小波分析在图像去噪中的研究.doc

题 目：姓 名： 陈功明 学 号： 专 业： 导师： 小波分析在图像去噪中的研究 摘 要: 由于均值滤波在抑制噪声的过程中会损失图像的边缘等细节信息, 从而导致整幅图像的模糊不清,而小波分析在图像处理中具有较强的图像增强能力, 故采用小波分析法处理含噪图像。该方法在处理含噪图像时, 不仅很好地降低了噪声, 而且还较好地保留了原图像的边缘等细节信息, 但是对图像的对比度增强效果不明显。进一步提出了基于分数阶微分理论的改进算法，试验结果表明，这种方法最佳。 关键词: 均值滤波; 小波分析; 图像去噪; 图像增强 Image denoising based on wavelet analysis Abstract: Details of image are broken by mean filter in image precessing, and consequently the image turns out to be blurry .Wavelet analysis is powerful in image enhancement . Considering all these factors mentioned above, traditional wavelet is adopted to cope with image with noise . This method positively shows that removes noise effectively, mean while, details of image are well kept, and contrast and visual effect of image are improved. But?to enhance the contrast of image effect is not abvious.?Further?proposed a improved algorithm?based on the theory of?fractional order?differential,?experimental results show that?this?method is?the best. Keywords: mean filter ; wavelet analysis; image denoising; image enhancement 引 言 由于图像信息在提取、传输、接收过程中受到环境因素，器件质量等各种因素的干扰，不可避免的会产生噪声。噪声的产生和产生的种类随机出现。为了使图像最大程度接近原图像，需要对图像的噪声进行处理,但是图像的对比度减小,图像的边缘信息没有得到很好的保护。于是使用小波分析中图像增强的方法对图像进行滤波处理, 从而保护了图像的细节和边缘信息, 但是对图像的对比度增强效果不明显。从而进一步提出了基于分数阶微分理论的改进算法。本文结合实例, 详细分析了该理论在图像去噪方面的应用。 1. 均值滤波的基本原理 设一图像是由幅小图像组成的集合, 图像的形式可以表示为: 式中: 为理想图像, 为噪声图像。由于有噪声存在,导致图像的质量下降。图像噪声概率分布虽不能准确了解, 但可假定噪声为互不相关且均值为0的随机噪声。即: 式中:表示数学期望算子。 对幅图像作平均运算: 显然分析的结果是采用求多幅图像之间的均值得到的,在一幅图像内部,以像素为单位,求周围相邻像素的均值并赋值给中心像素,就会起到类似滤波的效果,当做平均处理的噪声图像数目增加时, 其统计平均值就越接近原始无噪声图像。通常情况下去噪滤波会采用均值滤波模板进行滤波, 33、55、77这种运算的实质是求窗口内的所有像素点的平均值,然后将其赋给中心像素点, 作为中心像素点的滤波输出。这个取均值的模板其实是一个低通滤波器。因图像细节信息主要分布在高频区域, 因此均值滤波的过程会导致图像变模糊。如果模板选取过大, 则这种模糊会加剧; 模板选择越小, 去噪能力会下降。因此模板大小的选择实际上是去噪能力和保留图像细节的一种折中。这种方法在实际应用中的最大困难在于把多幅图像配准, 以便使相应的像素能正确地对应排列。33均值滤波 55均值滤波 77均值滤波 图1 1分析可知，均值滤波对于去除含高斯噪声的图像起到一定的效果。由33、5577，窗口尺寸远大，对含噪声图像的滤波效果越明显，但是伴随着图像的细节和边缘信息丢失越明显，图像的对比度也随着降低。相比较而言5