不同小波基函数去噪结果分析详解.ppt

小波在图像去噪中的应用 电气与自动化工程学院 控制科学与工程 苏永钢:1014203042  目录 1研究背景 2小波图像去噪理论及常用方法 实验结果分析  研究背景 1为什么进行图像去噪? 2常见噪声类型及去噪方法 3小波图像去噪的发展  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  常见噪声类型及去噪方法 k醚圖 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  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。  小波图像去噪理论及常用方法 1小波图像去噪原理 2常用的小波阙值函数  小波图像去噪原理 二级[ HL|小 IHL 原始图像 LH HH ILH I IHH ILH IHH 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(L)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,小波系薮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 T  常用的小波阈值函数 sgn(,)(-.p27 软阈值函数 0 硬阈值函数: 0, -a7 折中阈值函数 ≤a≤1 T(w T2 半阈值函数: gn(w T2-7  实验结果分析 1图像去噪效果评价标准 2不同小波基函数的去噪结果分析 3同一小波基函数下不同去噪方法结果分析