路敬祎, 李其浩, 王鑫宇

(东北石油大学 电气信息工程学院, 黑龙江 大庆 163318)

0 引 言

图像是一种信息载体, 图像噪声是对信息的改写, 阻碍了原有信息的表达。噪声一般分布在高频段, 针对这一特点, 众多去噪方法都是采用低通滤波的思路进行去噪, 这样也会使部分高频的图像有效成分被滤除, 图像去噪实际是在研究高频有效信息的取舍问题。

传统的图像去噪算法, 如中值滤波、 维纳滤波等存在边缘模糊的缺点[1], 对图像像素的统一操作, 也会使图像细节缺失； 小波阈值去噪, 去噪效果良好, 但依赖小波基的选择。Huang等[2]提出一种信号的分解算法即经验模态分解法(EMD： Empirical Mode Decomposition), 适用于一维信号分解。Nunes等[3]对EMD进行改进, 将其拓展到二维空间, 提出了二维经验模态分解(BEMD： Bidimensional Empirical Mode Decomposition), 用于对图像进行处理。Dragomiretskiy等[4-5]基于EMD提出了变分模态分解法(VMD： Variational Mode Decomposition), 有效改进了EMD容易模态混叠的缺陷, 并将变分模态分解从一维空间拓展到二维空间, 得到二维变分模态分解(2D-VMD: Two Dimensional Variational Mode Decomposition)。2D-VMD可自适应地分解二维图像, 通过筛选重构可达到图像去噪的目的。但2D-VMD在分解图像前, 需要预设分解的模态个数K。常秋寒[6]将PSO(Particle Swarm Optimization)与2D-VMD结合并运用于医学图像领域, 优化了K值选取的过程； 刘嘉敏等[7]将中值滤波融入2D-VMD, 在模态分解后对各个模态进行中值滤波处理, 而后重构模态, 取得不错的效果。

基于上述方法的启发, 笔者使用天牛须搜索算法(BAS： Beetle Antennae Search Algorithm)[8]对K值进行优化, 达到最佳分解效果, 再对计算各个模态与原始图像的相关系数(CC: Correlation Coefficient)[9]进行筛选与重构, 实现图像去噪。……