統(tǒng)在采集圖像的過程中往往存在噪聲,需要對采集到的太赫茲圖像進行去噪處理。而現(xiàn)有的圖像去噪算法往往在去除背景噪聲的同時模糊了圖像的細節(jié),因此研究出既能去除背景噪聲又可保留目標細節(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)添加的噪聲方差來設置參數(shù)進行去噪的。而對于真實的太赫茲圖像,由于其結(jié)構(gòu)的特殊性及復雜的噪聲特點,我們無法獲知其具體的噪聲方差,進而無法自動設置去噪算法的參數(shù),因此需要研究一種能對太赫茲圖像進行噪聲估計的自適應去噪算法。首先,針對THz反射掃描圖像重影和背景條紋噪聲嚴重的問題以及THz圖像尺寸較小的特點,采用了一種基于四叉樹的加權(quán)雙平方非局部均值（QBNLM）復合去噪算法。通過露西-理查德森（L-R）去模糊和直方圖均衡化進行預處理然后使用四叉樹分解方法... 

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

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

不同形狀的相似塊[13]，紅色點為中心像素，黑色區(qū)域為高權(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)大學工學碩士學位論文-3-時間大致減少一半）并使用查找表來加快權(quán)重的計算速度，可以進一步優(yōu)化加速方法。Vignesh等人[11]于2010年提出了采用概率模型來實現(xiàn)提前終止像素鄰域之間的失真計算，提高了算法的性能，解決了原始NLM算法計算復雜度高的問題，為去噪算法的運行節(jié)省了大量的運算時間。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，塊大小的增加導致候選塊數(shù)量的減少，這導致降低降噪性能，特別是對于紋理區(qū)域。目前已有許多方法來有效解決這一問題。2012年Tahmouresi等人提出了一種使用自適應內(nèi)核進行非局部均值去噪的方法[12]，通過對中心像素和其他塊像素之間的差進行閾值估計來估計每個塊的自適應二進制形狀。Deledalle等人于2012年提出了顯式的塊形狀自適應NLM(NLMwithshape-adaptivepatches,NLM-SAP)算法，對不同形狀塊下的去噪結(jié)果進行局部融合，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無偏風險估計）確定的。但是，由于局部SURE估計精度不高使得融合權(quán)值不穩(wěn)定進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]，紅色點為中心像素，黑色區(qū)域為高權(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]

，自適應的正則化算法糾正了缺少路徑效應的問題。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，通過協(xié)同濾波方法進行降噪，最后逆操作得到去噪圖像[15]。該算法適用于灰度圖像同時也可用于彩色圖像，目前已成為公認的最優(yōu)圖像去噪算法，去噪結(jié)果如圖1-4所示。但當噪聲水平增大時該算法的去噪能力會迅速下降并且算法的運算難度也相對較大。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的非局部均值（NLM）方法[16]，該方法在評估塊相似度函數(shù)之前采用了預濾波步驟，并使用了改進的相似度函數(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的最新進展相比，改進的方法可以實現(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。目前也有學者將非局部均值方法用于光學圖像去噪，YassineTounsi等人在2019年提出一種通過變體非局部均值方法對散斑噪聲進行去噪的方法[17]。該方法主要著眼于NLM的形狀自適應塊和幾種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，附加的不相關散斑噪聲會嚴重降低圖像質(zhì)量，因此限制了這些成像系統(tǒng)在許多領域中應用的發(fā)展。使用NLM及其變體去噪方法對從這些成像系統(tǒng)中獲得的強度或相位圖像進行降噪，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度


本文編號：2905901