CC BY
83
ЭЛЕКТРОНИКА
ОЧИСТКА ИЗОБРАЖЕНИЯ ОТ ГАУССОВСКОГО ШУМА С ИСПОЛЬЗОВАНИЕМ ДИСКРЕТНОГО ВЕЙВЛЕТ ПРЕОБРАЗОВАНИЯ
Московский Сергей Борисович
д-р физ. -мат. наук, профессор Ярославского государственного университета им. П.Г. Демидова
150000, РФ, г. Ярославль, улица Советская, 14 E-mail:[email protected]
Сергеев Александр Николаевич
старший преподаватель Ярославского государственного университета им. П.Г. Демидова
150000, РФ, г. Ярославль, улица Советская, 14 E-mail: a. n. sergv@mail. ru
Сидорова Екатерина Игоревна
магистрант Ярославского государственного университета им. П.Г. Демидова
150000, РФ, г. Ярославль, улица Советская, 14 E-mail: [email protected]
IMAGE REFINEMENT FROM GAUSSIAN NOISE USING DISCRETE WAVELET DECOMPOSITION
Sergey Moskovskiy
doctor of physics and mathematics sciences, Professor, P.G. Demidov Yaroslavl State University
150000, Russia, Yaroslavl, Sovetskaya st., 14
Alexander Sergeev
senior Lecturer, P. G. Demidov Yaroslavl State University 150000, Russia, Yaroslavl, Sovetskaya st., 14
Yekaterine Sidorova
graduate student, P. G. Demidov Yaroslavl State University 150000, Russia, Yaroslavl, Sovetskaya st., 14
АННОТАЦИЯ
Рассмотрена очистка изображения от белого гауссовского шума с помощью семейства вейвлетов Добеши. Показан способ выбора оптимального вейвлета для очистки в среде MatLab Wavelet Toolbox.
ABSTRACT
Image refinement from white Gaussian noise using Daubechies wavelet population is considered. The method of selecting the optimal wavelet for refinement in the environment MatLab Wavelet Toolbox is shown.
Ключевые слова: вейвлет-анализ, шумоочистка, ДВП (дискретное вейвлет-преобразование), MatLab Wavelet Toolbox.
Keywords: Wavelet analysis; sound cleaning; DWD (discrete wavelet decomposition); MatLab Wavelet Toolbox.
В последнее время широко используются методы обработки данных, основанные на вейвлет-преобразованиях.
Разнообразие видов и масштабных уровней вейвлет-преобразований позволяет оптимизировать анализ конкретного типа сигнала (прерывистые сигналы, сигналы с острыми всплесками и т.д.) за счет выбора вида и масштабного уровня преобразования.
Математическое и программное обеспечение вейвлет-анализа дают возможность сконструировать базис, в котором представление данных выражается всего несколькими ненулевыми коэффициентами. Это свойство делает вейвлет-преобразования очень привлекательными для упаковки данных, в том числе видео- и аудиоинформации. Выбор алгоритма обработки сигнала позволяет отбросить распределенные по спектру компоненты с малыми амплитудами без
Библиографическое описание: Московский С.Б., Сергеев А.Н., Сидорова Е.И. Очистка изображения от гауссовского шума с использованием дискретного вейвлет преобразования // Universum: Технические науки: электрон. научн. журн. 2017. № 5(38) . URL: http://7universum. com/ru/tech/archive/item/4 792
значительного влияния на качество упакованных данных. Благодаря этому вейвлеты нашли широкое применение в цифровой обработке изображения, обработке сигналов и анализе данных [1].
Дискретное вейвлет-преобразование (ДВП) эффективно используется в обработке сигналов и изображений с тех пор, как было предложено представление сигналов основанное на вейвлет-разложении [2].
ДВП традиционно осуществлялся сверткой. В прямом ДВП входной сигнал (х) разделяется на два
потока (рис. 1), один из которых (верхняя ветвь на рисунке) после преобразования фильтруется низкочастотным фильтром (К), другой (нижняя ветвь) - высокочастотным фильтром В результате формируются две субполосы: низкочастотная (yL) и высокочастотная (уН), прошедшие фильтрацию на соответствующих частотах. После обратного преобразования субполосы yL и уН объединяются и дают выходной сигнал х'.
Рисунок 1. Схема двухполосного одномерного ДВП
Для многоуровнего вейвлет-разложения низкочастотная субполоса (уь) дополнительно обрабатыва-
ется описанным выше способом (второйуфовень разложения) [3]. Пример двухуровневого разложения ДВП схематически показан на рис. 2.
