基于Surfacelet变换的系数自适应收缩视频去噪方法

摘要

本发明公开了一种基于Surfacelet变换的系数自适应收缩视频去噪方法，以改善视频图像边缘模糊和噪声去除不充分等现象，提高视频去噪效果，主要用于视频图像的去噪和三维立体图像的去噪。其实现过程是：(1)输入含噪视频序列，并对其进行Surfacelet变换(ST)；(2)对Surfacelet变换域中每一层各个方向子带的ST系数计算阈值；(3)对各方向子带中ST系数进行分类得到相应的掩模；(4)计算各方向子带中ST系数的能量比和先验比，然后计算ST系数的收缩因子；(5)对ST系数进行收缩处理；(6)对收缩后的ST系数进行逆Surfacelet变换，得到去噪后的视频序列。本发明与现有的技术相比，明显地提高了对含噪视频中噪声的抑制能力，同时也能够很好地保留视频图像的纹理细节和边缘信息。

权利要求

1.一种基于Surfacelet变换的系数自适应收缩视频去噪方法，其特征在于：包含以下步骤：步骤1.输入含噪视频序列，并对其进行Surfacelet变换，分解层数为4层，每层对应的方向数分别为192、192、48、12；

步骤2.对Surfacelet变换域中的系数按如下公式计算最精细层到最粗糙层的各方向子带的阈值：Tl，k＝3·δn·El，k

式中：Tl，k为第l层k方向子带中ST系数对应的三维矩阵阈值；

δn为噪声方差；

El，k为高斯噪声在ST域第l层k方向子带中的概率分布特征；

步骤3.利用步骤2中得到的阈值对各层各个方向子带的ST系数进行分类得到相应的掩模，计算公式如下：式中：xl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的掩模；

al，k(m，n，p)＝|wl，k(m，n，p)|为ST系数的幅值，式中wl，k(m，n，p)为第l层k方向子带在位置(m，n，p)上的ST系数；

步骤4.利用步骤2中得到的阈值计算ST系数的能量比：式中：ξl，k(m，n，p)反映第l层k方向子带中(m，n，p)位置上ST系数的能量比；

步骤5.利用步骤3中得到的掩模计算ST系数的先验比；

步骤6.利用步骤4中得到的能量比和步骤5中得到的先验比按以下公式计算ST系数的收缩因子：式中：ql，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的收缩因子；

ξl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的能量比；

ηl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的先验比；

步骤7.利用收缩因子对ST系数按以下收缩公式进行收缩处理，得到收缩后的ST系数为：yl，k(m，n，p)＝wl，k(m，n，p)·ql，k(m，n，p)：式中：yl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上收缩后的ST系数；

wl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上的ST系数；

ql，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的收缩因子；

步骤8.对收缩后的ST系数进行Surfacelet逆变换，得到去噪后的视频序列。

2.根据权利要求书1所述的基于Surfacelet变换的系数自适应收缩视频去噪方法，其特征在于：步骤2中所述的概率分布特征的计算方法如下：首先，生成一个与输入视频序列大小相同的正态分布随机矩阵，然后经过第i次Surfacelet变换得到第l层k方向子带系数 最后根据公式 计算出噪声分布概率特征，n为迭代次数。

3.根据权利要求书1或2所述的基于Surfacelet变换的系数自适应收缩视频去噪方法，其特征在于：步骤5中所述的先验比的计算方法如下：首先，计算ST系数空间相关性的度量变量 式中xs为空间位置为s的ST系数对应的掩模， 为s的3*3*3空间邻域；

然后，若tl＝-26，则用公式 计算先验比，式中，γ为控制系数空间相关性的参数，γ＞0，xs为空间位置为s的子带中ST系数对应的掩模， 为s的3*3*3空间邻域结构；否则，若tl≠-26，则用公式计算先验比，式中，γ为控制系数空间相关性的参数，γ＞0，xs为空间位置为s的ST系数对应的掩模， i∈{1，2，3，...，8，9}， 为选取的9种空间邻域结构。

