本科毕业论文-图像去噪方法综述论文.docVIP

图像去噪方法综述 课程名称：数字图像处理 摘 要 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛在医学、军事、艺术、农业等都有广泛且成熟的应用。MATLAB是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。MATLAB是一种向量语言，它非常适合于进行图像处理。 小波变换 图像去噪 阈值 MATLAB 引 言 近年来，小波理论得到了非常迅速的发展，而且由于其具备良好的时频特性，实际应用也非常广泛。其中图像的小波阈值去噪方法可以说是众多图像去噪方法的佼佼者。基本思想就是利用图像小波分解后，各个子带图像的不同特性选取不同的阈值，从而达到较好的去噪目的。而且，小波变换本身是一种线形变换，而国内外的研究大多集中在如何选取一个合适的全局阈值，通过处理低于该阈值的小波系数同时保持其余小波系数值不变的方法来降噪，因而大多数方法对于类似于高斯噪声的效果较好，但对于混有脉冲噪声的混合噪声的情形处理效果并不理想。线形运算往往还会造成边缘模糊，小波分析技术正因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的去噪具有明显的优势，且在去噪的同时实现了图像一定程度的压缩和边缘特征的提取。所以小波去噪具有无可比拟的优越性。小波去噪主要优点有： 低熵性，小波系数的稀疏分布，使得图象变换后的熵降低； 多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；去相关性， 因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势， 所以小波域比时域更利于去噪；选基灵活性，由于小波变换可以灵活选择变换基， 从而对不同应用场合、不同的研究对象，可以选用不同的小波函数，以获得最佳的效果。本文以图像去噪方法为研究对象，以小波图像去噪为研究方向，对比了传统去噪 方法与小波去噪方法，比较深入地研究了基于小波的图像去噪对其在图像去噪中的应用做了进一步的探讨。 邻域平均法是一种局部空间域处理的算法。设一幅图像为的阵列，处理后的图像为，它的每个像素的灰度级由包含领域的几个像素的灰度级的平均值所决定，即用下式得到处理后的图像: (1-l) 式中s是以点为中心的邻域的集合，M是s内坐标总数。图像邻域平均法的处理效果与所用的邻域半径有关。半径愈大，则图像模糊程度也愈大。另外，图像邻域平均法算法简单，计算速度快，但它的主要是在降低噪声的同时使图像产生模糊，特别在边缘和细节处，邻域越大，模越厉害。 .1 从傅里叶变换到小波变换 傅立叶变换是一个强有力的数学工具，它具有重要的物理意义，即信号的傅立叶变换表示信号的频谱。正是傅立叶变换的这种重要的物理意义，决定了傅立叶变换在信号分析和信号处理中的独特地位。傅立叶变换用在两个方向上都无限伸展的正弦曲线波作为正交基函数，把周期函数展成傅立叶级数，把非周期函数展成傅立叶积分，利用傅立叶变换对函数作频谱分析，反映了整个信号的时间频谱特性，较好地揭示了平稳信号的特征。从数学角度来看，傅立叶变换是通过一个基函数的整数膨胀而生成任意一个周期平方可积函数。通过傅立叶变换，在时域中连续变化的信号可转化为频域中的信号，因此傅立叶变换反映的是整个信号在全部时间下的整体频域特征，但不能反映信号的局部特征。 傅立叶变换有如下不足：1）当我们将一个信号变换到频域的时候，其时间上的信息就失去了。当观察一个信号的傅立叶变换，我们不可能知道特定的事件何时发生；2）为了从模拟信号中提取频谱信息，需要取无限的时间量，使用过去的和将来的信号信息只是为了计算单个频率的频谱；3）因为一个信号的频率与它的周期长度成反比对于高频谱的信息，时间间隔要相对较小以给出比较好的精度而对于低频谱的信息，时间间隔要相对较宽以给出完全的信息，亦即需要一个灵活可变的时间—频率窗，使在高“中心频率”时自动变窄，而在低“中心频率”时自动变宽，傅立叶变换无法达到这种要求，它只能作全局分析，而且只对平稳信号的分析有用。但是，在实际应用中，常常有些非平稳信号，如音乐、语音信号等它们的频域特性都随着时间的变化而改变，这时傅立叶变换明显表现出了其中的不足。为此，D.Gabor于1946年提出了著名的Gabor变换，之后又进一步发展为短时傅立叶变换(Short Time Fourier Transform)，简记为STFT，又称窗口傅立叶变换。窗口傅立叶变换(