基于Curvelet變換的指紋圖像去噪

張建明，邱曉暉

(南京郵電大學 通信與信息工程學院，江蘇 南京 210000)

0 引 言

近年來，小波變換理論憑借其對信號的特殊時、頻分析能力，在信號、圖像等領域得到了快速發展，在圖像去噪領域也得到了廣泛應用。然而，由一維小波張量積張成的小波因其固有的各向同性和有限的方向選擇特性，僅適合刻畫點狀奇異信息，難以對二維圖像信號中含有的各種直線、曲線等線奇異信息進行有效表示。因此，針對小波變換對二維圖像及更高維信號表示的不足，E.J.Candes和Donoho于1998年提出了脊背變換(Ridgelet變換)[1]，這一變換在小波的基礎上添加了方向參數，在繼承小波良好的時頻分析能力的同時具有更好的方向選擇性，能夠很好地表達直線奇異信息，但是對曲線信息的描述具有局限性。1999年，E.J.Candes和Donoho提出第一代Curvelet變換理論[2]，它是建立在脊背變換理論基礎上的新的多尺度幾何表示方法，能夠很好地表示曲線特征信息并擁有更強的方向選擇特性。2002年，E.J.Candes和Donoho又搭建出第二代Curvelet變換的框架體系[3]，并于2005年提出基于第二代Curvelet變換的快速離散算法[4]，大大降低了第一代Curvelet方法實現的計算冗余度和復雜度。

指紋圖像具有豐富的曲線特征信息，因此將Curvelet變換方法應用于指紋圖像去噪可以更好地保留原始信號的邊緣及曲線等線性特征，提升去噪水平和視覺效果。因此，文中采用基于Wrapping的第二代快速離散Curvelet變換算法，通過自適應選取子帶閾值并對變換后的各個尺度各個方向上的Curvelet系數采用一種新的閾值函數進行處理。

1 第一代Curvelet變換

第一代Curvelet變換理論是充分建立在Ridgelet變換理論的基礎上的，其實質是在Ridgelet變換域上進行局部多尺度分析。Ridgelet變換對含有直線奇異信息的函數具有良好的逼近能力，但對奇異曲線的逼近能力有限。而第一代Curvelet變換提出在所有的尺度上進行Ridgelet變換，充分利用了多尺度分析的優勢，具備了對奇異曲線優秀的表示能力，能夠極小地逼近誤差衰減階。

Curvelet變換過程一般由子帶分解、平滑分割、脊波分析三個部分組成。其數字實現過程如圖1所示。

圖1 第一代Curvelet變換的分解過程

首先將函數f用濾波器P0分成不同的子帶(P0f,Δ1f,Δ2f,…)，P0f表示f的低頻部分，Δsf表示尺度2-s下的高頻子帶信息；然后定義方形區域Q=[K1/2s,(K1+1)/2s]×[K2/2s,(K2+1)/2s]對Δsf通過平滑窗口函數WQ進行分割，實現對不同尺度子帶函數的平滑；接著通過定義傳輸算子TQf(m,n)=2sf(2sm-k1,2sn-k2)對每個平滑分塊的二進方塊Q進行重正歸化，可以得到gQ=(TQ)-1(WQΔsf)；最后對gQ進行正交Ridgelet變換，從而實現Curvelet變換。

2 第二代Curvelet變換

第一代Curvelet變換的數字實現十分復雜，計算冗余度高。因此Candes等提出了第二代Curvelet變換。第二代Curvelet變換與第一代有著截然不同的架構體系，第一代Curvelet變換的核心思想是將曲線分割到一個個足夠小的方塊中，然后把方塊中的曲線近似成直線看待，最后對其進行局部的Ridgelet分析。而二代Curvelet變換在實現過程中完全無需用到Ridgelet變換，兩代變換間的唯一相同點在于緊支撐、框架等抽象數學意義。

2.1 連續Curvelet變換

Curvelet變換在二維空間R2中實現，x為空間位置參量，定義在尺度2-j、方向θl、位置參數(k1,k2)∈Z2處的Curvelet為：

φj,l,k(x)=φj(Rθl(x-xkj,l))

