基于密度聚類與灰度變換的NSST域聲吶圖像去噪

劉光宇 曾志勇 曹禹 趙恩銘 邢傳璽

摘要：傳統圖像去噪方法在去除聲吶圖像斑點噪聲的同時，難以有效保留細節特征.針對該問題，提出一種基于密度聚類與灰度變換的非下采樣剪切波域圖像去噪方法.利用非下采樣剪切波變換將含噪圖像分解為高頻系數和低頻系數，根據聲吶圖像中斑點噪聲的分布特性，采用基于密度的噪聲應用空間聚類（Density-based Spatial Clustering of Applications with Noise，DBSCAN）算法對高頻系數進行處理，分離噪聲信號，保留細節信息；對低頻系數進行灰度變換，以增強圖像對比度.通過非下采樣剪切波逆變換對處理后的高頻系數和低頻系數進行重構，實現圖像去噪.實驗結果表明，本文方法在改善圖像均方誤差、峰值信噪比和結構相似度等指標上效果明顯，去噪后圖像的視覺效果和邊緣保持能力得到較大提升.隨著噪聲方差的逐漸增大，本文方法的優越性得到進一步體現，適用于具有高密度噪聲的聲吶圖像去噪.

關鍵詞：圖像去噪；斑點；聚類算法；非下采樣剪切波變換；灰度變換

中圖分類號：TP391文獻標志碼：A

Sonar Image Denoising Based on Density Clustering and Gray Scale Transformation in NSST Domain

LIU Guangyu1，ZENG Zhiyong1，CAO Yu1，ZHAO Enming2，XING Chuanxi3

（1. School of Engineering，Dali University，Dali 671003，China；2. College of Physics and Optoelectronic Engineering，Harbin Engineering University，Harbin 150001，China；3. School of Electrical Information Engineering，Yunnan Nationalities University，Kunming 650031，China）

Abstract：Traditional image denoising methods are difficult to effectively retain detailed features while filtering the speckle noise of sonar images. To overcome this problem，an image denoising method based on density clustering and grayscale transformation in a non-subsampled shearlet domain is proposed. Non-subsampled shearlet transform is used to decompose the noisy image into high-frequency coefficients and low-frequency coefficients. According to the distribution characteristics of speckle noise in the sonar image，the Density-based Spatial Clustering of Applications with Noise（DBSCAN）algorithm is used to process high-frequency coefficients to separate noise interferenceand retain detailed information. Gray-scale transformation is performed on the low-frequency coefficients to enhance image contrast. Finally，the processed high-frequency coefficients and low-frequency coefficients are reconstructed by non-subsampled shearlet inverse transformation to achieve image denoising. The experimental results show that the method is effective in improving the image s mean square error，peak signal-to-noise ratio，structural similarity，and so on. After denoising，the visual effect and edge retention ability of the image are greatly improved. With the gradual increase of the noise variance，the superiority of this method is further manifested，and it is suitable for the denoising of sonar images with high-density noise.

Key words：image denoising；speckle；clustering algorithms；Non-subsampled Shearlet Transform（NSST）；gray scale transformation

隨著經濟社會的發展和相關技術的成熟，人們探索海洋的欲望越來越強烈.聲吶探測技術作為海洋探索的基本手段，在海底地形測繪、水下目標物體探測以及生物種群監測方面都發揮著重要作用[1].由于受海風、洋流、水溫、雜質以及成像設備等影響，使用聲吶探測技術得到的圖像中通常包含各種類型的噪聲，主要表現為顆粒狀的斑點，尤其在淺海區域，該現象更為嚴重[2]斑點噪聲的存在導致圖像質量嚴重下降，對后續的圖像處理產生不利影響[3].因此，如何有效去除圖像中的噪聲成了人們研究的熱點.與光學圖像一樣，聲吶圖像中常見的去噪方法主要包括空間域去噪法（如均值濾波、中值濾波和維納濾波等）和變換域去噪法（如小波變換、脊波變換和輪廓波變換等）[4].其中變換域去噪法因其復雜程度低，且具有良好的邊緣保持能力而更受相關研究者們的關注[5].

