利用小波包进行图像消噪处理.docVIP

利用小波包进行图像消噪处理 分析 图像消噪在信号处理中是一个经典的问题，传统的消噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是消噪效果不够好。随着小波理论的日益完善，它以自身良好的时频特性在图像消噪领域受到越来越多的关注，开辟了用非线性方法消噪的先河。小波能够用于图像消噪主要是由于小波变换具有如下特点： 1)低熵性：小波系数的稀疏分布，使图像变换后的熵降低； 2)多分辨率特性：由于采用了多分辨率的方法，可以非常好地刻画信号的非平稳性，如突变等，可以在不同分辨率下根据信号和噪声的分布来去除噪声； 3)去相关性：小波变换可对信号去相关，且噪声在变换后有白化趋势，小波域比时域更利于去噪； 4)基函数选择灵活：小波变换可以灵活选择函数，也可以根据信号特点和降噪要求选择多带小波、小波包等，对不同的场合，可以选择不同的小波母函数。 在小波包标架中，其信号消噪的算法思想与在小波标架中的基本一样，唯一不同的是小波包分析提供了一种更为复杂、更为灵活的分析手段，因为小波包分析对上一层的低频部分和高频部分同时进行进一步的细分，具有更为精确的局部分析能力。对一个信号进行一次小波包分解，可以采用很多种小波包基，根据分析信号的要求，从中选择最好的一种小波包基，即最优基。在MATLAB中可以通过函数besttree来完成，即计算最优树。 利用小波包分析进行图像消噪处理一般按如下四步进行： (1)信号的小波包分解。选择一个小波并确定一个小波分解的层次N，然后对信号S进行N次层小波分解。 (2)计算最优树，确定最优小波包基。 (3)小波包分解系数的阈值量化。对于每一个小波包分解系数，选择一个适当的阈值并对其系数进行量化。 (4)小波包重构。根据第N层的小波包分解系数和经过量化处理系数，进行小波包重构。 在这四个步骤之中，最关键的就是如何选取阈值和如何进行阈值的量化，从某种程度上说，它直接关系到信号消噪的质量。实际应用中，可采用ddencmp函数和wpdencmp函数进行默认阈值消噪，由于这两个函数都是基于小波包分析的函数，内部调用了二维小波包分解函数wpdec2以及二维小波包重构函数wprec2，使用起来十分方便，代码相当简练。下面通过一个实例来说明。 程序： 对一图像用小波包进行消噪处理 Matlab程序如下： load woman; %画出原始图 subplot(2,2,1); image(X); colormap(map); title(原始图象);axis square %产生噪声图象 init=2055615866; randn(seed,init); x=X+10*randn(size(X)); %画出含噪声图象 subplot(2,2,2); image(x); color(map); title(含噪图象);axis square %消噪处理 %设置wpdencmp消噪函数参数 thr=10;sorh=s; crit=shannon; keepapp=0; %利用全局阀值选项来进行图象消噪 xd=wpdencmp(x,sorh,3,sym4,crit,thr,keepapp); %画出消噪后的图象 subplot(2,2,3); image(xd); colormap(map); title(全局阀值消噪后的图象);axis square %对图象进行平滑处理 %对图象进行中值滤波处理 for i=2:1:119 for j=2:1:175 temp=0; for m=1:3 for n=1:3 temp=temp+xd(i+m-2,j+n-2); end end temp=temp/9;xd(i,j)=temp; end end %画出平滑后的图象 subplot(2,2,4); image(xd);colormap(map); title(平滑图象);axis square 三、图像处理结果： 实验采用全局阈值消噪，即各层系数在统一的阈值下，图像效果并不理想，基于白噪声的分布情形，对图像进行中值滤波处理，使图像有更好的恢复。 四、结语 通过上述的示例，可以看出MATLAB作为信号处理工具的强大功能及开发工具的方便快捷，它突出的特点是简洁，指令的表达与数学、工程中常用的习惯形式十分一致，编程的特点更贴近人们的思维方式。将MATLAB的数字信号处理工具箱与工程实际相结合，将大大提高研究进度并开创更广阔的研究空间。 采用基于小波包最佳基变换的图像具有较高图像数据处理能力，并且取得了较好消噪效果。与常用的信号统计、短时Fourier变换方法及小波变换方法相比，采用这种方法具有明显的优