小波去噪文献综述汇编.docVIP

图像去噪处理 1.1 小波去噪 在数学上，小波去噪问题的本质是一个函数逼近问题，即如何在有小波母函数伸缩和平移所展成的函数空间中，根据提出的衡量准则，寻找对原图像的最佳逼近，以完成原图像和噪声的区分。这个问题可以表述为： 由此可见，小波去噪方法也就是寻找实际图像空间到小波函数空间的最佳映射，以便得到原图像的最佳恢复。从信号的角度看，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，所以在这一点上优于传统的低通滤波器。由此可见，小波实际上是特征提取和低通滤波功能的综合，其等效框图如图所示。 图小波去噪的等效框图设，其傅里叶变换为，当满足允许条件 完全重构条件 ： 1-1 时，我们称为一个基本小波或母小波 Mother Wavelet 。它说明了基本小波在其频域内具有较好的衰减性。其中，当时，有 0，即同时有。因此，一个允许的基本小波的幅度频谱类似于带通滤波器的传递函数。事实上，任何均值为零 即 且在频率增加时以足够快的速度消减为零 空间局域化特征 的带通滤波器的冲激响应 传递函数 ，都可以作为一个基本小波。 将母函数经过伸缩和平移后得到： 1-2 称其为一个小波序列。其中a为伸缩因子，b为平移因子。通常情况下，基本小波以原点为中心，因此是基本小波以为中心进行伸缩得到。基本小波被伸缩为 时变宽，而时变窄 可构成一组基函数。在大尺度a上，膨胀的基函数搜索大的特征，而对于较小的a则搜索细节特征。 对于任意的函数的连续小波变换为： 1-3 当此小波为正交小波时，其重构公式为： 1-4 在小波变换过程中必须保持能量成比例，即 1-5 由于基小波生成的小波在小波变换中对被分析的信号起着观测窗的作用，所以还应该满足一般函数的约束条件： 1-6 故是一个连续函数，这意味着，为了满足重构条件式 2 ，在原点必须等于零，即 1-7 此即说明具有波动性。为了使信号重构的实现上是稳定的，除了重构条件外，还要求的傅立叶变换满足如下稳定性条件： 1-8 式中，。连续小波变换具有以下重要性质： 线性性：一个多分量信号的小波变换等于各个分量的小波变换之和。 平移不变性：若的小波变换为，则的小波变换为伸缩共变性：若的小波变化为，则的小波变换为，自相似性：对应于不同尺度参数a和不同平移参数b的连续小波变换之间是自相似性的。 冗余性：连续小波变换中存在信息表述的冗余度〔redundancy〕，小波变换的冗余性也是自相似性的直接反映，它主要表现在以下两个方面：①由连续小波变换恢复原信号的重构分式不是唯一的。也就是说，信号的小波变换与小波重构不存在一一对应关系，而傅立叶变换与傅立叶反变换是一一对应的。②小波变换的核函数即小波函数存在许多可能的选择 例如，它们可能是非正交小波，正交小波，双正交小波，甚至允许是彼此线性相关的 。小波的选择并不是任意的，也不是唯一的。它的选择应满足定义域是紧支撑的 Compact Support ，即在一个很小的区间之外，函数值为零，函数应有速降特性，以便获得空间局域化。另外，它还要满足平均值为零。也就是说，小波应具有振荡性，而且是一个迅速衰减的函数。 连续小波变换式 4 是用内积来表示的，而数学上的内积表示与的相似程度，所以由式 4 ，当尺度a增加时，表示以伸展了的波形去观察整个；反之，当尺度a减小时，则以压缩的波形去衡量局部。可以说，尺度因子类似于地图中的比例因子，大的比例 尺度 参数看全局而小的比例 尺度 参数看局部细节。因此，有人对小波变换特性作如下形象比喻：人们希望既看到森林，又看清树木。所以，先通过望远镜看清全貌，进而通过显微镜观察我们最感兴趣的细节。小波变换就能达到这个目的，它既是望远镜，又是显微镜，是一架变焦镜头。 在实际运用中，尤其是在计算机上实现时，连续小波必须加以离散化。因此有必要讨论连续小波）和连续小波变换的离散化。需要强调指出的是，这一离散化都是针对连续的尺度参数和连续平移参数b的，而不是针对时间t的。这一点与我们以前的习惯不同。在 3-3 中a ,b ∈R; a≠0是容许的。为方便起见，在离散化中，总限制a只取正值。通常，把连续小波变换中尺度参数a和平移参数b的离散化公式分别取作，这里，扩展步长是固定值，为方便起见，总是假定。所以对应的离散小波函数即可写作： 1-9 而离散化小波变换系数则可表示为： 1-10 其重构公式为： 1-11 C是一个与信号无关的常数。如何选择和，才能保证重构信号的精度呢?显然，网络点应尽可能密 即和尽可能的小 ，因为如果网络点越稀疏，使用的小波函数和离散小波系数就越少，信号重构的精确度也就会越低。由于图像是二维信号，因此首先需要把小波变换由一维推广到二维。令表示一个二维信号，分别是其横坐标和纵坐标，表示二维的基本小