应重构的低通和高通滤波器。上述对机载高速视觉采集图像去噪的步骤可以描述为:1) 获取合适的基小波及小波分解层数目，对含有噪声的信号 f( k) 进行小波变换操作，获得小波系数组 wj，t;2) 对 wj，t进行阈值运算，获得估计小波系数珔wj，t，使 | | 珔wj，t－ uj，t| | 的值尽量达到最小。3) 根据估计小波系数 珔wj，k对小波进行重构操作，获取估计信号 珋f( k) ，即为去噪后的机载高速视觉采集图像。根据上面阐述的方法，能够实现机载高速视觉采集图像的去噪方法优化。3． 3 图像去噪效果评析对机载高速视觉采集图像进行去噪处理后，需要进一步对去噪后的图像进行评析，具体方法如下:设定输入的峰值信噪比用 PSNＲin表示，可以描述为PSNＲin= － 101g(∑mi = 1∑nj = 1n2( k)m × n  2552) ( 13)输入的峰值信噪比用 PSNＲout表示，可以描述为PSNＲout= － 101g(∑mi = 1∑nj = 1( s( k) － ^s( k) )2m × n × 2552) ( 14)去噪后的图像的 PSNＲout值越高，表明去噪效果越好，去噪后的图像质量越高。反之，则表明去噪效果越差。除此之外，还需结合主观方面对去噪后的图像进行评析，进行最佳去噪方法的选择。4 实验结果及分析为了验证改进算法的优越性，需要进行一次实验。利用仿真软件 matlab7． 1 模拟机载高速视觉采集图像的实验环境。由于距离目标较远，速递快，导致采集图像的噪声干扰强烈。在实验的过程中，分别利用传统算法和改进算法进行模拟机载高速视觉采集图像去噪实验，实验次数为 10 次，分别对去噪后的图像信噪比及去噪后的图像质量进行评价。下图为示例样本图片，图 1 为预测理想图像，图 2 为含噪待处理图像。分别利用两种算法进行图像去噪处理，得到的去噪后的图像效果分别如图 3、图 4。通过上述实验结果图片比较，利用改进算法进行机载高速视觉采集图像去噪处理，处理后的图像更接近理想中的图像，图像质量明显高于利用传统算法进行去噪后的图像质量。在实验过程中，对相关数据进行统计得到不同算法处理后的图像的信噪比可以用图 5 表示。根据上图可知，利用改进算法进行机载高速视觉采集图像去噪，得到的图像信噪比远远高于利用传统算法去噪的图像信噪比，具有明显的优势。图 1 理想图像示例图 2 含噪待处理图像示例图 3 传统算法去噪后的图像示例图 4 改进算法去噪后的图像示例对上述算法去噪的图像信噪比数据进行统计整理得到—234—法进行机载高速视觉采集图像去噪，能够提高机载高速视觉采集图像的信噪比和图像质量，拥有极大的优越性。2 机载高速视觉采集图像去噪原理对机载高速视觉采集图像进行去噪处理，能够减少噪声对图像的干扰，提高图像质量，满足人们的视觉需求。具体原理如下所述:机载设备采集的图像频域上信号和噪声的分布位置是不一样的。信号通常分布在低频区域，噪声通常分布在高频区域，且图像的细节也分布在高频区域。当信号和噪声的分布区域重叠较小时，能将信号和噪声分开; 但是当重叠区域变大时，就没有效果了。因此，图像去噪过程中最核心的技术即是在降低噪声的同时最大化的保留图像细节。假设已获取的观测式为yi= xi+ ni，i = 1，2，3，． ． ． ，m ( 1)其中，ni表示均值是 0 的白色高斯噪声，xi表示期望信号，yi表示观测值。去除噪声的过程可以看成是将 x 自观测值 y 恢复的过程。则:w［yi］ = w［xi］+ w［ni］ ( 2)设置 Y = w［yi］，X = w［xi］，N = w［ni］，则Y = X + N高斯噪声均匀分布在频率尺度空间各个部分; 信号的小波系数则分布在频率空间的有限部分，噪声能量在所有的小波系数均有分布，因此只有小部分的系数对信号能量有贡献。因此，小波系数可分两类，一类系数幅值小，数量多，此类是由噪声变换之后获得; 第二类的系数幅值大，数量少，此类是由信号变换而来。依据信号小波分界的特点，能够根据小波系数上幅值的不同来降低噪声。