近年來，剪切波作為變換域中一種新的多尺度幾何分析工具在各種圖像去噪方法中脫穎而出，以其結構簡單，對多維數據的各向異性特征近乎最優的稀疏表示而深受人們的青睞[6].由于剪切波變換后圖像存在一定程度的偽吉布斯現象[7]，因此，Easley等人在其基礎上進行改進，提出了非下采樣剪切波變換[8].2020年，Routray等把非下采樣剪切波和雙邊濾波進行結合，構建了一種新的圖像去噪模型[9]；同年，Morteza等提出了基于TLS（t-locations scale）和非下采樣剪切波的噪聲濾波方法[10].這些方法在保持剪切波原有優點的同時，提高了圖像的峰值信噪比和結構相似度，降低了均方誤差，克服了圖像中出現的偽吉布斯現象，使圖像的質量得到進一步提升.

由于聲吶圖像的噪聲特性與光學圖像、紅外圖像等存在差異，直接運用光學圖像和紅外圖像等的去噪方法將難以使聲吶圖像達到理想的去噪效果. 斑點噪聲在聲吶圖像中的分布呈現密度不一的特點，主要集中在混響區域和目標區域，在陰影區域密度較小[11]，與常見的噪聲類型相比，其復雜性更強. 聚類算法在圖像處理中已有成功應用.其中，DBSCAN（Density-based Spatial Clustering of Applications with Noise）算法可根據數據的分布特性自主計算鄰域值，利用數據內部的聚集性和連通性可實現更為準確和高效的數據分類[12].

本文把非下采樣剪切波變換與DBSCAN密度聚類相結合，利用灰度變換對聲吶圖像進行處理，構建一種新的圖像去噪模型.該模型在去除斑點噪聲和緩解偽吉布斯現象的同時，進一步保持了圖像的邊緣細節特征，對提高圖像峰值信噪比、結構相似度和降低均方誤差等擁有明顯的效果.

1基本理論

1.1噪聲模型

根據噪聲與信號的關系，圖像的噪聲類型可分為加性噪聲和乘性噪聲[13].聲吶圖像中常見的噪聲類型為乘性斑點噪聲，其模型可描述為：

（x，y）=n（x，y）（x，y）（1）

式中：（x，y）為含有噪聲的圖像；n（x，y）為原始圖像；q（x，y）為噪聲信號.乘性斑點噪聲通常服從瑞利分布，與光學圖像中常見的加性高斯噪聲相比，具有起伏劇烈、均勻度較低以及存在較大不確定性等特點，處理起來更為困難[14].加性高斯噪聲和乘性斑點噪聲在圖像中的分布如圖1所示.

1.2剪切波變換

剪切波變換（Shearlet Transform，ST）是在合成小波變換基礎上發展的數學算法，可通過對基函數實行伸縮、平移和剪切等操作生成所需的剪切波函數，是一種接近最優的多維函數稀疏表示方法[15].

當維數n=2時，剪切波的仿射系統為：

則A_AB（ψ）系統中的元素ψ就稱為合成小波，其中膨脹矩陣A^j代表尺度變換，矩陣B^l代表幾何變換.通過上述仿射變換，系統可以構造各個尺度和各個方向上的緊支撐框架[16].令式（2）中的A為各向異性的膨脹矩陣，B為剪切矩陣，通常情況下：

當a=4，s=1時，

此時的合成小波被稱為剪切波[17].剪切波是一個帶有尺度、方向和位置的函數集合.在頻域中，不同尺度的剪切波在其頻域支撐下，表現為近似2^2j×2^j大小的梯形形狀.剪切波基函數的支撐區域可以隨著尺度的長寬比發生變化，能夠最優地表示圖像的內在幾何結構，其頻域剖分和頻域支撐示意圖如圖2所示.圖2（a）中的ξ₁和ξ₂為剪切波頻域剖分的尺度參數.

1.3非下采樣剪切波變換

傳統剪切波變換在多尺度分解過程中存在下采樣操作，容易導致細節信息丟失，重構后的圖像極易產生偽吉布斯現象.非下采樣剪切波變換（Nonsubsampled Shearlet Transform，NSST）的出現解決了上述問題，在保持傳統剪切波良好的局部性、方向敏感性、最佳稀疏性等特性的同時，有效緩解了頻譜混疊現象[18].