(1)

因此，同小波理論一樣，Curvelet變換可以以內積形式定義為：

(2)

其重構公式為：

(3)

2.2 離散Curvelet變換

以笛卡爾坐標系下的f[t1,t2](0≤t1,t2

(4)

φj(w1,w2)=φ(2-jw1)φ(2-jw2),0≤φ≤1

(5)

定義：

Vj(w)=V(2?j/2」)w2/w1

(6)

然后用Wj和Vj定義笛卡爾坐標系下的窗函數：

(7)

定義：

(8)

2.3 基于Wrapping的快速離散Curvelet變換實現方法

此算法的核心思想是：環繞原點進行Wrap，在任意區域位置上，采取周期化技術逐一映射到原點的仿射區域。具體算法過程如下：

(3)Wrap上步得到的乘積結果，圍繞原點包裝用下式局部化：

(9)

其中，0≤n1≤L1j,0≤n2≤L2j。

3 基于Curvelet的指紋圖像去噪方法

與經典的小波理論相比，Curvelet變換作為一種新型多尺度幾何分析方法在對二維圖像中的各種直線或者曲線等邊緣信息進行分析時具備更明顯的優勢，而且擁有更高的逼近精度和更好的稀疏表達能力[5]，因此將Curvelet變換引入線狀特征信息明顯的指紋圖像中能夠更好地消除圖像噪聲，同時保留邊緣特征和細節信息。由Curvelet變換理論可以得到如下結論：因為Curvelet系數是由圖像函數f與Curvelet基函數φj,l,k作內積產生的，所以當Curvelet基函數與圖像邊緣輪廓的方向一致時會產生比較大的系數，相反，圖像中含有的噪聲與基函數內積后會產生較小的Curvelet系數[6]。因此為了去除噪聲，可以采用閾值方法保留大的系數，舍棄較小的系數，而且不損失邊緣細節。目前通常采用的閾值處理方法有軟閾值、硬閾值、軟硬折衷閾值[7]等。因此，閾值和閾值函數的合理選取成為Curvelet去噪方法中至關重要的兩個決定性因素。

3.1 改進的自適應閾值方案

λj=kσσj

(10)

其中，k為各層子帶中設置的尺度依賴常數[8-9]。k為實驗確定的經驗數值，一般在低尺度上較小，高尺度較大。閾值選取合理是閾值型去噪方法中的關鍵一步，如果閾值選取過大，會使圖像自身的邊緣紋理等重要細節特征丟失，而閾值選取過小，會使噪聲無法得到有效抑制。文中在式10的基礎上提出新的自適應閾值選取方案：

(11)

其中，α(α∈(0,1))為自適應尺度調節因子；J為分解的總層數。上式中分別以αj和(1+αj)在各低尺度和最高尺度替換式10中確定的經驗數值k，從而通過調節參數α的大小使得各層閾值得到自適應調節，避免了原閾值選取不夠靈活的缺陷，使得各高頻子帶的噪聲Curvelet系數和原始圖像信號Curvelet系數能夠更好地得到分離，達到更好的去噪效果。

文中J和α的取值分別為6和0.46。

3.2 閾值函數的選擇

(12)

3.3 改進算法步驟

(1)運用基于Wrapping的快速離散算法，對含噪圖像進行Curvelet變換，從而得到各尺度各方向的Curvelet系數cD(j,l,k)；

4 實驗結果與分析

為驗證基于Wrapping的自適應閾值和改良折衷閾值函數的算法的優越性，選取指紋數據庫中340×389的指紋圖像作為實驗對象。對比三種算法的去噪結果：Curvelet硬閾值去噪、Curvelet軟閾值去噪、Curvelet軟硬折衷閾值去噪(簡稱算法一、二、三)。選取峰值信噪比和去噪后的視覺效果作為評價指標。

PSNR的定義為：

(13)

