小波变换在图像处理中的应用去噪融合水印.pdfVIP

一 .基础原理 1.小波简介 小波一词由 Morlet 和 Grossman 在 1980 年代早期提出，其思想来源于伸缩平移方法。 小波分析 (wavelet analysis), 或小波转换 (wavelet transform) 是指用有限长或快速衰减 的、称为母小波 (mother wavelet) 的振荡波形来表示信号。该波形被缩放和平移以匹配输入 的信号。 小波变换是将时间信号展开为小波函数族的线性叠加， 小波变换的核函数是小波函 数，它在时间和频率域内都是局部化的。 所以， 小波变化可对信号同时在时－频域内进行联 合分析。 小波变换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT) 。两者的主要区 别在于， 连续变换在所有可能的缩放和平移上操作， 而离散变换采用所有缩放和平移值的特 定子集。 小波分析的一个重要领域就是是图像处理。 小波分解可以把小波分层次按照小波基展开， 并可以根据图像的性质及给定的图像处理标准确定具体要展开到哪一级， 还可以把细节分量 和近似分量展开， 所以小波分析常用于信号的压缩、 去噪等方面， 是图像处理的一个极其重 要的工具。本报告中将具体实例说明小波分解在图像中的应用。 2.小波变换应用 包括去噪，图像的压缩，图像的融合以及水印技术。 2.1 去噪原理： 在实际工程应用中， 通常所分析的信号具有非线性， 非平稳 ,并且奇异点较多 的特点。 含噪的一维信号模型可表示为： 式 1 s(t ) f (t ) * e(t ) t 0,1, , n _ 1 其中， f(t) 为真实信号， s(t) 为含噪信号， e(t)为噪声， 为噪声标准偏差。 有用信号通常表现为低频信号或是相对比较平稳。 而噪声信号通常表现为高频信号。 利 用小波对含噪的原始信号分解后， 含噪部分主要集中在高频小波系数中， 并且， 包含有用信 号的小波系数幅值较大，但数目少；而噪声对应的小波系数幅值小，数目较多。 基于上述特点，可以应用门限阈值法对小波系数进行处理。 （即对较小的小波系数置为０， 较大的保留或削弱） ，然后对信号重构即可达到消噪的目的。在去噪方面，小波分析由于能 同时在时－频域中对信号进行分析， 具有多分辨分析的功能， 所以在不同的分解层上有效的 区分信号的突变部分和噪声，从而实现信号的消噪。 2.2 图像压缩原理： 一个图像作小波分解以后， 可得到一系列不同分辨率的图像， 不同分辨率的子图像对应 的频率是不相同的。高分辨率（即高频）子图像上大部分点的数值都接近 0 ，越是高频这种 现象越明显。 对于一个图像来说， 表现一个图像最主要的部分是低频部分， 所以一个最简单 的压缩方法是利用小波分解，去掉图像的高频部分，而只保留低频部分。 2.3 图像的融合原理： 图像融合是将两幅或多幅图像融合在一起，以获取对同一场景的更为精确、 更为全面、更为可靠的图像描述。融合算法应该充分利用各原图像的互补信息， 使融合后的图像更适合人的视觉感受， 适合进一步分析的需要； 并且应该统一编 码，压缩数据量，以便于传输。 图像融合可分为三个层次 : a.像素级融合 b.特征级融合 c.决策级融合 其中像素级融合是最低层次的融合， 也是后两级的基础。 它是将各原图像中 对应的像素进行融合处理， 保留了尽可能多的图像信息， 精度比较高， 因而倍受