图像去噪技术的研究与实现-毕业论文

图像去噪技术的研究与实现-毕业论文内容摘要：

x 为一维或二维的信号向量或矩阵● in1 为指定处理方式 in为● in2 为指定处理方式 in wv 为使用小波分解 in wp 为使用小波包分解 ● thr 为函数选择的阈值 ● 输出参数 sorh 为函数选择的阈值使用方式 sorh s 为软阈值 sorh h 为硬阈值 ● 输出参数 keepapp 决定了是否对近似分量进行阈值处理可选为 1 或 0 ● 输出参数 crit 为使用小波 包进行分解时选取的熵函数类型 Thselect 函数 thr thselect xtptr 根据信号 x 和阈值选取标准 tptr 来确定一个去噪处理过程中所采用的自适应的阈值 ● tptr rigrsure 使用 Stein 的无偏似然估计原理所得到自适应阈值 ● tptr heursure 启发式阈值选择为最优预测变量阈值选择 ● tptr sqtwolog 固定阈值 ● tptr minii 采用极大极小值原理选择阈值 Wden 函数 [xdcxdlxd] wden xtptrsorhscaln wname 时返回经过小 波去噪处理后的信号 xd 及小波分解结构 [cxd lxd] 当 [xdcxdlxd] wden cltptrsorhscaln wname 时由有噪信号的小波分解结构得到去噪处理后的信号 xd 及其小波分解结构 [xdlxd] ● 输入参数 tptr为阈值选择标准● 输入参数 sorh为函数选择的阈值使用方式 orh s 为软阈值 sorh h 为硬阈值● 输入参数 scal 规定了阈值处理随噪声水平的变化 Wpdencmp 函数 [xdcxdlxdperf0perfl2] wdencmp lvdclwnamenthrsorh 返回经过小 去噪处理后的信号 xd 及小波分解结构 [cxd lxd]lxd 时 thr 必须为一个的矩阵它含有水平斜向和垂直三个方向的独立阈值 ● perf0 和 perfl2 是恢复和压缩范数百分比 ● n 为小波分解的层数 ● wname 为正交小波基函数 ⒉ 二维信号去噪 图像信号都是二维的因此二维信号的去噪是非常重要的二维信去噪的命令和一维信号的命令很相似提供的功能也一样只是多了后缀 2 这个过程其中涉及到以下几个主要函数具体应用如表 32 所示 ● wavedec2 用于二维信号的多层分解 ● detcoef2 求得某一层次的细节系数 ● appcoef2 求得某一层次的近似系数 ● waverec2 多层小波重建原始信号要求输入参数同小波分解得到的结果的格式一致 ● wrcoef2 重建小波系数至某一层次要求输入参数同小波分解得到的结果的格式一致 表 32 二维小波去噪命令和调用方式 命令 调用形式 参数含义 wavedec2 [cl] wavedec2 Xwname 使用小波 wname 对信号 X 进行多层分解 detcoef2 1D detcoef2 cln 2[vd] detcoef2 allcln 1 从分解系数 [cl]中提取第层近似 系数其中 hpact 提取所有细节系数并按行连续存放 2 从分解系数 [cl]中提取第层的所有近似系数并分别存放 appcoef2 1X appcoef2cl wname 2X appcoef2cl wname 1用小波 wname从分解系数 [cl]中提取第层近似系数 2 用小波 wname 从分解系数 [cl]中提取最后一层近似系数 waverec2 waverec2 cl wname 利用小波 wname 把各个层次的近似系数和细节系数重建为原始信号 wrcoef2 1X wrcoef2typecl wname 2X wrcoef2typecl wname 1 用小波 wname 通过分解系数 [cl]重构指定的系数 type 为为返回结果所在的层数 2 用小波 