非下采樣剪切波變換的離散化過程分為多尺度分解和方向局部化兩部分[19]：

1）多尺度分解：利用非下采樣金字塔濾波器（Non-subsampled Pyramid Filter，NSPF）將圖像分解為k+1個與原圖像大小相同的子帶圖像，其中包括1個低頻子帶圖像和k個高頻子帶圖像.

2）方向局部化：標準的剪切波變換中使用的剪切濾波器（Shear Filter，SF）是在偽極化坐標系中通過窗函數的平移操作實現的，此過程中包含下采樣操作，不具備平移不變性.而非下采樣剪切波變換將標準的剪切濾波器從偽極化網絡系統映射回到笛卡爾坐標系統，摒棄下采樣操作，實現了平移不變性.

非下采樣剪切波的具體實現過程：首先，采用非下采樣金字塔濾波器將圖像分解為低頻子帶圖像和高頻子帶圖像.其次，對高頻子帶圖像構建Meyer窗，進行方向局部化，獲得不同的方向子帶.最后，對每一個方向子帶進行傅立葉逆變換，以獲得非下采樣剪切波系數.NSST二級分解示意圖如圖3所示.

1.4密度聚類

DBSCAN密度聚類作為聚類中常見的算法，因其具有識別任意形狀的簇、不需要事先設置簇的數量以及能夠識別噪聲點等優點，受到人們的青睞[20].它的基本思想是定義一個簇為所有緊密連接的數據點的最大集合，在以某個數據點為圓心，以ε為半徑的區域內，DBSCAN通過區域查詢，判斷該區域包含的數據點個數是否大于設定的密度閾值δ，如果大于該數值，則創建一個新的簇，然后把相關聯的簇進行合并.如果某個對象不在任何簇中，則該對象被視為噪聲點，從而達到分類的目的[21].基于參數ε和δ，給出數據集D={x₁，x₂，…，x_m}，其中x_i∈D，x_j∈D.DBSCAN密度聚類算法有以下基本概念[22]：

1）核心對象：若以x_j為圓心，ε為半徑的區域內至少包含δ個樣本，則稱x_j為核心對象；

2）密度直達：若x_j位于以x_i為圓心，ε為半徑的區域內，且x_i為核心對象，則稱x_j由x_i密度直達；

3）密度可達：若存在樣本序列K₁，K₂，…，K_n，其中K₁=x_i，K_n=x_j且K_i+1由K_i密度直達，則稱x_j由x_i密度可達；

4）密度相連：若存在x_h均可使x_i和x_j由x_h密度可達，則稱x_i和x_j密度相連.

當δ=3時，DBSCAN密度聚類示意圖如圖4所示.其中，虛線圈內的區域是以ε為半徑的區域，x₁為核心對象，x₂由x₁密度直達，x₃由x₁密度可達，x₃與x₄密度相連.

1.5灰度變換

灰度變換是指將原圖像中的灰度值映射到另一灰度值，其中比例線性變換、分段線性變換是常見的映射函數[22].由于分段線性變換在一定的灰度值區間內具有不同的變換函數，比單一的線性變換函數更為靈活和更具針對性，可根據需求拉伸圖像每一部分的灰度值，達到增強圖像質量，提高對比度的效果.分段線性變換函數示意圖如圖5所示.

2NSST域聲吶圖像去噪

本文結合非下采樣剪切波變換、DBSCAN密度聚類和灰度變換對聲吶圖像進行去噪，具體去噪步驟如下：

1）利用非下采樣金字塔濾波器對含噪圖像進行4層分解，分解為1層低頻子帶圖像和4層高頻子帶圖像，同時通過剪切濾波器把4層高頻子帶圖像分別分為2³、2³、2⁴和2⁴個方向.含噪圖像及其高低頻子帶圖像如圖6所示.

從圖6中可以看出，含噪圖像經過分解后，原始信息被分解到不同層次.其中，低頻子帶圖像包含了原始信息的主要能量，高頻子帶圖像包含了大量細節信息和噪聲信號.隨著分解層數的增加，細節信息和噪聲信號越來越集中.因此，將更高層次的子帶圖像分成多個方向，以精準捕獲每個方向上的細節特征.

