基于快速自适应的二维经验模态分解的图像去噪算法

摘要：

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法.该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪.仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节.实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法.

关键词：快速自适应二维经验模态分解、正态逆高斯模型、贝叶斯最大后验概率估计理论、最优线性插值阈值、图像去噪

所属期刊栏目：46

分类号：TP391.4(计算技术、计算机技术)

资助基金：西北大学紫藤国际合作计划项目389040008

在线出版日期：2019-12-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：260-266