wname 通过分解系数 [cl]重建到最高层 图像去噪技术的设计方案 实现图像去噪的方法有多种可以采用去噪也可以采用的小波域去噪而在小波域又有许多种不同的去噪方法本三种不同方案实现图像去噪 混合中值滤波小波去噪相结合混合中值滤波 ⒈ 噪声检测 41 为不包括窗口中心像素灰度值的均值αβ分⒉ 具体滤波步骤 先对图像进行混合中值 滤波 [9]中值滤波与线性如低通高通滤波的结合形成了混合中值滤波混合中值滤波兼容了中值滤波和线性滤波的优点在滤除椒盐噪声的同时又对图像中的物体细节和轮廓进行了很好的保留具体处理流程如图 1所示 图 41 混合中值滤波流程图小波去噪处理 小波域去噪的方法有很多在这采用小波包分析进行图像去噪处理 [10] ⒈ 小波包的基本理论 ① 分解命令包括小波树分解命令 wpcoef 完全分解命令 wpdec 和 wpdec2 以及小波树节点分解命令 wpsplt ② 重建命令包括小波树重建命令 wprcoef 完全重建命令 wprec 和 wprec2以及小波树节点重建命令 wpjoin ③ 小波树操作命令包括besttressbestlevtentrupdgetreadwenergywp2wtreewpcutree 等组引入小波包的基本思想是为了让信息能量集中即在细节系数中寻找有序性把其中的规律进一步挑出来所以单纯地把所有系数都进行分解在这个层面上对解决问题是没有帮助的只会增加计算量这就需要一定的衡量准则一般采用的是熵最小准则 熵是一个广义的概念在信息论中主要用来度量信息的规律性其中用得最多的是 shannon 熵香农熵熵越小则信息的规律性越强所以一般的判别方 法是看系数分解后的系数的熵之和是否大于原系数的熵根据这种判别准则我们就可以得到一个分解的树形结构 ⒉ 小波包去噪处理 ① 信号的小波包分解选定一个小波包并确定一个小波分解的层次 N 然后对信号 s 进行 N 层次的分解 ② 计算最佳树确定最佳小波基 ③ 小波系数的阈值量化对于每一个小波包分解系数选择一个适当的阈值并对其系数进行量化 ④ 小波包的重构根据第 N 层的小波包分解系数和经过量化处理的系数进行小波包重构小波模极大值去噪去噪原理 ⒈ 信号和噪声的奇异性特征 信号特别是各种时∕空变非平稳性信号奇异性反映了信 号的不规则程度信号的奇异点就是信号中的突变点突变点是描述一个瞬态信号的重要特征 [12]图像信号中灰度锐变点一般位于重要图像结构的边缘信号的奇异性和图像多尺度边缘表征了图像中不同类型不同大小奇异性结构的边缘是图像的重要特征信号的小波变换模极大值描述图像多尺度边缘描述是信号的一种精确描述波模极大值变换能定量地刻画信号的奇异性局部奇异特征用 Lipschitz 奇异指数来描述和衡量而信号与噪声具有不同性质的 Lipschitz 指数即信号是正奇异随机噪声是负奇异⒉ 小波变换模极大值 的小波变换模极大 Mallat 等人建立了 小波变换与 Lipschitz 指数之间的关系 [13]的二进小波变换为对信号进行级分解则存在常数使信号的 Lipschitz 指数与小波变换模极大值满足 42 由式 42 可知对于一般的信号由于小波变换的模极大值将随着的增大而增大而对于高斯白噪声白噪声是指功率谱密度在整个频域内均匀分布的噪声其模极大值随着的增大而减小因此根据不同尺度间小波变换模极大值变换的规律去除幅度随尺度的增加而减小的极值点保留幅度随尺度增加而增加的极值点再保留的模极大值点进行重建可达到去噪的目的⒊ 信号重构 交替投影法虽然精度高但是计算量太大收敛较慢若其他可以快速高效地重构小波系数的方法再结合 Mallat 重构算法可以得出更满意的图像总的说来小波变换模极大给出一种完备的稳定的信号表达其描述重构原信号可以得到原信号的精巧近似去噪步骤 对混有噪声的图像进行 N 次小波分解得到各尺度上的小波变换系数并找出小波变换模极大值 根据信号和噪声在小波变换各尺度上不同传播特性从尺度上的模极大值序列开始在尺。