一种改进小波阈值图像去噪的方法.docVIP

一种改进小波阈值图像去噪的方法 　　【摘要】：采用MATLAB进行仿真实验，首先分别对含噪图像使用改进的阈值，改进的阈值函数进行降噪处理，然后将两者结合起来应用于含噪图像。实验结果表明，使用改进后的阈值和阈值函数进行图像降噪，较之现有的经典方法，通常可获得更好的效果。 　　【关键词】：小波；阈值；阈值函数；去噪 　　中图分类号：TB1文献标示码：A文章编号：1002-6809（2007）0710034-2 　　 　　近年来，出现了一种新的数学工具――小波变换，它较之只能提取出函数在整个频率轴上的频率信息，却不能反映信号在局部时间范围内的特征傅立叶变换，在时域和频域同时具有良好的局部化性质，且对于高频成分采用逐渐精细的时频取样步长，从而可以充分突出研究对象的任何细节。小波变换的这种特点非常符合图像去噪中保留图像细节方面的要求，并且以其低熵性、多分辨率、去相关性、选基灵活性等优点，在图像降噪处理中得到越来越广泛的应用，本文重点讨论利用小波变换进行图像去噪的方法。 　　 　　1.小波图像去噪 　　 　　小波图像去噪方法属于图像变换域去噪方法，从信号学的角度看，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，所以在这一点上又优于传统的低通滤波器。小波去噪实际上是特征提取和低通滤波功能的综合，其流程如图所示： 　　 　　图1小波去噪框图 　　 　　小波去噪方法中最早被提出的是小波阈值去噪方法，它是一种实现简单而效果较好的去噪方法。 　　1.1小波阈值去噪 　　1.1.1选取阈值函数 　　在阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数模的不同处理策略以及不同估计方法。常用的阈值函数有硬阈值函数和软阈值函数两种，硬阈值策略保留大于阈值的小波系数，而把小于阈值的小波系数都设定为零。软阈值策略把小于阈值的小波系数置零，把大于阈值的小波系数的绝对值减去阈值以去除噪声的影响。 　　硬阈值方法可以很好的保留图像边缘等局部特征，但图像会出现振铃、伪Gibbs效应等视觉失真，而软阈值处理虽相对平滑，但可能会造成边缘模糊等失真现象，这都是我们在工程降噪中所不希望看到的。 　　1.1.2阈值选取方法 　　在小波阈值去噪中，阈值的选取很关键??1?荨ｃ兄到闲。?去噪后的图像信号与输入比较接近，但是残留了较多噪声。若阈值较大，则得到较多为零的小波系数，对于软阈值策略重建图像变得模糊，硬阈值策略下的重建图像包含较多的伪边缘。在小波域阈值降噪中，阈值的选取直接影响滤波效果。目前使用的阈值可以分成全局阈值和局部适应阈值两类。其中，全局阈值对各层所有的小波系数或同一层内的小波系数都是统一的。目前常用的全局阈值主要是Donoho和Johnstone统一阈值（简称DJ阈值）λ=σ。其中，σ为噪声标准方差，N为信号的尺寸或长度。 　　 　　2.基于小波变换的阈值降噪算法设计与实现 　　 　　下面将主要讨论小波阈值去噪方法的改进及改进算法的实现与结果讨论。通过用MATLAB作仿真实验，并对实验结果进行了讨论，经与原有方法的比较，论证了改进方法的有效性和可行性。 　　2.1阈值函数的改进 　　硬阈值函数和软阈值函数是较常见两种小波系数估计方法，但是它们都具有各自的缺点。 　　硬阈值算法的阈值函数虽然会有较好的去噪效果，但由于其阈值函数是不连续的，会在含有丰富边缘图像中会产生许多“人为的”噪声点，从而导致图像出现振铃、伪Gibbs效应等视觉失真现象。 　　软阈值算法对小波系数的处理要相对平滑一些，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糊，势必也会给重构信号带来不可避免的误差。 　　下面结合硬阈值与软阈值方法各自的特点，实现一种改进方案，即软硬阈值折衷法。 　　软硬阈值折衷法的小波系数估计法可表示为： 　　 　　图2估计小波系数的软硬阀值折衷法 　　 　　特别的，当a分别取0和1时，上式即成为硬阈值和软阈值估计法。 　　从公式（1）中就可看出，当a分别取0和1时，上式即成为硬阈值和软阈值估计法。所以，当待降噪图像包含了大量的同性区域或要求降噪后图像有尖锐的边缘时，应使折衷阈值向硬阈值方向移动，即：a的取值在0.5到1之间；而在含有丰富边缘的待降噪图像中为避免图像出现振铃、伪Gibbs效应等视觉失真现象时，应使折衷阈值向软阈值方向移动，即：a的取值在0到0.5之间。在0和1之间适当调整a的大小，可以获得更好地去噪效果。我们采用了具有代表性的a=0.5进行仿真，验证了该方法的有效性和可行性。该方法虽然