2）根據斑點噪聲在聲吶圖像中的分布特性，利用DBSCAN密度聚類對每一層的高頻子帶圖像進行聚類處理，δ的取值通常為N+1，其中N為數據的維度.通過調節ε值，將信號劃分為細節信號和噪聲信號，對噪聲信號進行零值處理，保留細節信號.

3）低頻子帶圖像中通常不包含噪聲干擾，因此，只需對其對比度進行調整.利用灰度變換中的分段函數對低頻子帶圖像進行灰度拉伸，進一步提升圖像的整體視覺效果.

4）利用非下采樣剪切波逆變換對處理后的高頻子帶圖像和低頻子帶圖像進行重構，得到恢復后的圖像.

整體去噪流程圖如圖7所示.

3實驗結果與分析

實驗1選取大小為256×256的沉船圖像[（圖8（a）]作為實驗對象，對其添加方差為0.5的斑點噪聲，運用本文所提方法對其進行處理.得到重構后的圖像與變換域中的小波變換（Wavelet Transform，WT）、脊波變換（Ridgelet Transform，RT）、輪廓波變換（Con- tourlet Transform，CT）、剪切波變換（Shearlet Transform，ST）和非下采樣剪切波變換（Non-subsampled Shearlet Transform，NSST）去噪法的去噪結果進行對比.對比結果如圖8所示.

從圖8（c）（d）（e）可以看出，通過小波變換、脊波變換和輪廓波變換去噪后，圖像中的斑點噪聲得到一定程度的去除，但同時圖像整體出現了模糊，細節信息丟失嚴重.在圖8（f）中，通過剪切波變換去噪后，圖像中的噪聲明顯減少，但其邊緣保持能力不足，影響了圖像的質量.在圖8（g）中，通過非下采樣剪切波變換處理后，圖像中的偽吉布斯現象得到明顯改善，邊緣保持能力相比剪切波去噪法有了較大的提升.在圖8（h）中，采用DBSCAN密度聚類、灰度變換與非下采樣剪切波變換相結合的方法進行處理后，圖像中的噪聲得到有效濾除，邊緣輪廓和細節特征得到準確捕捉，失真程度明顯小于小波變換（WT）、脊波變換（RT）、輪廓波變換（CT）、剪切波變換（ST）和非下采樣剪切波變換（NSST）去噪法，從直觀視覺的角度證明了該方法的優越性.

為進一步客觀具體地評估所提出的方法，對圖8（b）中的含噪圖像（Noisy Image，NI）重復實驗20 次，計算去噪后圖像的質量評價指標[24]，即均方誤差（Mean Squared Error，MSE）、信噪比（Signal to Noise Ratio，SNR）、峰值信噪比（Peak Signal to Noise Ratio，PSNR）和結構相識度（Structural Similarity，SSIM）的平均值，并通過數據對圖像質量進行判斷.MSE值、SNR值、PSNR值和SSIM值的計算公式分別如下：

式中：O_MSE表示MSE的值；m×n表示圖像的大??；I（i，j）為原始圖像；R（i，j）為重構后的圖像.MSE值越小表明圖像質量越好.

式中：Q_SNR表示SNR的值.

式中：Q_PSNR表示PSNR的值；L_max表示原始圖像I（i，j）的最大灰度值.與SNR值一樣，PSNR值越大表明圖像失真程度越小，圖像質量越好.

式中：Q_SSIM表示SSIM的值；u_x、u_y分別為圖像x和y的均值；σ_x、σ_y分別為圖像x和y的標準差.SSIM是衡量兩幅圖像相似度的指標，其值越大表明兩幅圖像越相似.

經過多次實驗后，沉船圖像的均方誤差（MSE）、信噪比（SNR）、峰值信噪比（PSNR）和結構相識度（SSIM）的平均值如表1所示.