说明书

基于Surfacelet变换的系数自适应收缩视频去噪方法

技术领域

[0001] 本发明属于图像处理领域，主要涉及视频图像去噪，具体是一种基于Surfacelet变换的系数自适应收缩视频去噪方法，可用于视频图像去噪以及三维立体图像去噪。

背景技术

[0002] 视频序列不仅要关注每一帧图像的视觉效果，还要关注整个序列的视觉感受。因此，对于视频序列的噪声去除提出了更高的要求。视频序列去噪基本上是在空间域、时间域、变换域和色彩域等进行的。这些域的划分并不是固定不变的，去噪的时候可以按照实际需要在不同域交叉和结合以取得更好的视觉效果。如今，变换域去噪是研究的热点，无论是在图像去噪中或是视频去噪中，常用的变换方式有Fourier变换、Wavelet变换、Contourlet变换、非下采样Contourlet变换、Surfacelet变换等。变换域是将图像进行变换，然后在变换域内进行一定的处理，最后再进行逆变换得到处理后的图像。

[0003] Wavelet域和Fourier域类似，只是变换方法不同，Contourlet域和Wavelet域相比具有更好的多方向尺度特性。Contourlet变换是一种“真正”的图像二维表示方法，提供了图像表示一种灵活的、多分辨的、局部的和方向性的扩展。由于Contourlet变换采取了下采样操作，缺乏平移不变性，且具有4/3的冗余度，会产生吉布斯现象，使得去噪后的图像失真。Cunha等通过结合非下采样的塔式分解和非下采样的方向滤波器组(DFB)，实现了非下采样Contourlet变换(Nonsubsampled Contourlet Transform，NSCT)。NSCT继承了Contourlet的多尺度和多方向性，同时还具备平移不变特性，可以有效地消除吉布斯现象。Fourier变换、Wavelet变换、Contourlet变换和非下采样Contourlet变换都只能处理二维信号，为了处理三维信号甚至多维信号，Yue M.Lu和Mimh N.Do将DFB扩充到高维，从而构成多维方向滤波器组(N-dimensional Directional Filter Banks，NDFB)，通过多尺度金字塔和NDFB的结合提出了Surfacelet，Surfacelet变换(ST)的多尺度分解定义在频域，它能有效地捕获和表示光滑表面信号奇异性，具有多方向分解、高效率的树状结构滤波器组、完全重构和底冗余等性质，非常适合视频处理。

[0004] 阈值去噪方法是变换域中常用的一种比较好的去噪方法，可分为软阈值去噪和硬阈值去噪。硬阈值方法可以较好地保留图像边缘等局部特征，但图像会出现振铃、伪吉布斯效应等视觉失真；而软阈值方法处理图像视频图像则相对平滑，但是可以能会造成边缘模糊等失真现象。阈值的选取是阈值去噪方法的关键，在变换域中常用的阈值方法有Donoho等人提出的Visual shrinkage方法，Q.Pan等人提出的3σ法，M.Vetterli和B.Yu提出的基于最小风险的BayesShrink方法，Lakhwinder Kaur等人提出的NormalShrink方法。

[0005] 上述的阈值方法并没有考虑方向结构信息和空间邻域信息，因此在细节和背景信息丰富的视频图像去噪中并不能很好地保留图像中的重要细节信息和边缘，因此不能得到理想的去噪效果。

[0006] 在利用Surfacelet变换对视频进行去噪的过程中，传统的阈值方法并没有考虑系数的空间邻域相关性和子带系数的方向结构特点，因此去噪效果不理想，可能会导致视频图像中存在细节纹理和边缘的模糊、闪烁等问题。

发明内容

[0007] 本发明的目的在于克服上述已有方法的缺点，提出了一种基于Sufacelet变换的系数自适应收缩视频去噪方法，有效地解决了传统视频去噪方法中存在的细节纹理和边缘的模糊、闪烁等问题，在视觉效果上得到了显著的改善

