数字图像降噪技术的研究.ppt

小波阈值降噪 丁宇亮 目录 摘要 一、引言 二、图像去噪的方法 2.1 传统的去噪方法 　　　传统的图像去噪方法有空间域滤波和频率域滤波两类方法。 1，空间域滤波 是把图像信号和滤波函数进行卷积来完成的，这个过程很多情况下可利用模板进行处理，不同的滤波函数得到不同的模板，比如均值滤波、中值滤波等； 2，频率域滤波 是在频率域内用图像的频域信号与传递函数相乘来完成的，这个过程是通过傅里叶变换来处理的。 总结：传统方法的缺点要么不能很好地去噪，要么去除噪声的同时丢失大量细节。 2.2 小波去噪方法 到目前为止，小波去噪的方法大概可以分为三大类： 第一类方法是基于小波变换模极大值原理的，最初由Mallat提出，即根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号； 第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的类型，从而进行取舍，然后直接重构信号； 第三类方法是Donoho提出的阈值方法，该方法认为信号对应的小波系数包含有信号的重要信息，其幅值较大，但数目较少，而噪声对应的小波系数是一致分布的，个数较多，但幅值小。基于这一思想，Donoho等人提出软阈值和硬阈值去噪方法，即在众多小波系数中，把绝对值较小的系数置为零，而让绝对值较大的系数保留或收缩，分别对应于硬阈值和软阈值方法，得到估计小波系数，然后利用估计小波系数直接进行信号重构，达到去噪的目的。 四、小波阈值去噪介绍 4.1 小波阈值去噪的简介 1992年，斯坦福大学的Donoho D L和Johnstone教授提出一种具有良好的统计优化特性的去噪方法，称作“Wavelet Shrinkage”（即阈值收缩法）。 　　　该方法的主要思想是：基于图像和噪声在经小波变换后具有不同的统计特性：图像本身的能量对应着幅值较大的小波系数,主要集中在低频；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。根据该特征，设置一个阈值门限，认为大于该阈值的小波系数的主要成份为有用的信号，给予收缩后保留；小于该阈值的小波系数，主要成份为噪声，予以剔除，这样就可以达到去噪的目的。 　　　去噪时，通常认为低通系数含有大量的图像能量，一般不作处理，只对剩余三个高通部分进行处理。因此，一次阈值去噪并不能完全去除噪声，还需要对未作处理的低频部分再次进行小波分解和阈值去噪，直到实际图像与估计图像的偏差达到最小值。但是，随着分解和去噪次数的增加，小波系数中的噪声能量越来越少，并且趋于分散，去噪的效果将逐渐降低。一般来说，进行3-4层小波分解和去噪就可以达到满意的去噪效果。 4.2 小波阈值去噪方法 小波阈值收缩法去噪的具体处理过程为： 将含噪信号在各尺度上进行小波分解，保留大尺度低分辨率下的全部小波系数；对于各尺度高分辨率下的小波系数，可以设定一个阈值，幅值低于该阈值的小波系数置为零，高于该阈值的小波系数或者完整保留，或者做相应的收缩处理。最后将处理后获得的小波系数利用逆小波变换进行重构，恢复出有效的信号。 软硬阈值函数表达式 小波阈值收缩法另一个关键因素 　　对阈值的具体估计。如果阈值过小，去噪后的图像仍然有噪声存在；相反地，如果阈值过大，重要的图像特征将被滤掉，引起偏差。从直观上看，对给定的小波系数，噪声越大，阈值就越大。目前主要使用的阈值可以分为全局阈值和局部阈值两类。其中，全局阈值采用统一的阈值对各层所有的小波系数进行处理；而局部适应阈值根据当前系数周围的局部信息来确定。全局阈值主要有： 五、MATLAB仿真 5.3 基于MATLAB的小波去噪函数简介 5.4 编程实现图像去噪 5.3 基于MATLAB的小波去噪函数简介 　　　MATLAB中实现图像的降噪，主要是阈值获取和图像降噪实现两个方面。 　　　1、 阈值获取 　　　MATLAB中实现阈值获取的函数有ddencmp、select、wbmpen和wdcbm2。这里主要介绍函数ddencmp。 　　　函数ddencmp的功能是获取降噪或压缩的默认值。该函数是降噪和压缩的导向函数，它给出一维或二维信号使用小波或小波包进行降噪和压缩一般过程的所有默认值。 　　　其语法格式为： 　　　[THR,SORH,KEEPAPP,CRIT]=ddencmp（IN1，IN2，X） 　　　[THR,SORH,KEEPAPP]= ddencmp（IN1，‘wv’，X） 　　　[THR,SORH,KEEPAPP,CRIT]= ddencmp（IN1，‘wp’，X） 5.3 基于MATLAB的小波去噪函数简介 　　　2、 阈值降