1 内容介绍
隐马尔可夫模型(HMM)是一种用参数表示的用于描述随机过程统计特性的概率模型，由马尔可夫链演变而来。HMM是一种双层结构的模型［6］，一层是状态转移过程，由一个一阶离散马尔可夫过程来描述，由状态转移矩阵表示，满足马尔可夫假设;另一层是可见的随机过程的状态(或状态跳转)产生观测矢量的过程，用观测矢量概率分布表示。对于任意一个随机事件，如图1所示，有一组观测值序列O1，O2，…，OT，该事件还隐含着一个状态序列Q1，Q2，…，QT。虚线上方是随机事件状态的转移情况，通过转移矩阵来描述，满足马尔可夫性;虚线下方是能够得到的观测值，满足输出独立性假设。1998年，Crouse和Nowak对隐马尔可夫的链式结构进行了扩展，并结合小波变换与多尺度马尔科夫模型，提出了小波域隐马尔可夫树模型。HMT模型可以看作是一种树状的HMM模型，因此能够很好地描述小波系数的统计特征，目前，已广泛应用于信号检测与估计、图像去噪和图像分割等方面。
2 部分代码
%load lena512;
pepper=imread('peppers.png');
pepper=double(pepper)/256;
sigma = 0.1; %noise standard deviation
hh = daubcqf(4); %wavelet filter
x = pepper + sigma*randn(size(pepper));
disp(['PSNR of noisy image is ' num2str(psnr(pepper,x)) 'dB']);
y=hdenoise(x,hh);
disp(['PSNR of denoised image is ' num2str(psnr(pepper,y)) 'dB']);
figure(1);
subplot(121)
image(x*255+1);
colormap(gray(256));
axis square;
title('Noisy image');
subplot(122)
image(y*255+1);
colormap(gray(256));
axis square;
title('Denoised image');
3 运行结果
4 参考文献
[1]汪西原. 快速小波域隐马尔可夫模型的图像去噪[J]. 宁夏大学学报：自然科学版, 2003, 24(4):4.