Рисунок 2. Схема двухуровневого разложения ДВП
Так как два вейвлет-фильтра являются раздельными функциями, то двумерное ДВП может быть получено применением одномерного ДВП сначала по строкам (с разделением низкочастотной субполосы), а затем по столбцам (с разделением как низкочастотной, так и высокочастоной субполосы) как показано
на рис. 3. То же самое, применительно к изображению, показано на рис. 4. На первом уровне разложения получены четыре подгруппы КЬ1, КН1, НЬ1 и НН1. Повторяя то же самое к подгруппе КЬ1, получим КЬ2, КН2, НЬ2 и НН2 и так далее [4].
Рисунок 3. Трехуровневое разложение двумерного ДВП
Рисунок 4. Пример трехуровневого разложения двумерного ДВП.
В настоящей работе представлены исследования, проведенные с целью обобщения рассмотренного подхода на двумерный случай с зашумлением изображений (метод 2Б-ДВП вейвлет-фильтрации за-шумленных изображений). Аналогичный метод использовался в работе [5].
Для иллюстрации эффективности метода вейвлет-фильтрации к выбранному изображению добавлялся нормально распределенный случайный процесс (белый шум) с различной дисперсией. Далее проводилась фильтрация внесенных помех. Отфильтрованное изображение сравнивалось с исходным.
Критерием качества фильтрации служил квадратный корень среднеквадратичного отклонения отфильтрованного изображения от исходного (до зашумления):
Я = 4Ё [6]. Минимизация Я при задании различных вейвлет-базисов, методов введения порогового уровня и варьировании величины порога определяла выбор оптимального алгоритма подавления помех.
На первом этапе было проведено исследование влияния выбора вейвлет-базиса. Было рассмотрено цветное изображение размера 981х698 (рис. 5а), и разные значения интенсивности белого шума.
а б в
Рисунок 5. Исходное (а), зашумленное (б) и отфильтрованное с применением вейвлета Б6 (в) изображение
При каждом значении интенсивности шума проводилось прямое 2Б-ДВП в базисе вейвлетов До-беши (от Б1 до Б16). Дополнительно аналогичные расчеты осуществлялись при изменении размера изображения (перемасштабировании с различными коэффициентами). Примеры зашумленного (дисперсия шума 0.01) и отфильтрованного с применением вейвлета Б6 изображения приведены на рис. 5 б,в. В данном примере вейвлет Б6 обеспечивал минимальную величину среднеквадратичной ошибки. Значения Я в зависимости от выбранного вейвлет-базиса и дисперсии шума представлены в таблице 1. Соответствующие графики - на рис. 6.
Перемасштабирование изображения приводило к тому, что минимум ошибки достигался для разных базисных функций. Однако во многих случаях минимум был получен для вейвлета Б6, который можно рассматривать как компромисс между длиной области задания и регулярностью базисной функции. По этой причине данный вейвлет был использован в дальнейших расчетах.
На втором этапе проводилось изучение влияния способа задания пороговой функции и величины порога. В теории трешолдинга [2] рассматривается мягкий и жесткий варианты в зависимости от способа задания пороговой функции.
На рис. 7 приведена зависимость ошибки Я от величины порогового уровня С для жесткого и мягкого вариантов при дисперсии белого шума 0.01, добавленного к изображению, представленному на рис. 5а.
Как следует из приведенного рисунка, минимальная ошибка достигается для мягкого варианта задания пороговой функции. Этот вариант обеспечивает уменьшение ошибки, наиболее выраженное при малых значениях уровня С. Если увеличивать интенсивность помех, добавляемых в изображение, то различия между двумя вариантами задания пороговой функции становятся менее выраженными (см. таблицу 2). Тем не менее, мягкий вариант задания пороговой функции обеспечивает минимальную ошибку при всех рассмотренных значениях интенсивности помех.
Применение описанного алгоритма к другим за-шумленным изображениям показало, что сделанные выше выводы справедливы как для разных изображе-
ний, так и для одинаковых изображений с измененен-ными размерами (перемасштабирования проводились с коэффициентами от 0.5 до 1.5).
Таблица 1.
