有关小波在图像去噪处理中应用.docVIP

有关小波在图像去噪处理中应用 　　摘要:图像处理是信号处理的一个重要组成部分,与人们的关系日益密切。然而,在图像中总存在许许多多的噪声干扰,这些噪声问题在图像分析中是不可忽略的因素。为了有效地进行图像分析和处理,就必须减小或消除图像中的噪声。小波是解决图像噪音有效方法,能很好降低图像噪声,尽可能地保证图像信息不受损失,应用效果明显。 　　关键词:小波变换小波收缩小波分析图像去噪 　　 　　如何能够有效地降低图像噪声,尽可能地保证图像信息不受损失,就是我们要探讨的问题。根据图像的特点、噪声统计特性和频率分布规律,图像去噪有多种方法,但它们的基本原理都是一样的,就是利用图像的噪声和信号在频域的分布不同(信号主要集中在低频部分而噪声主要分布在高频部分),采取不同的去噪方法。传统的去噪方法,在去除噪声的同时也会损害到信号信息,模糊了图像。小波的去噪方法作为近年来发展起来的一种新的信号分析方法,兼有时域分析和频域分析的作用,在分析信号的去噪方面有其独特的优点。小波变换以其特有的多分辨率性、去相关性和选基灵活性特点,使得它在图像去噪方面大有可为,清晰了图像降低了噪音。经过小波分析后,在不同的分辨率下呈现出不同规律,调整小波系数,设定阈值门限,就可以达到小波去噪的目的。 　　1.小波变换用于图像去噪 　　一般来说,图像中总是会混杂着一定的噪声干扰。这些噪声干扰主要包括光电转换过程中的噪声,照片颗粒噪声和信息传输中的误差等。这些噪声严重影响图像的质量,不利于进一步的图像分析和处理。为了有效地对图像进行处理,这些噪声必须在图像预处理时加以减少或消除。 　　小波变换去噪的基本思路可以概括为:利用小波变换把含噪信号分解到多尺度中,小波变换多采用二进型,然后在每一尺度下把属于噪声的小波系数去除,保留并增强属于信号的小波系数,最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数,增强属于信号的部分。具体来说,小波变换去噪方法具有如下特点: 　　(1)低熵性,小波系数的稀疏分布,使得图像变换后的熵降低; 　　(2)多分辨率,由于采用了多分辨率的方法,所以可以很好地刻画信号非平稳特性,如边缘、尖峰、断点等; 　　(3)去相关性,因为小波变换可以对信号进行去相关性,且噪声在变换后有白化趋势,所以小波域比时域更利于去噪; 　　(4)选基灵活性,由于小波变换可以灵活选择变换基,从而对不同应用场合,对不同的研究对象,可以选不同的小波母函数。 　　自然图像都含有一定的噪声,经过小波变换得到图像的紧支表示后,图像的主要信息将集中在小波域的低频子带,而噪声则还是均匀地分布在所有的小波系数中。当我们对小波域的高频子带的系数进行取舍时,应去除主要含有噪声的那些系数。对于高频子带,由于噪声统计上是均匀分布在小波系数中,因此,我们可知少数绝对值较大的重要的小波系数必定含有图像的重要奇异特性,通过保留重要系数舍去绝对值小的不重要系数,其结果是既减小图像的噪声又不会导致图像的边缘模糊。 　　2.小波收缩用于图像去噪 　　小波收缩去噪是基于以下三个假设: 　　(1)小波的去相关特性将图像表示为稀疏的系数表示,大部分小波系数是等于零或接近于零; 　　(2)白噪声是统计均匀地分布在所有的小波系数上; 　　(3)噪声不是太大,可以识别出代表信号的小波系数。 　　在图像去噪领域中,人们一直在不断地寻求各种各样的去噪算法。在空间域中,利用各种滤波方法进行去噪,如均值滤波、保边缘的中值滤波和维纳滤波。在频率域中,运用保留低频分量或低尺度分量的方法来减小噪声。这些方法在一定程度上可以消除一部分噪声,然而在减小噪声的同时会不可避免地丢失许多图像的高频信息。这在许多含有丰富边缘的图像中尤为严重。正是基于这种考虑,提出了小波收缩算法,即在小波域中,一些绝对值较小的不重要的小波系数中噪声占主要成分,应该加以减小或消除,而那些绝对值较大的重要的小波系数含有重要的信息应该给予保留。 　　小波收缩去噪算法的两个中心问题是收缩函数与收缩阈值的确定。 　　一是小波收缩函数。硬阈值和软阈值是较常见两种收缩规则,但是它们都具有各自的利弊。硬阈值算法是将绝对值小于阈值的小波系数变成零,而将绝对值大于阈值的小波系数不加任何处理给予保留,这种算法的收缩函数会有较好的去噪效果。由于其收缩函数不是连续的,这在数学处理上是不易处理的,同时在含有丰富边缘图像中会产生许多人为的噪声点。软阈值算法是在处理绝对值大于阈值的小波系数不是完全保留而是作收缩处理,即减小这些系数。由于软阈值函数是一个连续函数,它较好地克服了硬阈值算法中数学上不易处理和在含有丰富边缘图像中会产生许多人为的噪声这两个缺点。而这种算法减小绝对值大的小波系数,造成了一定的高频信息损失,其结果导致了图像的边缘模