小波阈值的图像去噪.docVIP

小波阈值的图像去噪 Lakhwinder Kaur Deptt.of CSE SLIET,Longowal Punjab(148106),India Savita Gupta Deptt.of CSE SLIET,Longowal Punjab(148106),India R.C.Chauhan Deppt.of CSE SLIET,Longowal Punjab(148106),India 摘要 这篇论文提出了一种图像去噪的自适应阈值估计方法，该方法是基于小波域中子带系数的推广高斯分布（GGD）模型。这种方法称为：NormalShrink,它的计算更加有效并且具有自适应性。这是因为用来阈值估计的参数要求依赖于子带数据。阈值通过下式获得，，这里和分别是噪声的标准差和相应的噪声图像的子带标准差数据。是参数规模，这个参数依赖于子带大小和分解的数量。几幅测试图像的实验结果与各种去噪方法比如维纳滤波，BayesShrink和SureShrink做比较。为了与可能最好的阈值估计性能基准做比较，我们的对比也加入了Oracleshrink方法。实验结果表明提出的阈值能有效的去除噪声，运行时间上性能超过SureShrink ,BayesShrink以及维纳滤波。 关键字：小波阈值，图像去噪，离散小波变换 介绍 在图像的获取与传输中，经常受到噪声的污染。图像去噪用于去除加性噪声，同时尽大可能的保留重要的信号特征。在最近这几年，关于小波阈值，已经有了相当数量的研究，为信号去噪而选择阈值[1],[3]-[10],[12],因为将噪声信号从图像信号中分离，小波提供了合适的基。小波变换有很好的能量紧支，小系数表示噪声，大系数表示重要的信号特征[8]。这些小系数可能阈值化处理而不影响图像重要的特征。 阈值化是简单的非线性技术，它是在单个小波系数上执行。在它的许多基形式上，通过与阈值比较，每个系数阈值化处理，如果系数小于阈值，将该系数设置为零；否则该系数保留或进行修改。用零替换小的噪声系数，然后小波逆变换就可能会产生重建，此时有基本的信号特征以及较少的噪声。自从Donoho以及Johnstone的研究以来[1],[4],[9],[10],在寻找阈值方面有很多研究，但是几乎没有专门为图像设计的。在这篇论文中，提出了一个新的优化阈值估计技术用于图像去噪，这个阈值是依赖于子带的，也就是用来计算阈值的参数是从观察数据中得到估计，每一个子带有一个设置。 这篇论文的组织如下：第二部分介绍了小波阈值的概念。第三部分解释了用于NormalShrink方法中估计的参数。第四部分描述了提出的去噪算法。实验结果以及讨论在第五部分中给出，用了三幅在各种噪声水平下的测试图像。最后结论性的评论在第六部分中给出。 小波阈值 使代表要恢复的原始图像，它是的矩阵，是2的幂 整数。在传输过程中，信号受到独立同分布的零均值的噪声污染，高斯白噪声有标准方差即。最终得到的观察噪声信号是。最终的目的是从观察噪声信号中估计信号使得均方误差（MSE）最小化。和分别表示二维正交离散小波变换（DWT）矩阵和它相应的逆变换。表示的是的小波系数矩阵，有四个子带（LL,LH,HL,HH）[7],[11]。，，子带称为细节子带，这里k是从1,2，…J的各种尺度，J是分解的总尺度。在k尺度下子带的大小为 。子带是剩余的低分辨系数。小波阈值去噪方法的过程是 ：对Y的细节子带（，，）的每个系数上应用软阈值函数，以此得到，那么去噪估计就是逆变换。 在实验中，软阈值的使用超过了硬阈值，因为它比硬阈值能给出更好的视觉效果图像；以及后者是不连续的就会在图像恢复时产生剧烈震荡，尤其是当噪声很严重时。 NormalShrink 中的参数估计 这部分描述了用来得出阈值（）的各种参数的计算方法，此阈值对不同子带具有适 应性。 （1） 这里，尺度参数是对每一个尺度下用下面的公式计算的。 (2) 是第K尺度下子带的长度。 是噪声方差，它是从子带HH1中估计而得到的，用[7],[13]公式： (3) 是子带的标准差，它的计算可用标准的matlab命令得到。 总之，提出的方法名字称之为为:NormakShrink,它是用软阈操作，并依赖子带的阈值。 4. 图像去噪算法 这部分描述了图像去噪算法，此算法在小波域内从噪声信号中恢复出原始信号，利用软阈值能取