对信号的系数设定一个阈值，则小于此阈值的属于第一类系数，因其完全由噪声变换来，因此应该去除; 大于此阈值的属于第二类系数，对于含有信号和噪声的处理结果进行保留或者后续计算; 如此，能够达到去噪降噪的目的。且利用此原理去噪能够尽量多的保存图像的细节信息。总结图像去噪原理的步骤如下:1) 将采集的图像进行分解，设定固定的分解层数及公式;2) 针对高频部分进行化处理。选择相应层数对应相应阈值，在高频区域做阈值信息化操作;3) 对处理后的图像进行小波对量化后的处理操作。上述为机载高速视觉采集图像去噪原理，利用此原理可以去除图像中的噪声。在机载高速视觉采集图像过程中，由于距离目标远，飞机速度快，图像采集的结果会保护大量的乘性噪声点，影响采集图像质量。传统的图像去噪方法都是通过把这种乘性噪声模糊化，转换成加性噪声进行去噪处理，但是，在这种转换的过程中，会造成关键特征丢失，效果不好。3 机载高速视觉采集图像去噪优化方法利用传统算法进行机载高速视觉采集图像去噪，无法避免由于采集的距离目标远、速度快造成的去噪后的图像信噪比低、图像质量低的缺陷。为此，提出基于改进小波变换算法的机载高速视觉采集图像去噪方法。3． 1 建立图像预测模型假设有不含噪声的理想图像用 Ｒ 表示，有噪声的观测图像用 X 表示，r0为理想图像 Ｒ 中的斑块，此斑块大小用槡m ×槡m 表示，{ xi∈ Ｒm} ，i ∈ { 1，2，． ． ． ，n} ，其中 m  n 表示 X 中相对应区的类似 r0的斑块，则 r0能够用{x }i的线性组合表示，则斑块集合可表示为X＇= ［x1，x2，． ． ． ，xn］则: r0= X＇a ( 3)假定上述 r0和 X＇都有扰动因素，则r0+ e0= ( X＇+ E) a ( 4)上述式中，e0和 E 分别表示 r0和 X＇的误差，且上式总体最小二乘的解 atls满足 | | ( E，e0) | |2的值最小。则对［X＇，r0］进行相关奇异值分解能够得到［X＇，r0］ = U∑VT( 5)上述分别满足: ∑ = dia［σ1，σ2，． ． ． ，σn+1］，σ1  σ2，． ． ． ，σn σn +1，U ∈ ＲM × ( n +1)表示左奇异值向量，V ∈Ｒ( n+1) ×( n+1)表示右奇异值向量。则其对应的最小二乘解 atls为atls= － ［v1，n +1，v2，n +1，． ． ． ，vn，n +1］Tv－1n +1，n +1( 6)其扰动误差［E，e0］为［E，e0］ = － σn +1［u1，n +1，． ． ． ，un +1，n +1］T［v1，n +1，． ． ． ，vn，n +1］T( 7)根据上述描述，对理想图像 Ｒ 的估计可以表示为:r0= X＇atls( 8)上述对理想图像的预测模型，可对机载高速视觉采集图像去噪提供重要的目标参考价值。3． 2 实现机载高速视觉采集图像去噪假设机载高速视觉采集图像的观测信号为 f( k) = s( k)+ n( k) ，其中，f( k) 表示一维信号，s( k) 表示原始信号，n( k)表示均值是 0、方差是 σ2的白噪声，即满足 N( 0，σ2) 。对上述 f( k) 进行离散采样操作，可以获取 N 点离散信号即: f( n) ，n = 0，1，2，． ． ． ，n － 1，则其小波变换式可以描述为Wf( j，t) = 2－ j /2∑N －1N = 0f( n) ψ( 2－ jn － t) ( 9)其中，Wf( j，t) 是小波系数，借助双尺度方程能够得到小波变换的递归实现法Sf( j + 1，t) = Sf( j，t) * h( j，t) ( 10)Wf( j + 1，t) = Sf( j，t) * g( j，t) ( 11)其中，Sf( 0，t) 表示原始信号 f( t) ，Sf( j，t) 表示尺度系数，Wf( j，t) 表示小波系数，则小波重构公式可以表示如下:Sf( j － 1，t) = Sf( j，t) * 珘h( j，t) + Wf( j，t) * 珔g( j，t) ( 12)—134—”科技项目基金( 2011YG03)收稿日期: 2014 － 06 － 20 修回日期: 2014 － 09 － 11图 5 两种算法去噪图像信噪比对比的结果如表 1 所述。