二维图像降噪.docVIP

二维图像的降噪 ——小波分析论文 班级：控制理论与控制工程09 学号：2009400120 姓名：闫欣 二维图像的降噪 1 图像噪声产生的原因 图像一般都会受到噪声的影响，由于噪声影响图像的输入传输、输出等环节，使得图像分辨率下降，同时破坏了图像的精细结构，给图像的后续处理带来不便，因此如何抑制噪声已成为图像处理中极重要的任务。 1.1 图像噪声产生原因 图像噪声产生的原因主要分为内因和外因两部分： 外因：1.其他设备或自然物产生的电磁干扰。 2.经由电源串进系统内部的干扰。 内因：1.由光电粒子随机运动特性导致的噪声。 2.电器机械运行引发的噪声。 3.系统内部设备电流引起的噪声。 1.2 图像噪声的分类 按噪声的统计特性是否随时间的变化而变化来划分：平稳噪声与非平稳噪声，其中平稳噪声可以通过预置的固定算法减弱或消除；按振幅分布形状划分：高斯噪声，瑞利噪声，指数分布噪声，脉冲噪声；按频率图像划分：白噪声，三角噪声。 2 小波图像的降噪 2.1硬阈值法降噪 小波图像降噪已被视为图像处理中重要的降噪算法，是基于噪声和信号在频域上分布不同而进行的，一般信号和噪声分别分布在低频区和高频区域，图像的细节也分布在高频区域。小波变换时一种调和变换，其同时具有空间域和频域的局域性，其具有多分辨分析的性质，能适应信号频率的局域变化，在每一层小波分析上选取各自阈值，可以消除多数噪声。 MATLAB中二维图像的降噪中最典型的方法就是硬阈值法。其基本思想是：对小波分解后的高频系数，一般认为其绝对值比较大的主要反映了信号本身的特征，绝对值比较小的系数反映的多是噪声信息，于是可以事先确定一个阈值，当高频系数的绝对值小于阈值时让其为0，反之则保留。0 收缩,然后由新的小波系数进行小波重构得到去噪后的信号。 2.3 循环方法程序编写 循环方法编写： load tire;?? %打开一幅图像 [m n]=size(X); X0=X+randn(m,n).*10;?? ?%加噪声 [cA1,cH1,cV1,cD1] = dwt2(X0,bior3.7);??? %小波分解 th=60;??? %指定一个阈值，可以参考其他资料了解阈值确定方法 [m1 n1]=size(cH1); for i=1:m1 ??? for j=1:n1 ??????? if abs(cH1(i,j)) ??????????? cH1(i,j)=0; ??????? end ??????? if abs(cV1(i,j)) ??????????? cV1(i,j)=0; ??????? end ??????? if abs(cD1(i,j)) ??????????? cD1(i,j)=0; ??????? end ??? end end Xn= idwt2(cA1,cH1,cV1,cD1,bior3.7);?? %小波重构 figure(1);??? %显示原图像、加噪图像、降噪图像 subplot(131);imshow(X,map); subplot(132);imshow(X0,map); subplot(133);imshow(Xn,map); 2.4仿真结果： 2.5矩阵方法编写： load tire; [m n]=size(X); X0=X+randn(m,n).*10; [cA1,cH1,cV1,cD1] = dwt2(X0,bior3.7); th=60; cH=abs(cH1)-th;??? %让矩阵取绝对值减去阈值 cH1=(cH0).*cH1;?? % cH元素0则其为1，否则为0，再与原来的矩阵.*即可。 cV=abs(cV1)-th;? cV1=(cV0).*cV1; cD=abs(cD1)-th;? cD1=(cD0).*cD1; Xn= idwt2(cA1,cH1,cV1,cD1,bior3.7); figure(1); subplot(131);imshow(X,map); subplot(132);imshow(X0,map); subplot(133);imshow(Xn,map); 2.6 仿真结果： 2.7 仿真结果分析 从图像可以看出，采用硬阈值法去噪声时，信噪比在一定程度上得到了提高，但是它们去噪结果不十分彻底，有一部分干扰存在，去噪后信号光滑程度有限。 因此，可以在此基础上进行多层分解、改进得到软阈值法、指数阈值法等等其他降噪的程序 控制理论与控制工程09—闫欣—小波分析论文—二维图像的降噪 1