小波包和滤波法的图像去噪_及边缘检测算法分析比较.docVIP

小波包和滤波法的图像去噪分析比较 小波包变换和算子法图像边缘检测分析比较 图像去噪 图像的能量主要集中在低频区域里，细节部分的能量处于高频区，噪声也同时集中于高频区域。图像去噪的本质是要去除或者说是衰减图像的高频部分，增强低频分量，相当于低通滤波。判断图像去噪算法性能是否优越的的准绳是能否在最大程度去除噪声的同时又能保持图像原特征最大化。在本次试验中我将以去噪后的峰值信噪比来作为判断去噪质量好坏的依据，因为直接的人为主观判断会造成误差，尤其在去噪质量差不多的情况下。 图像去噪的方法有很多，本次试验将通过matlab仿真对小波包图像去噪法和其他几种常见的滤波方法去噪进行比较。滤波方法去噪本文列举三种，分别是邻域滤波、中值滤波和维纳滤波。下面将简要介绍下这几种方法。 邻域滤波法去噪它是最简单的线性滤波，它是用邻域的像素灰度平均值来代替像素灰度值，去噪的同时也将图像高频分量和细节信息也去掉了。中值滤波法去噪它是非线性滤波，是一种基于排序统计理论有效抑制噪声的非线性平滑滤波算法。通过这种平滑滤波方法来抑制噪声、保护细节，理论上证明他对椒盐噪声的抑制十分有效。维纳滤波滤波法去噪它是一种自适应的线性滤波技术，相对上面两种方法复杂度大些，它是根据最小均方误差准则来实现的，所以均方误差值的大小就关系着处理效果的好坏，其最终目的是要均方误差最小。 小波包去噪法主要是通过小波包变换，将图像的高频和低频分量同时进行分解，具有精确的局部分析能力，使图像达到更好的去噪效果。在小波包去噪法中，往往小波包的树结构有多重，不同的树结构对去噪的影响也是不同的。下面将通过实验仿真来验证比较这几种去噪方法的性能。滤波去噪法仿真中采用了3*3图像模板，，小波包去噪法中采用sym4小波，进行三层分解，并对低频部分进行重构，对图像分别加高斯噪声和椒盐噪声处理，然后对结果进行分析比较。 实验仿真分析 小波包去噪（为了方便解释，在此称为树结构1） clear all M0=imread(D:\我的作业\小波作业\期末小波\去噪\gongyuan.png); M=rgb2gray(M0); Mn=imnoise(M,gaussian,0,0.008);%加高斯噪声 figure() subplot(221);imshow(M);title(原始图像); subplot(222);imshow(Mn);title(加高斯白噪声后的图像); %用小波sym4对图像Mn进行3层小波包分解 T=wpdec2(double(Mn),3,sym4); %设置阈值 thr=20.342; %对图像的小波包分解系数进行软阈值量化 NT=wpthcoef(T,0,s,thr); %0表示对细节（高频）部分也量化 %仅对低频系数进行重构 X2=wprcoef(NT,1); %画出消噪后的图像 subplot(2,2,3); imshow(uint8(X2)); set(gcf,color,w); title(小波包消噪后的图像(sym4)); [PSNR,MSE]=Psnr(M,X2) %调用了峰值信噪比函数，见附录 得到的仿真图形如图1所示： 图1 小波包去噪（高斯噪声） 改变小波包树结构（树结构2） 用wpsutree()函数分割小波包树 %改变树结构小波包图像去噪 clear all clc M0=imread(D:\我的作业\小波作业\期末小波\去噪\gongyuan.png); M=rgb2gray(M0); Mn=imnoise(M,gaussian,0,0.008); subplot(221);imshow(M);title(原始图像); subplot(222);imshow(Mn);title(加高斯白噪声后的图像); %基于小波包的消噪处理 T=wpdec2(double(Mn),3,sym4); T1=wpcutree(T,1);%在第1层上分解小波包树T plot(T1) thr=20.342; %设置阈值 %对图像的小波包分解系数进行软阈值量化 NT=wpthcoef(T1,0,s,thr); %仅对低频系数进行重构 X2=wprcoef(NT,1); %画出消噪后的图像 subplot(2,2,3); imshow(uint8(X2)); set(gcf,color,w); title(改变小波包树结构消噪的图像); [PSNR1,MSE1]=Psnr(M,X2) 仿真结果如图2所示 图2 在第一层上分解小波包树后去噪效果（高斯噪声） 分析比较不同树结构对图像去噪影响： 比较图1和图2可看出，两种不同小波包树结构对同一图像的去噪效果有明显的差别。在图1中是进行三层分解，然后去噪，仿真出来的峰值峰值信噪比为29.185