基于小波變換的圖像去噪方法研究講述

1、基于小波變換的圖像去噪方法研究01研究背景與意義03噪聲及去噪圖像質(zhì)量評(píng)價(jià)02傳統(tǒng)去噪方法04基于小波變換圖像去噪05調(diào)用到的程序以及函數(shù)Contents目錄06比較并得出結(jié)論現(xiàn)實(shí)中的圖像由于種種原因都是帶噪聲的。噪聲惡化了圖像質(zhì)量，使圖像模糊，甚至淹沒(méi)和改變特征，給圖像分析和識(shí)別帶來(lái)困難。為了去除噪聲，會(huì)引起圖像邊緣的模糊和一些紋理細(xì)節(jié)的丟失。反之，進(jìn)行圖像邊緣增強(qiáng)也會(huì)同時(shí)增強(qiáng)圖像噪聲。實(shí)驗(yàn)表明，基于小波變換的圖像去噪方法應(yīng)用于農(nóng)產(chǎn)品圖像去噪具有信噪比高、視覺(jué)效果好等優(yōu)點(diǎn)，將小波變換用于農(nóng)產(chǎn)品圖像去噪是有效、可行的。因而本文進(jìn)行了基于小波變換的對(duì)圖像去噪方法的研究。闡述了小波去噪原理和方法，

2、初步探討了小波去噪中的閾值選取，并基于MATLAB實(shí)現(xiàn)了小波去噪中軟、硬閾值的計(jì)算機(jī)仿真，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析比較。容請(qǐng)寫在這里您的內(nèi)容請(qǐng)寫在這里您的內(nèi)容請(qǐng)寫在這里您的內(nèi)容您的內(nèi)容請(qǐng)寫在這里研究背景研究背景圖像去噪是圖像處理研究領(lǐng)域中的一個(gè)基礎(chǔ)而又重要的問(wèn)題。在農(nóng)業(yè)信息化、智能化、自動(dòng)化分級(jí)與檢測(cè)和機(jī)器視覺(jué)等領(lǐng)域，涉及到大量的農(nóng)產(chǎn)品圖像處理問(wèn)題，圖像去噪作為重要的圖像預(yù)處理步驟之一。在傳統(tǒng)的去噪方法中，有效的去噪和保留圖像細(xì)節(jié)信息是非常矛盾的 ，其去噪效果都不是很理想。小波變換在對(duì)圖像進(jìn)行去噪的同時(shí)，又能成功地保留圖像的邊緣信息。研究意義研究意義5依據(jù)噪聲對(duì)圖像的影響，可將噪聲分為加性噪聲和

3、乘性噪聲兩大類。由于乘性噪聲可以通過(guò)變換當(dāng)加性噪聲來(lái)處理，因此我們一般重點(diǎn)研究加性噪聲。加性噪聲中包括椒鹽噪聲、高斯噪聲等典型的圖像噪聲，所以本文去噪的主要目的是去掉高斯噪聲和椒鹽噪聲對(duì)圖像的影響。噪聲噪聲6峰值信噪比（PSNR）和均方誤差（MSE）。去噪性能評(píng)價(jià)指標(biāo)10log()MNPSNRMSE2222121niniMSEnnxxxx小波變換小波變換小波能夠消噪主要得益于小波變換具有低觴性、多分辨率特性、去相關(guān)小波能夠消噪主要得益于小波變換具有低觴性、多分辨率特性、去相關(guān)性、基函數(shù)選擇靈活。性、基函數(shù)選擇靈活。2021-7-308含噪圖像閾值選擇小波分解小波重構(gòu)圖像小波高頻系數(shù)處理小波去噪

