小波域噪声抑制知识讲解.docxVIP

小波域噪声抑制 020852班白墨琛 、实验目的 在小波变换域实现图像噪声抑制。 、算法概要 在分析突变信号和非平稳信号时， Fourier分析显得无能为力，因此需要寻找新的分析 工具，使之适合突变信号和非平稳信号。小波分析正是在这一背景下产生的。 小波分析基本思想来源于可变窗口的伸缩和平移。 Mallat提出了实现小波变换的金字 塔快速算法(Mallat算法)，使得小波变换真正进入了实际应用。小波变换是一种信号的时 间-频率分析方法，它具有多分辨分析的特点，而且在时域和频域都具有表征信号局部特征 的能力，是一种窗口大小固定不变但其形状可改变而且时间窗和频率窗都可以改变的时频局 部化分析方法。根据高频和低频使时间 -频率变窄或变宽，即在低频部分具有较高的频率分 辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分布率， 很适合 于探测正常信号中加带的瞬态反常现象并展示其成分， 所以被誉为分析信号的显微镜。原则 上讲，传统上使用傅立叶分析的地方，都可以用小波分析取代。小波分析优于傅立叶变换的 地方是，它在时域和频域同时具有良好的局部化性质。 连续小波变换 设W (x)€L2(R )，其傅立叶变换为 颦(w),当牺(w)满足允许条件(完全重构条件或恒 等分辨条件) (4-1) 时，称贸x )为一个基本小波。将 W(x )伸缩和平移后得 a,b X = 1 a,b X = 1 ，-? r a,b R;a=0 (4-2) 其中a为伸缩因子，b为平移因子。 对于任意的函数 f (x广L2 (R )的连续小波变换和逆变换为 (4-3)Wf a,b =：：f「a,b = a|2 R f x-皓 dxf x )=土,芸己￡^ a,b、＜ dadb (4-3) 离散小波变换 在实际应用中，尤其是在计算机上实现时，连续小波必须加以离散化。因此，有必要 讨论连续小波 ％,」x)和连续小波变换 Wf(a,b )的离散化。这一离散化都是针对连续尺度参数 a个连续平移参数 b的，而不是针对变量 x的。为了使离散后的函数组能覆盖整个 a,b所表 TOC \o 1-5 \h \z 示的平面，取a。》1,品》1 ,使得 a =30」,b =nb oaf j,kEZ (4-4) 且将平a,b(X )改记为平j,k(X )，即 Wj,k (x )=a。?膂 I x ka。 LajW(a0x—kb。) (4-5) la。) 相应的离散小波变换为 Cf (j,k)= [f (xy\k(xdx (4-6) 取a。=2,b。=1,则Wj,k (x )=2j「2W (2jx —k ),就形成离散小波变换中最常用的二进小波。 二维小波变换 由于图像是二维信号，考虑二维尺度函数是可分离的情况，也就是： q\x,y)=8(x) ,中(y) (4-7) 其中9(x)是一维尺度函数。甲(x)是与之相对应的小波函数， 那么就可以得到二维小波 变换的三个基本小波： 顷(x,y)= (x)- (y) #2(x,y) =￥(x/P(y) (4-8) - 3(x,y)」- (x)、(y) 需要注意的是这里使用的上标只是索引而不是指数。 L2(R2)的函数f可以写为如下形式 f(x, y) =￡ 弘平j,k(x, y)+￡ Z djWj^(x, y) (4-9) k k ?旦,2,3 由Mallat算法可知，二维图像的分解可以通过沿 x方向和y方向分别进行一维滤波得 到。于是图像的正交小波分解可以理解为一组独立的空间有向的频率通道上的信号分解。 每 一尺度分解成四个子带 LL、HL、LH和HH,分别表征图像的低频信息及水平、垂直和斜 方向上的细节。图 4.1所示为图像的三层小波分解的结果。 图4.1图像的三层小波分解示意图 从小波变换的能量观点来看，高斯噪声的小波变换仍然是高斯分布， 它是均匀分布在相 空间的各个部分，而信号由于其带限性， 它的小波变换系数仅仅集中在相空间的上的一小部 分。在小波域上，所有的小波系数都对噪声有贡献， 也就是噪声的能量分布在所有的小波系 数上，而只有一小部分小波系数对信号能量有贡献， 所以可以把小波系数分为两类： 第一类 小波系数仅仅由噪声变换得到， 这类小波系数幅值小， 数目较多；第二类小波系数由信号变 化得到，并包含噪声的变换结果，这类小波系数幅值大，数目较少。从这点出发，可以通过 系数幅值上的差异构造来达到去噪的效果。 小波阈值去噪分三个步骤：利用小波变换对图像进行分解；设置一定的阈值对小波系数 进行处理；小波逆变换得到空域结果图像。 其中最关键的就是如何选择阈值， 因为它控制图 像噪声和信息的分离。 对小波系数的阈值处理有硬门限和软门限两种方法， 硬门限将小于阈 值的小波系数置为零，大于阈值的保留；软门限是基于 Do