实验小波去噪.doc

数字信号处理 实验课题：小波去噪（图像） 专业： 信息工程 一、实验目的 1、了解系小波变换的简单原理及其应用领域； 2、学习掌握一些与小波变换有关的MATLAB图像处理函数，比如wt2d,iwt2d,daub,dwt2,idwt2等； 二、实验原理 1、先对含噪图像做小波变换，得到一组小波系数 ; 2、通过对进行阈值处理，得到估计系数使得与两者的差值尽可能小； 3、Donoho提出了一种非常简洁的方法对小波系数进行估计。对连续小波分解后，有空间分布不均匀信号s(k)各尺度上小波系数,在某些特定位置有较大的值，这些点对应于原始信s(k)的奇变位置和重要信息，而其他大部分位置的较小；对于白噪声n(k)，它对应的小波系数在每个尺度上的分布都是均匀的，并随尺度的增加，系数的幅值减小。因此，通常的去噪办法是寻找一个合适的数作为阈值（门限），把低于的小波函数（主要由信号n(k)引起）,设为零，而对于高于的小波函数（主要由信号s(k)引起），则予以保留或进行收缩，从而得到估计小波系数，它可理解为基本由信号s(k)引起，然后对进行重构，就可以重构原始信号。 阈值选取方式： (1)、Soft thresholding (2)、Hyperbolic thresholding (3)、 4、利用进行小波重构，得到估计信号学号 Original image Noise corrupted image Soft threshold Hyperbolic threshold D2 D4 D6 Table1 2、Jet512的SNR_before和SNR_after对比 SNR_before 11.1930 SNR_after D2 D4 D6 Soft threshold 18.6364 19.0671 19.2220 Hyper threshold 19.9322 20.5112 20.6747 Table2 3、对kilk512图像的加噪声与去噪重构处理 Original image Noise corrupted image Soft threshold Hyperbolic threshold D2 D4 D6 Table3 4、milk512的SNR_before和SNR_after对比 SNR_before 7.0873 SNR_after D2 D4 D6 Soft threshold 17.3214 17.8513 17.6399 Hyper threshold 18.8174 19.5898 19.4983 Table4 分析: 由SNR的定义易得，SNR的值越大，则去噪后的图片与原图片的方差越小，即越接近于原图片； 由table2、table4随着Daub中n的增大去噪后图像的SNR值越大；且Hyperbolic的取阈值方法比Soft的要好； 通过table1、table3中华去噪后的图像可直接得到Hyperbolic的取阈值方法比Soft的要好； 五、总结 通过本次试验我了解了小波阈值去噪的基本概况，以及小波阈值去噪的基本思路，进一步描述了小波阈值去噪的算法。通过这些理论知识让我们对小波阈值去噪有所了解，能够根据不同的图像合理的选择阈值和阈值函数，了解自适应阈值的确定方法，通过确定这些变量使图像去噪效果更加好。这种好坏不是凭借我们个人的主观意识决定的，而是通过图像质量的评价标准从主观和客观两方面结合判定的，使实验结果更加有说服力。 附录： MATLAB Code： load jet512.mat load milk512.mat 调用de_noised函数即可 function zh=de_noised(a,type,n) %a为原图像 %type表示取阈值的方式Soft还是Hyperbolic %n为滤波器大小 map=gray(256); s=a/255; randn(state,7); [M,N]=size(s); w=0.2*randn(M,N); x=s+w; [h0,h1,f1,f2]=daub(n); y=wt2d(x,h0,h1,8);d1=y(N/2+1:N,N/2+1:N); db=mean(mean(d1)); s2=sum(sum((d1-db).^2))/((N/2)^2-1); delta=2*sqrt(log10(N)*s2); if type==1 %Soft yh=sign(y).*(max(abs(y)-delta,zeros(N,N))); elseif type==2 %Hyperbolic yh=sign(y).*sqrt(max(y.^2-delta