[0008] 本发明是一种基于Surfacelet变换的系数自适应收缩视频去噪方法，其特征在于：包含以下步骤：

[0009] 步骤1.输入含噪视频序列，并对其进行Surfacelet变换，分解层数为4层，每层对应的方向数分别为192、192、48、12；

[0010] 步骤2.对Surfacelet变换域中的系数按如下公式计算最精细层到最粗糙层的各方向子带的阈值：

[0011] Tl，k＝3·δn·El，k

[0012] 式中：Tl，k为第l层k方向子带中ST系数对应的三维矩阵阈值；

[0013] δn为噪声方差，可用中值估计公式进行计算；

[0014] El，k为高斯噪声在ST域第l层k方向子带中的概率分布特征；

[0015] 步骤3.利用步骤2中得到的阈值对各层各个方向子带的ST系数进行分类得到相应的掩模，计算公式如下：

[0016]

[0017] 式中：xl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的掩模；

[0018] αl，k(m，n，p)＝|wl，k(m，n，p)|为ST系数的幅值，式中wl，k(m，n，p)为第l层k方向子带在位置(m，n，p)上的ST系数；

[0019] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0020] 步骤4.利用步骤2中得到的阈值计算ST系数的能量比：

[0021]

[0022] 式中：ξl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的能量比；

[0023] αl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的幅值；

[0024] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0025] 步骤5.利用步骤3中得到的掩模计算ST系数的先验比；

[0026] 步骤6.利用步骤4中得到的能量比和步骤5中得到的先验比按以下公式计算ST系数的收缩因子：

[0027]

[0028] 式中：ql，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的收缩因子；

[0029] ξl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的能量比；

[0030] ηl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的先验比；

[0031] al，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的幅值；

[0032] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0033] 步骤7.利用收缩因子对ST系数按以下收缩公式进行收缩处理，得到收缩后的ST系数为：

[0034] yl，k(m，n，p)＝wl，k(m，n，p)·ql，k(m，n，p)：

[0035] 式中：yl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上收缩后的ST系数；

[0036] wl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上的ST系数；

[0037] ql，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的收缩因子；

[0038] 步骤8.对收缩后的ST系数进行Surfacelet逆变换，得到去噪后的视频序列。

[0039] 本发明采用的是Surfacelet变换，Surfacelet变换只需对视频进行一次性整体变换，不需要考虑视频中各帧图像之间的运动补偿关系，相对其它变换来说，降低了变换域中去噪方法的时间复杂度。即使采用了整体处理的变换方法，但是如何对变换域中的系数进行处理也是去噪方法的关键。本发明在变换域中计算出每一个ST系数对应的阈值和掩模，其中阈值用于构造每一个ST系数的能量比，掩模用于计算每一个ST系数的先验比，并且考虑到三维空间结构和方向邻域的特点，合理地构造出最理想的空间邻域结构从而得到ST系数的最佳先验比，通过所得到的能量比和先验比计算出ST系数对应的最佳收缩因子，对于ST系数中被认为是信号的系数尽可能地保留，而对于ST系数中被认为是噪声的系数尽可能地去除；因此，对ST系数进行了理想的收缩处理，充分去除了视频中的噪声信号并很好地保留了纹理细节和边缘信息。

[0040] 本发明的实现还在于：步骤2中所述的概率分布特征的计算方法如下：

[0041] 首先，生成一个与输入视频序列大小相同的正态分布随机矩阵，然后经过第i次Surfacelet变换得到第l层k方向子带系数 最后根据公式 计算出噪声分布概率特征，n为迭代次数。

[0042] 本发明中计算分布概率特征所采用的是蒙特卡罗方法，通过多次迭代得到准确的概率分布特征，迭代次数越多，计算得到的分布概率也就越准确，是目前最常用的一种比较好的统计估算方法。

[0043] 本发明的实现还在于：步骤5中所述的先验比的计算方法如下：

[0044] 首先，计算ST系数空间相关性的度量变量 式中xs为空间位置为s的ST系数对应的掩模， 为s的3*3*3空间邻域；

[0045] 然后，若tl＝-26，则用公式 计算先验比，式中，γ为控制系数空间相关性的参数，γ＞0，xs为空间位置为s的子带中ST系数对应的掩模， 为s的3*3*3空间邻域结构；否则，若tl≠-26，则用公式
计算先验比，式中，γ为控制系数空间相关性的参数，γ
＞0，xs为空间位置为s的ST系数对应的掩模， i∈{1，2，3，...，8，9}， 是以l为中心选取的9种空间邻域结构。

