小波理论在图像去噪中的应用课程报告.doc

小波理论与应用 课程报告 题 目 小波理论在图像去噪中的应用 2013年1月16日 摘 要 小波分析理论是一种新兴的信号处理理论，它在时间上和频率上都有很好的局部性，这使得小波分析非常适合于时-频分析，借助时-频局部分析特性，小波分析理论可以成为信号去噪中的一种重要工具。本文首先介绍了小波变换的发展状况以及其基本理论知识，包括连续小波变换和离散小波变换；接着对基于小波变换的图像去噪进行了概述，同时针对小波去噪的理论和方法着重进行了介绍，包括小波去噪的原理、方法、基本去噪模型和阈值去噪处理等方面的内容。最后，分别对两种小波阈值去噪进行了相应的说明，包括硬阀值去噪、软阀值去噪，表明了小波变换进行去噪的优越性，具有很强的研究意义。 关键词：小波分析 小波变换 阈值去噪 图像去噪 1引言 1.1 研究的背景和意义 21世纪，人类已经进入了信息化时代，计算机在处理各种信息中发挥着重要作用。据统计，人类从自然界获取的信息中，视觉信息占75%～85%。俗话说“百闻不如一见”，有些场景或事物，不管花费多少笔墨都难以表达清楚，然而，若用一幅图像描述，可以做到一目了然。可见，在当代高度信息化的社会中，图形和图像在信息传播中所起的作用越来越大，在图像处理领域，数字图像处理得到了飞速发展。 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。然而在很多情况下，图像信息会受到各种各样的噪声影响，严重时甚至会影响到图像中的有用信息，因此，对图像的噪声进行处理就显得非常重要。 1.2 研究的现状 在数学上，函数逼近问题小波去噪的本质，根据提出的衡量准则如何在有小波母函数伸缩和平移所展成的函数空间中，寻找对原图像的最佳逼近，完成原图像和噪声的区分。这个问题可以表述为： （1） （1-2 （1-3） （1-4） （1-5） 由此可见，寻找实际图像空间到小波函数空间的最佳映射小波去噪方法，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，传统的低通滤波器。其等效框图如所示。 图1 小波去噪的等效框图1992年，小波模极大值方法S.Mallat和Zhong提出了，具体来说，在多尺度分析中有用信号与噪声小波变换的模极大值呈现不同的奇异性，用计算机自动实现由粗到精的跟踪并消除各尺度下属于噪声的模极大值，利用属于有用信号的模极大值重构小波，模极大值方法可使信噪比提高4-7dB。，跟踪，一些经验性的判据。过零点重建小波变换和模极大值重建小波变换奇异点重建信号，结果不太精确用过零点或极大值来重建信号只是一种逼近。 近年来，小波理论得到了的发展，而且具备良好的时频特性，实际应用。其中图像的小波阈值去噪方法众多图像去噪方法。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。2小波变换的介绍 2.1 小波变换的发展概况 1992年，Donoho和Johnostne提出了小波值收缩方法(Wavelet Shrinkage)，同时还给出了小波收缩阈值，并从渐近意义上证明了它是小波收缩最佳阈值的上限。人们对值的选择进行研究，提出了多种不同的阈值确定方法。后来，人们针对函数的选取也进行了一些研究，并给出了不同的但是当这些方法用到非高斯、有色噪声场合中，效果却不甚理想，其最主要的原因是这些方法都基于独立同分布噪声的假设。对此，人们提出了具有尺度适应性的选取法，用来解决正态分布有色噪声的小波去噪问题，而另外一些学者则研究了在比白噪声更的噪声情况下的小波去