Зависимость R от выбранного вейвлет-базиса и дисперсии шума
Ошибка R Дисперсия шума D
Вейвлет Db 0,01 0,02 0,03 0,04 0,05
1 0,1048 0,1864 0,2681 0,3418 0,4023
2 0,1056 0,1852 0,2689 0,3414 0,4032
3 0,1065 0,186 0,2677 0,3422 0,4031
4 0,1055 0,1857 0,2672 0,3417 0,4032
5 0,106 0,1857 0,26972 0,3417 0,4032
6 0,103 0,1784 0,2595 0,3345 0,401
7 0,1059 0,1854 0,2672 0,3415 0,4032
8 0,1072 0,1868 0,2697 0,3451 0,4056
9 0,1049 0,1863 0,2682 0,3419 0,4024
10 0,105 0,18625 0,2683 0,342 0,4025
11 0,1063 0,1857 0,2674 0,3417 0,4026
12 0,1048 0,1864 0,2681 0,3418 0,4023
13 0,1053 0,1852 0,267 0,3415 0,403
14 0,1064 0,1858 0,2675 0,3418 0,4027
15 0,1049 0,1863 0,2682 0,3419 0,4024
16 0,1075 0,1871 0,27 0,3454 0,4059
Семейство графиков, показывающих зависимость R от выбора вейвлет-базиса представлены ниже.
в
г
с»
Рисунок 6. Зависимость R от выбора вейвлет-базиса и дисперсии шума 0,01 (а); 0,02 (б); 0,03 (в);
0,04 (г); 0,05 (д)
0,13
0,125
0,12
од 15
0,11
0,105
0,1
\-^
\ \ \
\ \ \
\ \ \
\ \ >
ч _ ^
0,1
0,2
0,3
С
0,4
0,5
0,6
Рисунок 7. Зависимость R от величины порогового уровня С для двух вариантов задания пороговой функции. Пунктир - мягкий вариант, сплошная линия - жесткий
Таблица 2.
Минимальные значения ошибки R для разных значений интенсивности шума и двух способов задания
пороговой функции
Дисперсия шума Оптимальный пороговый уровень (мягкое задание пороговой функции) Ошибка R Оптимальный пороговый уровень (жесткое задание пороговой функции) Ошибка R
0.01 0.134 0.1048 0.303 0.1085
0.02 0.13 0.1864 0.305 0.1884
0.03 0.118 0.2681 0.284 0.2695
0.04 0.1 0.3418 0.258 0.3429
0.05 0.083 0.4023 0.236 0.4031
Таким образом, сравнительный анализ результатов вейвлет-фильтрации зашумленных изображений позволяет сделать вывод о преимуществе использования мягкого варианта задания пороговой функции над жестким вариантом. В соответствии с полученными результатами преимущество мягкого варианта особенно существенно при выборе малых значений
порога С. Отметим, что аналогичные выводы сделаны при анализе большого числа тестовых сигналов и изображений с искусственно добавленными помехами.
В качестве альтернативы при жестком варианте задания пороговой функции могут применяться приемы сглаживания разрывов, однако такой прием фактически является модификацией мягкого варианта
№ 5 (38)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
• 7universum.com
май, 2017 г.
задания пороговой функции. Он обеспечивает уменьшение ошибки, но приводит к некоторому увеличению времени вычислений. При решении конкретных задач целесообразно выбирать метод в зависимости от приоритетов, определяемых при цифровой обработке сигналов.
Важно обратить внимание на то, что минимальное значение ошибки достигается при разных пороговых значениях С в зависимости от уровня шума. По этой причине для обеспечения эффективной вейвлет-фильтрации важно оптимизировать выбор порогового уровня.
Список литературы:
1. Малла С. Вейвлеты в обработке сигналов. - М.: Мир, 2005. - 671 с.
2. Смоленцев Н.К. Вейвлет-анализ в МЛТЬЛВ. - М.: ДМК Пресс, 2010. - 304 с.
3. Филатова А.Е. Успехи и перспективы применения вейвлетных преобразований для анализа нестационарных нелинейных данных в современной геофизике / А. Е. Филатова, А. Е. Артемьев, А. А. Короновский и др. // Известия высших учебных заведений. Прикладная нелинейная динамика. - 2010. - Т. 18. - № 3. - С. 3-23.
4. Чобану М.К., Волков М.В. Новые технологии сжатия многомерных сигналов // Современная электроника. -2008. - № 3. - С. 40-43.
5. Ясин А. С. Вейвлет-фильтрация зашумленных изображений / А. С. Ясин, О. Н. Павлова, А. Н. Павлов // Письма в ЖТФ. - 2016. - Т. 42. - Вып. 2. - С. 50-56.
6. Ьи 1. Восстановление сигналов и подавление шума при помощи вейвлетов. - Дортмутский колледж, 1993. -
146 с.
