基于小波变换的图像去噪中阈值选取的研究.docVIP

自适应图像分析与识别 课程论文 题 目 基于小波变换的图像去噪中的阈值研究 学 院 电子工程学院 专 业 电路与系统  摘要：图像去噪是对图像进行高级处理的重要基础，已经成为当今数字图像处理的热门领域之一。基于小波多尺度分解的阈值方法是一种有效的信号去噪方法．本文详细介绍了阈值的选取方法，并列举了几种常用的阈值函数，并对它们进行了比较，以期给小波图像处理研究者一些参考。 关键字：图像去噪；阈值；阈值函数；小波变换  Abstract：Image denoising is an important foundation for advanced image processing，and is the hot research area in digital image processing．The thresholding denoising based on the multi-scales wavelet is an effective way.This text intuoduced the way how to choose the threshold, listed some common thresholding function and compared them,in the hope of giving some references for the researcher in image processing with wavelet. Key words：image denoising，thresholding,thresholding function,wavelet transform 引言 目前，小波去噪的基本方法有小波变换模极大去噪、基于各尺度下小波系数相关性去噪、采用非线性小波阈值法、平移不变量小波去噪、多小波去噪等。小波去噪是一个在不断更新中的研究课题，新的方法在不断提出。这里主要讨论在小波阈值法去噪中的阈值选取问题。 1.小波阈值去噪方法 小波去噪方法最先研究的是小波阈值去噪方法，它是一种实现简单、效果不错的去噪方法，最先的阈值去噪方法是Donoho和Johstone于1922年提出的小波阈值萎缩方法。阈值去噪的思想很简单，小波变换特别是正交小波变换具有很强的去数据相关性，它能够使图像信号的能量在小波域集中在一些大的小波系数中，而噪声的能量却分布于整个小波域内。可以认为图像的小波系数是服从广义高斯分布，且绝对幅值较大的小波系数主要是由信号变换后得到的，而绝对幅值较小的小波系数则主要是由噪声变换后得到的。对小波分解后，在小波域内除了最低频以外的各层系数模对大于和小于某阈值的系数分别处理，然后对处理完的小波系数再反变换重构出一幅经去噪后的图像。这样就可以通过设定阈值将较小的噪声系数清除来达到去噪的目的。可见去噪效果主要依赖于阈值的选取，估阈值的选取是小波阈值去噪的核心问题。根据阈值的应用范围可以分成全局阈值和局部阈值两类，全局阈值对各层小波系数或同一层内的小波系数都是统一的，而局部适应阈值是根据当前系数周围的局部情况来确定阈值。 2.阈值估计 小波阈值去噪方法的一个关键因素是对阈值的具体估计。如果阈值太小，去噪后的信号仍然有噪声的存在；相反，阈值太大，重要图像特征又将被虑掉，引起偏差。从直观上讲，对于给定的小波系数，噪声越大，阈值就越大，以下介绍几种经典的阈值估计方法： 最早的小波阈值去噪方法是Donoh提出的WaveShrink方法 (或称统一阈值去噪方法)[1]。它是针对多维独立正态变量联合分布，在维数趋向无穷时得出的结论，是基于最小最大估计得出的最优阈值。阈值T的计算公式是；在图像去噪中，如果阈值给出的值太大，使过多的小波系数被置0，这样就会破坏太多的图像细节，因此往往不采用因子2 log(N)，而代之以常数c，即T=c*σ。在实际应用中，c的值常选取3～4之间。这个阈值是考虑零均值正态分布变量在[-3σ,3σ]之外的概率非常少，所以绝对值大于3σ的系数一般都被认为主要是由信号系数构成。 GCV阈值方法，它是在GCV准则下推出的，不需要估计噪声的方差，也是基于软阈值函数的去噪方法。 BayesShrink阈值估计方法[2]，它是Chang在2000年提出的，是基于无噪图像小波系数服从广义高斯分布的模型假设得到的。 SUREShrink阈值估计方法[3]，它是在SURE(Steins Unbiased Risk Estimation)准则下得到的阈值，该准则是均方差准则的无偏估计，它是专门针对软阈值函数得出的结论，且SURE阈值趋近于理想阈值。 L-Curve准则和H-