小波去噪经典案例.pptVIP

基于小波去噪的图像处理 模式识别与智能系统 刘新菊 研1206 主讲内容 噪声特性 传统去噪方法 小波阈值去噪原理 常用几种阈值去噪比较 噪声特性 经常影响图像质量的噪声源可分为三类。人们对其生成原因及相应的模型作了大量研究： 1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的，一般常用零均值高斯白噪声作为其模型，它可用其标准差来完全表征。 2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起，在弱光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型，在光照较强时，泊松分布趋向于更易描述的高斯分布。 3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光，而其余部分则未曝光，底片的密度变化就由曝光后的颗粒密集程度变化所决定，而算曝光颗粒的分布呈现一种随机性。在大多数情况下，颗粒噪声可用高斯白噪声作为有效模型。 　　　通过以上分析可以看出，绝大多数的常见图像噪声都可用均值为零，方差不同的高斯白噪声作为其模型，因而为了简便和一般化，我们采用零均值的高斯白噪声作为噪声源。 传统去噪方法 　　　对随时间变化的信号，通常采用两种最基本的描述形式，即时域和频域。时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。对应的图像的去噪处理方法基本上可分为空间域法和变换域法两大类。前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。变换域法是在图像的变换域上进行处理，对变换后的系数进行相应的处理，然后进行反变换达到图像去噪的目的。 均值滤波：图像邻域平均法的处理效果与所用的邻域半径有关。半径愈大，则图像模糊程度也愈大。另外，图像邻域平均法算法简单，计算速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别在边缘和细节处，邻域越大，模糊越厉害。 中值滤波：对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。 小波阈值去噪原理 图1-1小波去噪的等效框图 小波去噪方法也就是寻找实际图像空间到小波函数空间的最佳映射，以便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，而且尽管在很大程度上小波去噪可以看成是低通滤波，但是由于在去噪后，还能成功地保留图像特征，所以在这一点上优于传统的低通滤波器。由此可见，小波实际上是特征提取和低通滤波功能的综合，其等效框图如图1-2所示。 小波阈值去噪原理 1.连续小波变换　　　 设 ，其傅里叶变换为 ，当满足允许条件(完全重构条件)： 时，我们称 为一个基本小波或母小波(Mother Wavelet)。 它说明了基本小波在其频域内具有较好的衰减性。其中，当 时，有 =0，即 同时有 。因此，一个允许的基本小波的幅度频谱类似于带通滤波器的传递函数。事实上，任何均值为零(即 )且在频率增加时以足够快的速度消减为零(空间局域化特征)的带通滤波器的冲激响应(传递函数)，都可以作为一个基本小波。 　　　将母函数经过伸缩和平移后得到： 小波阈值去噪原理 称其为一个小波序列。其中a为伸缩因子，b为平移因子。通常情况下，基本小波以原点为中心，因此 是基本小波 以 为中心进行伸缩得到。基本小波 被伸缩为 ( 时变宽，而 时变窄)可构成一组基函数。在大尺度a上，膨胀的基函数搜索大的特征，而对于较小的a则搜索细节特征。 　　　对于任意的函数 的连续小波变换为： 　　　当此小波为正交小波时，其重构公式为： 由于基小波 生成的小波 在小波变换中对被分析的信号起着观测窗的作用，所以 还应该满足一般函数的约束条件： 小波阈值去噪原理 故 是一个连续函数，这意味着，为了满足重构条件式， 在原点必须等于零，即 此即说明 具有波动性。为了使信号重构的实现上是稳定的，除了满足重构条件外，还要求 的傅立叶变换满足如下稳定性条件： 式中， 。 　　　小波的选择并不是任意的，也不是唯一的。它的选择应满足定义域是紧支撑的