浅谈小波阈值去噪的方法.docVIP

浅谈小波阈值去噪的方法 　　随着DSP（Digital Signal Processing）技术的高速发展，人们开始把图像也视为一种重要的信息源。但由于实际中发送设备、传输信道、接收设备的特性不理想，导致在接收端获取的图像掺杂有噪声，噪声的存在使图像质量下降。因此，对于图像去噪算法的研究已经成为学术热点。 　　1984年，法国科学家Morlet在分析地震波时发现，传统的傅里叶变换难以达到局部分析的要求，从而提出了小波的概念。小波变换以其良好的时频局部化性能和多分辨率性能克服了Fourier分析中存在的问题，被视为信号处理领域的重大突破，特别适合非平稳、非线性信号的处理。 　　目前，经典的小波去噪方法大致有三类，分别是模极大值去噪算法、相关性去噪算法和小波阈值去噪算法。本文将重点讨论小波阈值去噪方法，并围绕其基本原理、阈值及阈值函数的选取以及去噪指标展开讨论。 　　小波变换理论 　　1.连续小波变换 　　首先定义母小波，我们把满足 　　（1）式中的函数称为母小波或者基小波。也就是说，ψ（t）在（-∞，+∞）的区间上对时间t的积分为零。 　　小波就是由母小波通过平移和伸缩变换而产生的如下函数族： 　　（2）式中的a称为尺度因子，即可通过调整a值实现对母小波的伸缩变换；b称为平移因子，即可通过调整b值实现对母小波的平移变换。 　　当{ψa，b}是由（2）式给出的小波函数f（t）∈L2（R）时，对于任意函数，它的连续小波变换（CWT）定义式为 　　从上式可以看出，t，a和b的连续性给计算带来了困难，同时也使连续小波变换是高冗余的。而下面介绍的离散小波变换正好克服了连续小波变换的冗余性。 　　2.离散小波变换 　　可以通过对尺度因子a和平移因子b进行离散化处理，从而实现由连续小波变换转变到离散小波变换。可令 　　把（4）式代入（2）式，就可以得到离散小波函数 　　离散小波变换可以写为： 　　小波的离散化处理解释了为什么小波克服了传统的Fourier分析中的不足，因为传统的Fourier分析无法提供局部时间域上的函数特征，而小波变换可以通过选择合适的放大倍数a0m，在一个特定的位置研究函数的特征，然后再平移到其他位置继续研究。这就形象地阐述了小波的美称“数学显微镜”的由来。 　　小波阈值去噪的基本原理 　　假设在接收端得到的信号可以表示为如下形式： 　　s（t）=f（t）+n（t）（8） 　　其中，f（t）为原始信号，n（t）为噪声信号，s（t）为掺杂有噪声的实际信号。 　　所谓去噪就是设法把原始信号f（t）与噪声信号n（t）区别开，继而将噪声信号n（t）最大程度地去除，提高实际信号的信噪比，从而恢复出原始信号f（t），使得s（t）=f（t）。大量实际工程表明，原始信号通常以低频信号或平稳信号的形式出现，而噪声信号则以高频信号的形式出现，它们的不同之处就为小波去噪提供了思路。下面以三尺度分解为例进行说明，如下图所示： 　　经过三级分解，噪声信号被逐层分解到cd1，cd2，cd3中，即含有噪声的信号被分离地越来越纯净。这时候人们可以通过选取合适的阈值T，对信号的小波系数和噪声的小波系数分别处理，即把大于该阈值T的部分当做是原始信号进行保留，而小于该阈值T的部分当做是噪声，将其置为零。然后对处理完的小波系数再进行反变换，即可重构出一幅经去噪的图像。 　　小波阈值去噪的实现可以概括为三步，用下面的方框图表示为： 　　阈值和阈值函数 　　前面已经提到过，小波阈值去噪方法的关键有两点：阈值和阈值函数的选取。小波变换的去相关性使得原始信号的小波系数幅值大且个数少，噪声信号的小波系数幅值小且分布于整个区间。因此人们将要求大于阈值的系数保留，小于阈值的系数置为零。为什么阈值的选取在小波去噪中显得尤为重要呢？设想若人们选取的阈值过大，那么原始信号的部分小波系数也将化为零，这样虽然去噪彻底，但同时也造成了原始图像信息的丢失；若选取的阈值过小，那么噪声信号的小波系数又将被保留，导致图像去噪不够彻底。所以无论是阈值选取的过大或者过小都会影响重构图像的质量。 　　下面介绍几种经典的阈值估计方法： 　　1.Visushrink阈值（通用阈值） 　　式中，σn是噪声标准方差，N为信号长度。 　　2.最大最小阈值 　　3.基于零均值正态分布的置信区 　　T=3σ～4σ（11） 　　但是传统的阈值选取方法有一定的局限性，因为对于不同尺度来说，小波系数会随着尺度的变化而发生改变，阈值不应当是一成不变的。为此，赵瑞珍和文鸿雁分别提出了改进的小波阈值算法，使得阈值在不同的尺度之下可以得到不同的值。 　　在小波阈值去噪方法中，阈值函数的选取最能体现出我们对大于阈值T和小于阈值T的小波系数进行的不同处理方法。如果阈