基于小波阈值的海上遥感溢油图像去噪理论研究.pdfVIP

基于小波阈值的海上遥感溢油图像去噪理论研究 1 2 2 潘海澄 ，孙晓磊 ，玄祖广 1 华夏银行青岛分行，山东青岛 （266071 ） 2 大连海事大学，辽宁大连 （116026 ） E-mail：phch123@126.com 摘 要：海上遥感溢油图像中总是存在许许多多的噪声，直接影响图像特征的提取效果，导 致很难确定溢油分布。本文运用Donoho 提出的小波软阈值去噪方法，对海上遥感溢油图像 进行了多尺度的分析，做了去噪重构图像处理，很好的增强了图像的纹理特征。 关键词：小波变换，图像去噪，阈值 海上遥感溢油图像由于海杂波和海上各种漂浮物的反射，通常存在强烈的干扰，直接影 响溢油图像的线性特征提取。因此如何有效地去除噪声降低干扰成为海上遥感溢油图像处理 的热门话题。在小波分析工具应用于溢油图像处理之前，传统的低通滤波方法将溢油图像的 高频部分滤除，虽然能够达到降低噪声的效果，但破坏了图像细节。基于小波变换的去噪方 法利用小波分析的多尺度特性，首先对含有噪声的图像进行小波变换，然后对得到的小波系 数进行阈值化处理，得到新的小波系数，对其进行反变换，使得噪声和有效信号在不同尺度 上区分开来，从而有效地实现了图像的恢复。本文通过实验利用 Donoho 提出的小波软阈值 去噪方法对海上遥感溢油图像进行处理，得到了很好的去噪效果。 1. 小波去噪基本理论 在数学上，小波去噪问题的本质是一个函数逼近问题，即如何在由小波母函数伸缩和平 移版本所展成的函数空间中，根据提出的衡量准则，寻找对原信号的最佳逼近，以完成原信 号和噪声信号的区分。 从信号学的角度看，小波去噪是一个信号滤波的问题，而且尽管在很大程度上小波去噪 可以看成是低通滤波.但是由于在去噪后，还能成功地保留图像特征，所以在这一点上又优 于传统的低通滤波器.小波分析运用在图像去噪处理中，主要体现在两个方面:一是针对图像 信号与噪声信号经小波变换后在不同分辨率下呈现不同规律，在不同分辨率下，设定阈值， 调整小波系数，达到图像去噪目的；二是将小波变换与传统图像去噪算法相结合，利用小波 变换的多分辨率特性和时频局部化特性，提高原有的图像去噪算法性能。 基于二维小波的去噪理论步骤如下[1] ： （1）二维信号的小波分解。选择一个小波和小波分解的层次 N, 然后计算信号 s 到第N 层的分解。 （2 ）对高频系数进行阈值量化。对于从一到N 的每一层，选择一个阈值，并对着一层 的高频系数进行软阈值化处理。 （3 ）二维小波的重构。根据小波分解的第N 层的低频系数和经过修改的从第 1 层到第 N 层的各层高频系数，来计算二维信号的小波重构。 2. 小波分解与重构过程 Haar 小波是最简单的小波函数,因此这里以Haar 小波为例说明小波分解与重构的具体过 程。假设有一幅分辨率只有 4 个像素的一维图像,对应的像素值分别为:[9 7 3 5]那么计 算它的 Haar 小波变换系数的步骤如下[2] ： 首先，求平均值。计算相邻像素对的平均值，使它的像素数目变成了 2 个,即新的图像 - 1 - 的分辨率是原来的 1/2,相应的像素值为:[8 4]其次，求差值。为了能够从由 2 个像素组成的 图像重构出由 4 个像素组成的原始图像,就需要存储一些图像的细节系数, 以便在重构时找回 丢失的信息。把像素对的第一个像素值减去这个像素对的平均值,或者使用这个像素对的差 值除以 2 。本例中,第一个细节系数是(9-8)=1,因为计算得到的平均值是 8,它比 9 小 1 而比 7 大 1,存储这个细节系数就可以恢复原始图像的前两个像素值。使用同样的方法,第二个细节 系数是(3-4)=-1,存储这个细节系数就可以恢复后 2 个像素值。因此,原始图像