UDCT-LCHMM: 基于均匀离散曲波的图像降噪算法性能优化

本文主要探讨了一种基于均匀离散曲波域的图像降噪算法，该算法利用局部上下文隐马尔可夫模型（Local Contextual Hidden Markov Model, LCHMM）来提高图像处理性能。在图像预处理领域，降噪是至关重要的步骤，因为它直接影响后续的图像分析任务，如分割、特征提取和目标识别。 首先，文章介绍了均匀离散曲波变换（Uniform Discrete Curvelet Transform, UDCT）作为一种新兴的图像表示方法，它在表达图像中的线性奇异特征方面表现出色。相比于传统的快速离散曲波变换（Fast Discrete Curvelet Transform, FDCT），UDCT具有更低的冗余度和更高的计算效率，避免了子带间的频谱混叠问题，从而保留了更强的方向选择性。 马尔可夫随机模型在图像处理中被广泛应用，因为它们能够有效捕捉图像数据的统计特性。作者特别关注隐马尔可夫模型，这种模型通过“隐”状态来描述图像系数，而非直接依赖于系数本身，这为图像降噪提供了新的视角。通过期望最大化（Expectation-Maximization, EM）算法，作者能够训练出适合图像噪声特性的LCHMM模型参数。 论文的核心部分，即作者提出的方法，是将LCHMM应用于UDCT系数的建模。通过这种方法，作者能够估计噪声图像的系数，然后利用这些估计值来重构降噪后的图像。实验部分对比了提出的算法与基于小波域和轮廓波域的局部上下文隐马尔可夫模型的降噪效果，结果显示，新算法在去除噪声的同时，保持了良好的边缘完整性，证明了其在图像降噪领域的有效性。 这篇论文在图像处理领域做出了创新性的贡献，展示了如何结合均匀离散曲波变换和隐马尔可夫模型的优势，设计出一种既能有效抑制噪声又能较好保留图像细节的降噪算法。这对于提升图像质量、优化后续图像分析流程具有实际价值。