[0046] 本发明中计算ST系数先验比的方法利用了Surfacelet变换的多方向分解特点，根据Surfacetet变换的多方向性合理地选取了9种空间领域结构，对属于边缘和纹理的系数能够很好地进行收缩处理，保留了图像中重要的细节纹理和边缘信息。

[0047] 本发明与现有的技术相比具有以下优点：

[0048] 1.本发明由于采用的是Surfacelet三维变换，比起用小波、Contourlet、NSCT等二维变换在视频去噪方面更加直接和方便，不用考虑视频中各帧图像之间的运动补偿关系，同时能有效捕获和表示光滑表面信号奇异性；

[0049] 2.本发明采用蒙特卡罗方法计算出准确的概率分布特征，然后计算得到每一个ST系数对应的阈值和掩模，其中阈值用于构造每一个ST系数的能量比，掩模用于计算每一个ST系数的先验比，并充分地利用Sufacelet变换的多方向分解特性，结合了三维空间的方向性以及ST系数的能量特性，自适应地计算出各子带中ST系数对应的收缩因子，然后对ST系数进行收缩处理，因此，对视频图像的噪声具有更强的抑制能力；由于考虑系数空间邻域相关性，合理地选取了多个方向邻域结构，所以能够很好地保留视频图像的细节信息和图像边缘，有效地去除噪声，得到更好的视频图像。

附图说明

[0050] 图1是本发明的实现流程示意图；

[0051] 图2是本发明中计算ST系数的先验比时所选取的9种空间邻域的结构图；

[0052] 图3是本发明中ST系数的能量比构造示意图；

[0053] 图4是本发明中ST系数的收缩因子曲线图；

[0054] 图5是本发明对视频序列Mobile的去噪视频图像与现有ST域中的Visual-SH方法、ST-3σ方法、Bayes-SH方法、NSCT-NS方法、3D-CMST方法的去噪视频图像的比较图；

[0055] 图6是本发明对视频序列Coastguard的去噪视频图像与现有ST域中的Visual-SH方法、ST-3σ方法、Bayes-SH方法、NSCT-NS方法、3D-CMST方法的去噪视频图像的比较图；

[0056] 图7是本发明对视频序列Salesman的去噪视频图像与现有ST域中的Visual-SH方法、ST-3σ方法、Bayes-SH方法、NSCT-NS方法、3D-CMST方法的去噪视频图像的比较图；

[0057] 图8是视频序列Mobile、Coastguard、Salesman利用本发明和现有ST域中的Visual-SH方法、ST-3σ方法、Bayes-SH方法、NSCT-NS方法、3D-CMST方法所得到的去噪视频图像的PSNR值曲线图。

具体实施方式

[0058] 实施例1：

[0059] 参照图1，本发明是一种基于Surfacelet变换的系数自适应收缩视频去噪方法，[0060] 具体实施过程如下：

[0061] 步骤1.输入含噪视频序列，并对其进行Surfacelet变换；

[0062] 本发明对视频序列采用的是Surfacelet变换分解，首先用三通道非抽取滤波器组将输入的三维信号频谱分成三个沙漏形的子带，然后再通过两次二维方向滤波器组将沙漏形的子带进行方向分解；本发明所用的Surfacelet变换的分解层数为4层，每层对应的方向分解个数分别为192、192、48、12。

[0063] 步骤2.对Surfacelet变换域中的系数按如下公式计算最精细层到最粗糙层的各方向子带的阈值：

[0064] Tl，k＝3·δn·El，k

[0065] 式中：Tl，k为第l层k方向子带的三维矩阵阈值，与该方向子带大小相同；

[0066] δn为噪声方差，可用中值估计公式进行估计；

[0067] El，k为高斯噪声在ST域中第l层k方向子带中概率分布特征，可由蒙特卡罗方法计算得到。首先，生成一个与输入视频序列大小相同的正态分布随机矩阵，然后经过第i次Surfacelet变换得到第l层k方向子带系数 最后根据公式 得到噪声分布概率，n为迭代次数。