從表1中的數據可以明顯看出，采用小波變換（WT）、脊波變換（RT）和輪廓波變換（CT）去噪后，圖像的SNR值和PSNR值有一定程度的提升，但SSIM值效果不理想，圖像失真較為嚴重.采用剪切波變換（ST）去噪后，SNR值、PSNR值和SSIM值分別提升了232.87%、59.85%和60.73%，MSE值下降了86.46%.采用非下采樣剪切波變換（NSST）去噪后，SNR值、PSNR值和SSIM值分別提升了253.05%、65.04%和65.39%，MSE值下降了88.40%，去噪效果好于剪切波變換.運用密度聚類、灰度變換和非下采樣剪切波變換相結合的方法處理后，圖像的SNR值從3.702 8 dB提升至13.855 7 dB，提升了274.20%；PSNR值從14.406 8 dB 提升至24.559 7 dB，提升了70.47%；SSIM 值從0.328 2 提升至0.565 2，提升了72.21%；MSE值從0.036 2下降至0.003 5，下降了90.33%.本文方法的SNR值、PSNR值和SSIM值提升的幅度以及MSE值下降的幅度均大于小波變換（WT）、脊波變換（RT）、輪廓波變換（CT）、剪切波變換（ST）和非下采樣剪切波變換（NSST）去噪法，從客觀數據表明，本文方法在上述6種變換域去噪法中去噪效果最好，失真程度最小，邊緣保持能力最強.

實驗2為進一步驗證本文方法在不同噪聲密度條件下的客觀性和優越性，利用公共圖像數據集進行實驗，并與現有文獻方法進行對比.將圖9中的公共圖像數據集添加方差分別為0.3、0.4、0.5和0.6 的斑點噪聲，運用文獻［25］的BM3D算法、文獻［26］的PGPD算法、文獻［27］的EPLL-GMM算法、文獻［28］的ACVA算法和本文所提方法進行去噪處理，得到去噪后圖像的MSE、SNR、PSNR和SSIM的平均值如表2所示.

從表2中的數據可知，本文所提方法在噪聲方差分別為0.3、0.4、0.5和0.6的情況下，MSE值分別下降了89.76%、91.21%、91.40%和91.64%；SNR值、PSNR值和SSIM值分別提升了164.34%、197.74%、223.60%、247.41%、86.42%、97.90%、103.25%、110.20%和293.32%、345.45%、387.73%、422.05%.各項指標的變化幅度隨噪聲方差的增大而逐漸提升，并且其值均優于文獻［25-28］的去噪方法，表明本文方法在去除聲吶圖像斑點噪聲中擁有明顯優勢.通過折線圖進一步展示各項評價指標的變化趨勢，趨勢圖如圖10所示.

圖10中，隨著噪聲方差的增大，BM3D、PGPD、EPLL-GMM、ACVA和本文所提方法的MSE值呈上升趨勢，SNR值、PSNR值和SSIM值呈下降趨勢.其中，BM3D的MSE值在5種去噪方法中保持最大，SNR值和PSNR值保持最小，表明其去噪效果不太理想；ACVA的SNR值、PSNR值和SSIM值均大于PGPD和EPLL-GMM算法，表明其去噪效果好于PGPD和EPLL-GMM算法；本文去噪法的各項指標變化平穩，始終優于其他4種去噪方法，并且其優勢隨噪聲方差的增大而更加明顯，證明了本文方法更適用于具有高密度噪聲的聲吶圖像去噪.不同方法的去噪效果如圖11所示.

在圖11中，含噪圖像分別通過BM3D、PGPD、EPLL-GMM、ACVA和本文方法進行去噪處理后，圖像質量得到了不同程度的提升.其中BM3D算法去除了圖像中的部分斑點噪聲，但效果還不夠理想；PGPD和EPLL-GMM算法噪聲去除明顯，但細節信息丟失較為嚴重，影響了圖像的質量；ACVA算法的邊緣保持能力得到較大的提升，但與本文方法相比還存在一定差距.

除了MSE、SNR、PSNR和SSIM等常用指標，時間復雜度也是評價圖像去噪算法的重要標準.運用搭載Intel Core i5-6200處理器和4 GB運行內存的計算機在MATLAB R2019b平臺上進行多次試驗，得到不同算法的平均運行時間如表3所示.

由表3可知，BM3D的平均運行時間為0.853 8 s，時間復雜度低，但卻以犧牲去噪性能為代價；本文方法平均運行時間為2.594 1 s，明顯低于PGPD、EPLL- GMM和ACVA去噪算法，驗證了本文方法較強的去噪實時性.