圖2是指紋圖像在標準差σ=20的高斯白噪聲情況下，利用各種去噪算法得到的指紋圖像。可以看出，幾種Curvelet去噪算法都能對噪聲起到很好的抑制作用。但算法二的去噪效果相較于其他幾種算法視覺效果較差，出現了輕微的模糊失真。從表1的軟閾值去噪后的PSNR值略低于其他幾種算法也可得到驗證。因此在實際應用中更傾向于硬閾值去噪方法。文中提出的方法利用自適應閾值和改進閾值函數的方法更好地將噪聲Curvelet系數去除，從而更為有效地保留了各個高頻子帶原始指紋圖像Curvelet系數，保持了圖像的邊緣部分和紋理細節信息，改善和提升了視覺效果，去噪效果更接近原指紋圖像。

表1給出了指紋圖像加入不同方差的高斯白噪聲時，各種去噪算法的峰值信噪比的比較結果。可以看出，算法一，三去噪水平相當，但要優于算法二。文中算法使得去噪后的信噪比相較于其他三種算法具有較大的提高，去噪效果明顯。

表1 指紋含噪圖像和去噪后指紋圖像峰值信噪比對比結果 dB

5 結束語

文中提出一種改進的多尺度自適應閾值選取方案，并與新型的閾值函數相結合，采用基于Wrapping的快速離散Curvelet變換算法進行指紋圖像去噪，克服了傳統軟、硬閾值去噪的不足之處，不僅使得去噪后的圖像邊緣紋理細節得到了更好的保持，而且使圖像信噪比顯著提高約1 dB左右，獲得了更好的視覺效果，展現了Curvelet多尺度幾何分析工具在指紋圖像預處理領域較好的應用前景和極有價值的探索意義。

參考文獻:

[1] DONOHO D L.Orthonormal Ridgelets and linear singularities[J].SIAM Journal on Mathematical Analysis,1998,31(5):1062-1099.

[5] 李 雷.一種基于Curvelet相關圖紋理圖像檢索方法[J].電子技術應用,2016,42(7):119-121.

[6] 郝紅俠,劉 芳,焦李成.基于Curvelet多方向差和多尺度積的圖像去噪[J].華中科技大學學報:自然科學版,2013,41(12):39-43.

[7] 何玉杰,李 敏,呂 東,等.一種基于Curvelet變換的紅外圖像去噪方法[J].計算機工程與應用,2011,47(32):191-193.

[8] ZAHRA N, SIDDIQI A H. Denoising of MR images using curvelet transform[J].International Journal of Applied Engineering Research,2015,10(14):34521-34526.

[9] STARCK J L, CANDS E J,DONOHO D L. The curvelet transform for image denoising[J].IEEE Transactions on Image Processing,2002,11(6):670-684.

[10] 吳芳平,狄紅衛.基于Curvelet變換的軟硬閾值折衷圖像去噪[J].光學技術,2007,33(5):688-690.

[11] 柳慧譜,呂 健,潘偉杰,等.基于第二代Curvelet變換的自適應閾值去噪研究[J].微型機與應用,2014,33(10):76-79.

[12] 朱 為,李國輝,涂 丹.一種基于第2代曲波變換的尺度相關圖像去噪方法[J].中國圖象圖形學報,2008,13(12):2281-2285.

[13] 徐 杰,崔崤峣,向永嘉,等.分布相關的曲波閾值超聲圖像去噪方法[J].計算機工程與應用,2015,51(19):189-193.

[14] KAMBLE V M,PARLEWAR P,KESKAR A G,et al.Performance evaluation of wavelet,ridgelet,curvelet and contourlet transforms based techniques for digital image denoising[J].Artificial Intelligence Review,2016,45(4):509-533.

[15] 姚勝南,金 野,唐降龍.基于USFFT Curvelet變換圖像去噪算法[J].智能計算機與應用,2011,1(3):17-19.

[16] 都伊林,白直燦.第二代曲波變換的圖像降噪新算法[J].聲學技術,2010,29(3):331-335.