表 1 不同算法去噪图像信噪比对比结果实验次数信噪比( % )传统算法 本文算法1 56 932 63 903 69 854 72 905 68 916 70 977 63 908 70 929 63 9510 69 96根据上述实验可知，利用改进算法进行机载高速视觉采集图像去噪，得到的图像的质量和信噪比远远高于利用传统算法，具有显著的优越性。5 结语针对传统机载高速视觉采集图像去噪算法无法避免的由于距离目标远、速度快而造成的去噪效果不佳的缺陷，提出基于改进小波变换算法的机载高速视觉采集图像去噪方法。利用相关数据，建立理想图像模型，以此作为图像去噪的目标，利用改进小波变换算法，对图像进行去噪处理，利用相关理论对去噪后的图像进行评价，从而完成机载高速视觉采集图像去噪。实验结果表明，利用改进算法进行机载高速视觉采集图像去噪，能够提高机载高速视觉采集图像的信噪比和图像质量，提高去噪效率，满足了机载高速视觉采集图像的需求。参考文献:［1］ B Xiong，Z P Yin． A universal denoising framework with a new im-pulse detector and nonlocal means［J］． IEEE Transactions on Im-age Processing，2012，21( 4) : 1661 － 1673．［2］ Ｒ Yan，L Shao，S D Cvetkovic and J Klijn． Improved nonlocalmeans based on pre － classification and invariant block matching［J］． IEEE /OSA Journal of Display Technology，2012，8( 4) : 208－ 216．［3］ 刘红毅，韦志辉，张峥噪． 自适应非局部 patch 正则化图像恢复［J］． 电子学报，2012，40( 3) : 498 － 509．［4］ C Ｒick． Nonconvex splitting for regularized low － rankspare decom-position［J］． IEEE Transaction on Signal Process，2012，60: 5798－ 5817．［5］ 陆建峰，胥永刚，马海龙． 基于非局部方法的图像分割与图像去噪研究［D］． 南京理工大学硕士论文，2013: 34 － 45．［6］ 陈臻懿，等． 自适应分层阈值小波去噪在雷达信号中的运用研究［J］． 大气与环境光学学报，2012，2( 7) : 147 － 153．［7］ K Ｒamanjyot，M S Palvinder． Image Denoising Using M － BandＲidgelet Transform［J］． International Journal for Science and E-merging Technologies with Latest Trends，2013，10( 1) : 10 － 16．［8］ Yan Ｒuqiang，Ｒobert X Gao，Chen Xuefeng． Wavelets for fault di-agnosis of rotary machines［J］． Signal Processing，2013，( 4) : 398－ 706．［9］ M Bigerelle，Guillemot，Z Khawaja． Ｒelevance of Wavelet ShapeSelection in a Complex Signal［J］． Mechanical Systems and SignalProcessing，2013，( 7) : 117 － 239．［10］ 雪梅，王晓东． 快速傅里叶变换( FFT) 与小波变换技术［J］．牡丹江师范学院学报，2012，12( 4) : 27 － 41．［作者简介］张 芬( 1975 － ) ，女( 汉族) ，重庆合川人，硕士，讲师，主要研究方向: 计算机应用。—334—