4結論

本文對聲吶圖像去噪方法進行研究，提出一種基于密度聚類與灰度變換的非下采樣剪切波域圖像去噪方法，該研究可總結為：

1）利用非下采樣剪切波變換的局部化特性、方向敏感性、最優稀疏表示特性和平移不變性等特點降低去噪后圖像的失真程度，緩解偽吉布斯現象，降低了時間復雜度；

2）對聲吶圖像的噪聲特性進行分析，選擇適合其分布的DBSCAN聚類算法，有效分離圖像中的噪聲干擾，增強圖像的邊緣保持能力；

3）利用灰度變換中的分段函數增強圖像的對比度，提升了視覺效果；

4）仿真試驗表明，本文方法在均方誤差、峰值信噪比和結構相似度等指標上優于傳統變換域和文獻[25-28]中的去噪方法，并且在高密度噪聲條件下其優勢更為明顯，適用于噪聲干擾嚴重的聲吶圖像去噪.

參考文獻

[1]趙歡.多尺度多特征融合的聲吶圖像目標檢測[D].西安：西安理工大學，2019：1-2.

ZHAO H. Sonar image target detection based on multi-scale and multi-feature fusion [D]. Xi'an：Xi'an University of Technology，2019：1-2.（In Chinese）

[2]朱莉娟.基于聲吶圖像斑點噪聲的降噪算法研究[D].大連：大連海事大學，2019：6-7.

ZHU L J. Research on de-noising algorithm based on sonar image speckle noises [D]. Dalian：Dalian Maritime University，2019：67.（In Chinese）

[3] YUAN F，XIAO F Q，ZHANG K H，et al. Noise reduction for sonar images by statistical analysis and fields of experts [J]. Journal of Visual Communication and Image Representation，2021，74：102995

[4]荊方，劉增力.基于改進的雙邊濾波與非下采樣剪切波變換的圖像去噪[J].通信技術，2019，52（1）：80-85.

JING F，LIU Z L. Image denoising based on improved bilateral filtering and non-subsampled shearlet transform [J]. Communications Technology，2019，52（1）：80-85.（In Chinese）

[5] GOYAL B，DOGRA A，AGRAWAL S，et al. Two-dimensional gray scale image denoising via morphological operations in NSST domain &bitonic filtering [J]. Future Generation Computer Systems，2018，82：158-175

[6]劉興斌.基于非下采樣剪切波變換的醫學圖像融合算法研究[D].北京：北京理工大學，2017：15-17.

LIU X B. Research on medical image fusion algorithms based on non-subsampled shearlet transform [D]. Beijing：Beijing Institute of Technology，2017：15-17 （In Chinese）

[7] EL-HOSENY H M，EL-RAHMAN W A，EL-SHAFAI W，et al Efficient multi-scale non-sub-sampled shearlet fusion system based on modified central force optimization and contrast enhancement[J]. Infrared Physics & Technology，2019，102：102975

[8] EASLEY G，LABATE D，LIM W Q. Sparse directional image representations using the discrete shearlet transform[J]. Applied and Computational Harmonic Analysis，2008，25（1）：25-46

[9] ROUTRAY S，MALLA P P，SHARMA S K，et al. A new image denoising framework using bilateral filtering based non-subsampled shearlet transform[J]. Optik，2020，216：164903

[10] MORTEZA A，AMIRMAZLAGHANI M. A novel statistical approach for multiplicative speckle removal using t-locations scale and non-sub sampled shearlet transform[J]. Digital Signal Processing，2020，107：102857

[11]張家發.噪聲估計算法在側掃聲吶圖像去噪中的應用研究[D].青島：國家海洋局第一海洋研究所，2018：11-13.

ZHANG J F. Application of noise estimation algorithm in side scan sonar image denoising[D]. Qingdao：First Institute of Oceanography，State Oceanic Administration，2018：11-13. （In Chinese）

[12] MOLAE F. Provide a web recommender system to improve searchquality using dbscan clustering algorithms and svm machine tracking method [J]. Journal of Information Technology &Software Engineering，2021，11（3）：1-7.

[13]王加忠，潘振寬，魏偉波，等.彩色圖像乘性噪聲去除的高階變分模型[J].計算機仿真，2020，37（2）：443-448.

