不同小波基函数的去噪结果分析.pptVIP

Tianjin University * 研究背景 1 为什么进行图像去噪？ 3 小波图像去噪的发展 常见噪声类型及去噪方法 2 Tianjin University * 为什么进行图像去噪？ 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、目标跟踪等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除图像中无用的噪声。所以，降噪处理一直是图像处理和计算机视觉研究的热点。 Tianjin University * 常见噪声类型及去噪方法 高斯噪声 椒盐噪声 散斑噪声 随机值噪声 … … 去噪方法：均值滤波、中值滤波、维纳滤波、高斯滤波、马尔可夫随机场模型、偏微分方程、小波分析… Tianjin University * 小波图像去噪的发展 第一阶段：利用小波变换模极大值方法结合边缘检测去噪； 第二阶段：小波变换阈值去噪； 第三阶段：多小波图像去噪，如GHM多小波； 第四阶段：基于小波系数模型的去噪； 第五阶段：脊波、曲波、轮廓波、剪切波去噪。 Tianjin University * 小波图像去噪理论及常用方法 1 小波图像去噪原理 常用的小波阈值函数 2 Tianjin University * 小波图像去噪原理 小波图像变换的三级分解示意图 图像和噪声在经小波变换后具有不同的统计特性：图像本身的能量对应着幅值较大的小波系数，主要集中在低频（LL）部分；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。基于此可设置一个合适的阈值门限，认为大于该阈值的小波系数的主要成份为有用的信号，给予收缩后保留；小于该阈值的小波系数，主要成份为噪声，予以置零剔除；然后经过阈值函数映射得到估计系数；最后对估计系数进行逆变换，就可以实现去噪和重建。去噪时，通常认为低通系数含有大量的图像能量，一般不作处理，只对剩余三个高通部分进行处理。一次阈值去噪并不能完全去除噪声，还需要对未作处理的低频部分（LL）再次进行小波分解和阈值去噪，直到实际图像与估计图像的偏差达到最小值。但是，随着分解和去噪次数的增加，小波系数中的噪声能量越来越小，并且趋于分散，去噪的效果将逐渐降低。一般来说，进行3-4层小波分解和去噪就可以达到满意的去噪效果。 Tianjin University * 常用的小波阈值函数 软阈值函数： 硬阈值函数： 折中阈值函数： 半阈值函数： Tianjin University * 实验结果分析 1 图像去噪效果评价标准 3 同一小波基函数下不同去噪方法结果分析 不同小波基函数的去噪结果分析 2 Tianjin University * 图像去噪效果评价标准 均方误差(MSE)： 注：MSE越小说明去噪效果越好。 Tianjin University * 不同小波基函数的去噪结果分析 原图 高斯噪声图15% db8 haar sym4 bior2.4 coif3 Tianjin University * 不同小波基函数的去噪结果分析 Tianjin University * 不同小波基函数的去噪结果分析 原图 散斑噪声图15% db8 haar sym4 bior2.4 coif3 Tianjin University * 不同小波基函数的去噪结果分析 Tianjin University * 不同小波基函数的去噪结果分析 原图 椒盐噪声图15% db8 haar sym4 bior2.4 coif3 Tianjin University * 不同小波基函数的去噪结果分析 Tianjin University * 同一小波基函数下不同去噪方法结果分析 原图 高斯噪声图20% 中值滤波 高斯滤波 维纳滤波 软阈值 硬阈值 折中阈值 半阈值 Tianjin University * 同一小波基函数下不同去噪方法结果分析 Tianjin University * 同一小波基函数下不同去噪方法结果分析 原图 散斑噪声图20% 中值滤波 高斯滤波 维纳滤波 软阈值 硬阈值 折