[0068] 步骤3.利用步骤2中得到的阈值对每一层各个方向子带的ST系数进行分类得到相应的掩模，计算公式如下：

[0069]

[0070] 式中：xl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数对应的掩模；

[0071] al，k(m，n，p)＝|wl，k(m，n，p)|为ST系数的幅值，式中wl，k(m，n，p)为第l层k方向子带在位置(m，n，p)上的ST系数；

[0072] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0073] 当xl，k(m，n，p)＝0，αl，k(m，n，p)表示噪声系数；当xl，k(m，n，p)＝1，αl，k(m，n，p)表示重要信息系数。以上掩模分类规则是经验值，对于掩模分类问题是一种很好的方法。

[0074] 步骤4.利用步骤2中得到的阈值计算ST系数的能量比：

[0075]

[0076] 式中：ξl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的能量比；

[0077] al，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的幅值；

[0078] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0079] ξl，k为ST系数的能量比，其构造结构如图3所示，ST系数幅值al，k越大，能量比ξl，k也就越大，所以ξl，k是关于al，k的单调增函数；若αl，k越大，ST系数属于信号的可能性就越大，因此相应的收缩因子就越大；相反，若αl，k越小，ST系数属于噪声的可能性就越大，因此相应的收缩因子就越小。

[0080] 步骤5.利用步骤3中得到的掩模计算ST系数的先验比；

[0081] 步骤6.利用步骤4中得到的能量比和步骤5中得到的先验比按以下公式计算ST系数的收缩因子：

[0082]

[0083] 式中：ξl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的能量比；

[0084] ηl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的先验比；

[0085] αl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的幅值；

[0086] Tl，k(m，n，p)为第l层k方向子带中(m，n，p)位置上ST系数的阈值；

[0087] 当-4≤γt≤4时对应的收缩因子q的曲线图如图4所示；若系数的幅值等于阈值(m/T＝1)，且其邻域内掩模为1的系数和掩模为0的系数的个数相同(t＝0)，则该系数对应的收缩因子为0.5；若系数的幅值m较大但其方向邻域参数t较小，则该系数会被较大程度地收缩；若系数的幅值m较小但其方向邻域参数t较大，则该系数会被较大程度地保留。

[0088] 步骤7.利用收缩因子对ST系数按以下收缩公式进行收缩处理，得到收缩后的系数为：

[0089] yl，k(m，n，p)＝wl，k(m，n，p)·ql，k(m，n，p)：

[0090] 式中：yl，k(m，n，p)为第l层k方向子带在位置(m，n，p)上收缩后的ST系数；

[0091] wl，k(m，n，p)为第l层k方向子带在位置(m，n，p)上的ST系数；

[0092] ql，k(m，n，p)为第l层k方向子带在位置(m，n，p)上ST系数对应的收缩因子。

[0093] 步骤8.对收缩后的系数进行Surfacelet逆变换，得到去噪后的视频序列。

[0094] 本发明对视频图像采用的是Surfacelet变换，降低了计算时间的复杂度，每一个系数都能计算出对应的收缩因子，能够很好地保留视频图像的细节信息和图像边缘，有效地去除噪声，得到更好的视频图像。

[0095] 实施例2：基于Surfacelet变换的系数自适应收缩视频去噪方法同实施例1，在步骤5中对于先验比的计算是：

[0096] 首先，计算ST系数空间相关性的度量变量 式中xs为空间位置为s的子带中ST系数对应的掩模， 为s的3*3*3空间邻域；

[0097] 然后，若tl＝-26，则用公式 计算先验比，式中，γ为控制系数的空间相关性特性的参数，γ＞0，xs为空间位置为s的子带中ST系数对应的掩模， 为s的3*3*3空间邻域结构；否则，若tl≠-26，则用公式
计算先验比，式中，γ为控制系数的空间相关性特性的
参数，γ＞0，xs为空间位置为s的子带中ST系数对应的掩模， 如图2所示，当
i∈{1，2，3，...，8，9}， 分别为选取的9种空间邻域结构，图2中，中心位置的小方块为索取的系数，灰色小方块为该系数所选取的邻域系数。