WANG J Z，PAN Z K，WEI W B，et al. High-order variational model for color image multiplicative noise removal[J]. Computer Simulation，2020，37（2）：443-448. （In Chinese）

[14] MEHTA N，PRASAD S. Speckle noise reduction and entropy minimization approach for medical images [J]. International Journal of Information Technology，2021，13（4）：1457-1462.

[15]劉巧紅，林敏，李廣超.非下采樣Shearlet域多變量模型的圖像去噪[J].西華大學學報（自然科學版），2018，37（6）：26-31.

LIU Q H，LIN M，LI G C. Image denoising using multivariate model based on non-subsampled shearlettransfrom [J]. Journal of Xihua University （Natural Science Edition），2018，37（6）：2631.（In Chinese）

[16]胡躍輝，姚子賢，方勇，等.基于離散剪切波變換的傅里葉疊層成像算法研究[J].電子技術與軟件工程，2021（5）：130-133.

HU YH，YAO Z X，FANG Y，et al. Research on fourier stack imaging algorithm based on discrete shearlet transform[J]. Electronic Technology & Software Engineering，2021（5）：130-133. （In Chinese）

[17]劉明君，董增壽，張鳳珍.基于改進的非下采樣剪切波變換多聚焦圖像融合技術的研究[J].儀表技術與傳感器，2017（9）：114-117.

LIU M J，DONG Z S，ZHANG F Z. Research of multi-focus image fusion technology based on improved non-subsampled shear- let transform[J]. Instrument Technique and Sensor，2017（9）：114-117.（In Chinese）

[18] DIWAKAR M，SINGH P. CT image denoising using multivariate model and its method noise thresholding in non-subsampled shear- let domain[J]. Biomedical Signal Processing and Control，2020，57：101754.

[19]李亮亮.基于非下采樣剪切波變換的圖像增強算法研究[D].長春：吉林大學，2019：21-28.

LI L L. The research of image enhancement algorithm based on non-subsampled shearlet transform[D]. Changchun：Jilin University，2019：21-28. （In Chinese）

[20] ZHU Q D，TANG X M，ELAHI A. Application of the novel harmony search optimization algorithm for DBSCAN clustering[J]. Expert Systems With Applications，2021，178：115054.

[21]汪鵬，劉澤玲，王利琴，等.基于PB-DBSCAN的GPS數據去噪[J].計算機工程與設計，2021，42（3）：678-683.

WANG P，LIU Z L，WANG L Q，et al. GPS data denoising based on PB-DBSCAN[J]. Computer Engineering and Design，2021，42（3）：678-683.（In Chinese）

[22]唐菓，鄧興升，王清陽.基于密度聚類的點云濾波算法研究[J].激光與光電子學進展.2022，59（16）：162803.

TANG G，DENG X S，WANG Q Y. Research on point cloud filtering algorithm based on density clustering[J]. Laser and Optoelectronics Progress. 2022，59（16）：162803.（In Chinese）

[23]周飛.基于NSCT和剪切波變換的圖像增強算法的研究[D].烏魯木齊：新疆大學，2017：7-9.

ZHOU F. The research on image enhancement algorithm based on NSCT and shearlet transform [D]. Urumqi：Xinjiang University，2017：7-9. （In Chinese）

[24]侯春萍，李浩，岳廣輝.局部和全局特征融合的色調映射圖像質量評價[J].湖南大學學報（自然科學版），2019，46（8）：132-140.

HOU C P，LI H，YUE G H. Quality assessment of tone-mapped images using local and global features[J]. Journal of Hunan University（Natural Sciences），2019，46（8）：132-140.（In Chinese）[25] DABOV K，FOI A，KATKOVNIK V，et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing，2007，16（8）：2080-2095.

[26] ZORAN D，WEISS Y. From learning models of natural image patches to whole image restoration [C]//2011 International Conference on Computer Vision. Barcelona，Spain：IEEE，2011：479-486.

[27] XU J，ZHANG L，ZUO W M，et al. Patch group based nonlocal self-similarity prior learning for image denoising[C]//2015 IEEE International Conference on Computer Vision. Santiago，Chile：IEEE，2015：244-252.

[28] ZHAO W Z，LIU Q G，LV Y S，et al. Texture variation adaptive image denoising with nonlocal PCA[J]. IEEE Transactions on Image Processing，2019，28（11）：5537-5551.