基于小波变换的图像去噪方法研究-精密仪器及机械专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 图像去噪在图像处理和计算机视觉中是最为多元化的研究领域之一。人们都希望经过去 噪后的图像能够有良好的视觉效果和较高的精准度，并且能够很好的保持图像的重要特征， 如边缘、纹理、尖锐部分的特征等。基于此目的，本文提出了一种新的阈值函数用于小波图 像去噪，新的阈值函数增加了两个形状调节因子，便于阈值函数的自适应学习；此外，本文 对新的阈值函数的阈值进行了自适应优化来进一步提高去噪效率和效果。阈值的优化分别在 监督学习和无监督学习情况下两种情况下进行。同时，针对加性高斯噪声和乘性斑点噪声的 不同特性，分别采用不同的阈值训练方式。本文的方法可以同时抑制加性高斯噪声和乘性斑 点噪声这两类主要的噪声。 另外，虽然单一的去噪技术能够有效的抑制噪声，但是可能造成去噪后的图像边缘模糊， 影响图像去噪的质量。为了获得更好的图像视觉效果，本文用边缘提取技术提取去噪后图像 的边缘信息，把提取到的边缘信息对应到去噪后的图像相应的位置处，从而恢复部分去噪时 误判为噪声的边缘点，来提升图像的细节信息。 仿真结果表明，改进的阈值函数相比经典的软阈值函数、硬阈值函数以及一些常用的阈 值函数都有相对较好的去噪效果；优化的阈值无论是在监督学习下还是在无监督学习下，都 有相比于其他的取阈值方法（全局阈值、Miniman 阈值、Bayes 阈值）更好的效果；并且对前 文去噪后的图像进行边缘提取之后再把边缘点恢复到去噪后的图像有略微高的峰值信噪比。 关键词: 小波变换 阈值 阈值函数 高斯噪声 斑点噪声 边缘提取 I Abstract Image denoising is one of the most diverse areas of research in image processing and computer vision. We all hope that after the image denoising the picture could be able to have a good visual effect and high precision, and can keep the important features of image, such as edge, texture and sharp part. Based on this purpose, this thesis proposes a new threshold function for wavelet image denoising. In addition, the value of new threshold function is optimized to improve the efficiency and effectiveness. The threshold is optimized in two cases, supervised learning and unsupervised learning. At the same time, for different characteristics additive Gaussian noise and multiplicative speckle noise,different threshold training methods are used. The proposed method can be used to suppress the noise of the two main classes: additive gaussian noise and multiplicative speckle noise. De