[0098] 实施例3：基于Surfacelet变换的系数自适应收缩视频去噪方法，同实施例1-2。

[0099] 本发明的去噪效果可以通过以下实验进一步说明：

[0100] 1.实验条件和内容

[0101] 实验仿真环境为：MATLAB R2008b，CPUAMDAthlon×23.00GHz，内存4G，Window XP Professional。

[0102] 实验内容包括：使用大小为192×192×192的视频序列Mobile、Coastguard和Salesman，加入噪声的方差分别为20、30、40、50。Mobile视频序列方向性强、运动幅度小，视频中的所有物体作整体平移运动，各帧之间差异较小；Coastguard视频序列含有丰富的细节信息且运动幅度大，背景较为丰富，细节信息比较多。Salesman视频序列含有丰富的纹理信息且局部运动比较剧烈，各帧之间同一局部差异比较大。Surfacelet变换分解层数为四层，相对应的每个沙漏滤波器下的3D-DFB的方向数分别为64、64、16、4。

[0103] 2.实验结果

[0104] 将Visual shrinkage方法(Visual-SH)、BayesShrink阈值方法(Bayes-SH)、3σ硬阈值去噪方法(ST-3σ)、非下采样Contourlet中的NormalShrink方法(NSCT-NS)、基于硬阈值函数的3D-CMST方法(仅处理最精细两层)分别应用到Surfacelet变换域中进行视频去噪，用本发明和上述五种去噪方法进行比较。

[0105] 表1.六种去噪方法的Average PSNR值和Average SSIM值比较

[0106]

[0107] 本发明采用去噪后视频的各帧图像的PSNR的均值(Average PSNR)和SSIM的均值(Average SSIM)作为客观评价指标。PSNR主要体现了图像的质量，但是在体现图像相关性和视觉效果上不是很理想；SSIM被认为能更好地体现图像之间的差别，用来衡量两幅图像的结构相似度。当参数γ＝0.8时，本发明得到的视频去噪效果最好，表1为Average PSNR值和Average SSIM值的比较。

[0108] 从表1中可知，与其它五种去噪方法相比，对于各个不同等级噪声影响的视频序列，本发明得到的去噪后视频图像的Average PSNR值提高了0.6dB到1.6dB，对于运动幅度比较小的Mobile视频序列的去噪效果尤为突出，Average PSNR值至少提高了1dB。同时，从Average SSIM值来看，本发明也明显优于其它五种去噪方法。

[0109] 用本发明和其它五种去噪方法对视频序列Mobile的去噪视频图像如图5所示，所加噪声方差为30，选取的均是视频中的第172帧图像。其中，图5(a)为原视频图像，图5(b)为加方差为30的高斯噪声的视频图像，图5(c)为Visual-SH方法去噪后的视频图像，图5(d)为ST-3σ方法去噪后的视频图像，图5(e)为Bayes-SH方法去噪后的视频图像，图5(f)为NSCT-NS方法去噪后的视频图像，图5(g)为3D-CMST方法去噪后的视频图像，图
5(h)为本发明去噪后的视频图像。

[0110] 从图5(h)可以看出，在视频Mobile中，本发明得到的去噪后的视频图像相对平滑，能有效的抑制噪声；从图5(d)和图5(g)可以看出，通过ST-3σ方法和3D-CMST方法得到的去噪后的视频图像会出现振铃现象；从图5(c)、图5(e)和图5(f)可以看出，通过Visual-SH、Bayes-SH和NSCT-NS三种方法得到的去噪后的视频图像过平滑导致了边缘模糊现象，从图左上角的动物耳朵边缘清晰可见，图5(c)中的Visual-SH方法去噪后的视频图像中的边缘模糊现象尤为明显；从图5(h)可以看出，本发明更好地保留图像的细节信息和边缘。

[0111] 实施例5：基于Surfacelet变换的系数自适应收缩视频去噪方法，同实施例1-3。

[0112] 用本发明和其它五种去噪方法对视频序列Coastguard的去噪视频图像如图6所示，所加噪声方差为30，选取的均是视频中的第172帧图像。其中，图6(a)为原视频图像，图6(b)为加方差为30的高斯噪声的视频图像，图6(c)为Visual-SH方法去噪后的视频图像，图6(d)为ST-3σ方法去噪后的视频图像，图6(e)为Bayes-SH方法去噪后的视频图像，图6(f)为NSCT-NS方法去噪后的视频图像，图6(g)为3D-CMST方法去噪后的视频图像，图6(h)为本发明去噪后的视频图像。

[0113] 从图6(a)-(h)可以看出，在视频Coastguard中，本发明和其它五种方法的去噪视频图像中都会出现拖影现象，但本发明去噪后的视频图像受影响最小，同时本发明在细节信息和边缘保留上取得的效果最好，对噪声的抑制能力也最强，而其它五种方法中噪声去除并不充分，会出现闪烁现象。由于本发明说明书附图仅能给出静止的图像，在实际的视频播放过程中本发明能够消除拖影和闪烁现象的作用更为突出。

[0114] 实施例6：基于Surfacelet变换的系数自适应收缩视频去噪方法，同实施例1-3。

[0115] 用本发明和其它五种去噪方法对视频序列Salesman的去噪视频图像如图7所示，所加噪声方差为30，选取的均是视频中的第172帧图像。其中，图7(a)为原视频图像，图7(b)为加方差为30的高斯噪声的视频图像，图7(c)为Visual-SH方法去噪后的视频图像，图7(d)为ST-3σ方法去噪后的视频图像，图7(e)为Bayes-SH方法去噪后的视频图像，图7(f)为NSCT-NS方法去噪后的视频图像，图7(g)为3D-CMST方法去噪后的视频图像，图
7(h)为本发明去噪后的视频图像。

[0116] 从图7(a)-(h)可以看出，在视频Salesman中，由于视频图像中的局部运动比较剧烈，所以会出现不同程度的拖影现象，但本发明去噪后的视频图像中出现拖影现象的程度最小，并且对于纹理信息的去噪处理，本发明去噪后的效果也最好；从图7(d)和图7(g)可以看出，通过ST-3σ方法和3D-CMST方法得到的去噪后的视频图像会出现振铃现象；从图7(c)、图7(e)和图7(f)可以看出，通过Visual-SH、Bayes-SH和NSCT-NS这三种方法得到的去噪后的视频图像过平滑导致了边缘模糊现象，图7(c)中的Visual-SH方法去噪后的视频图像中的边缘模糊现象尤为明显。并且本发明对动态状况下视频的去噪效果更加明显。

[0117] 图8是所选三个视频序列利用本发明和上述五种去噪方法所得到去噪视频图像的PSNR值曲线图，所加噪声方差为30。其中，图8(a)为去噪后视频Mobile的PSNR曲线图，图8(b)为去噪后视频Coastguard的PSNR曲线图，图8(c)为去噪后视频Salesman的PSNR曲线图。

[0118] 从图8(a)-(c)可以看出，本发明得到去噪后的每一帧图像的PSNR值要都明显高于其它五种去噪方法。因此，综合分析，本发明提出的基于Surfacelet变换的系数自适应收缩视频去噪方法在主观视觉比较和客观的PSNR值比较中，很好地保持了视频图像的细节信息和边缘，并有效地消除了闪烁和拖影现象，总体性能都优于其它的五种方法。

[0119] 综上，本发明提出的基于Surfacelet变换的系数自适应收缩视频去噪方法，利用蒙特卡罗方法经过多次迭代得到噪声概率分布特性，准确计算出各个高频子带中每个ST系数对应的阈值和掩模，其中阈值用于构造每一个ST系数的能量比，掩模用于计算每一个ST系数的先验比，并且考虑到三维空间结构和方向邻域的特点，合理地构造出最理想的邻域结构得到ST系数的最佳先验比。利用得到的能量比和先验比计算ST系数对应的收缩因子，从而对系数进行收缩处理。因此，本发明对于视频的噪声具有很强的抑制能力，同时还有效地解决去噪方法中存在的细节纹理和边缘的模糊、闪烁等问题，在视觉效果上得到了显著的改善。尤其对于存在局部运动相对平稳或者作整体运动的视频序列，本发明能够得到很好的去噪效果，可用于视频图像去噪以及三维立体图像去噪。