4、流程小波去噪流程小波閾值去噪方法小波閾值去噪方法 計(jì)算含噪圖像的正交小波變換。選擇合適的小波基和小波分解層數(shù)J（本文選取J=2），運(yùn)用MALLAT分解算法將含噪圖像進(jìn)行J層小波分解，得到相應(yīng)的小波分解系數(shù)。A對(duì)分解后的高頻系數(shù)進(jìn)行閾值量化，對(duì)于從1到J的每一層，選擇一個(gè)恰當(dāng)?shù)拈撝?每層的閾值不相同)和合適的閾值函數(shù)將分解得到的高頻系數(shù)進(jìn)行閾值量化，得到估計(jì)小波系數(shù)。B進(jìn)行小波逆變換。根據(jù)圖像小波分解后的第J層低頻系數(shù)（尺度系數(shù)）和經(jīng)閾值量化處理后得到的各層高頻系數(shù)（小波系數(shù)），運(yùn)用MALLAT重構(gòu)算法進(jìn)行小波重構(gòu)，得到去噪后的圖像。C小波閾值法的一個(gè)中心問(wèn)題是閾值的確定，閾值選取的好壞直接關(guān)系

5、到圖像去噪效果的好壞，如果選取較小的閾值，可以盡可能多的保留小波系數(shù)，從而可能保留更多的圖像信息，但同時(shí)噪聲也被保留下來(lái)。反過(guò)來(lái)，如果設(shè)定一個(gè)較大的閾值，這樣可以消除更多的噪聲，同時(shí)也會(huì)損失圖像中的高頻信息。硬閾值函數(shù):小波系數(shù)的絕對(duì)值不小于設(shè)定閾值，令其保持不變作為估計(jì)小波系數(shù)，否則的話，令其為零。硬閾值函數(shù):小波系數(shù)的絕對(duì)值不小于設(shè)定閾值，令其減去設(shè)定閾值作為估計(jì)小波系數(shù)，否則的話，令其為零。閾值的選取通用閾值：本文設(shè)定閾值： 閾值函數(shù)的選取閾值函數(shù)的選取, |0, |j kj kj kj k ,sgn().(| ) , |0, |jkjkjkjkjk 2 ln Nj2ln N比較不同母小

6、波函數(shù)對(duì)小波閾值去噪影響小波函數(shù)db2分解后重構(gòu)圖像小波函數(shù)sym4分解后重構(gòu)圖像原圖像含噪圖像對(duì)同類型噪聲不同濾波法去噪效果對(duì)比維納濾波硬閾值去噪軟閾值去噪椒鹽噪聲圖像加入密度為0.01的椒鹽噪聲：中值濾波均值濾波對(duì)含有不同噪聲類型的同一圖像采用這幾種濾波方法進(jìn)行處理3 3fanshiliu圖像去噪后的質(zhì)量評(píng)價(jià)結(jié)果第第章章密度為0.01椒鹽噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR81.7681 93.079774.258374.4833MSE4.3278e-0053.1997e-0050.00240.0023密度為0.03椒鹽噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR77.74

7、4392.425970.607373.8957MSE0.00113.7196e-0050.00570.0027方差為0.01高斯白噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR77.0000 75.552375.377773.5693MSE0.00130.00180.00190.0029密度為0.03高斯白噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR75.0208 73.987873.916572.5543MSE0.00200.00260.00260.0036部分程序close all;clear all;clc;%關(guān)閉所有圖形窗口，清除工作空間所有變量，清除命令行I=imread(F:

8、matlabbinfanshiliu.jpg);I=rgb2gray(I);I=im2double(I);J=imnoise(I,gaussian,0,0.01);PSF=fspecial(average,3);%產(chǎn)生PSFL=imfilter(J,PSF);%均值濾波K=medfilt2(J,3,3);%中值濾波M=wiener2(J,3,3);%自適應(yīng)維納濾波c,l=wavedec2(J,2,sym4);%用sym4小波函數(shù)對(duì)圖像進(jìn)行兩層分解a2=wrcoef2(a,c,l,sym4,2);%重構(gòu)第2層圖像的近似系數(shù)n=1,2;%設(shè)置尺度向量p=10.28,24.08;%設(shè)置閾值向量nc=

9、wthcoef2(t,c,l,n,p,s);mc=wthcoef2(t,nc,l,n,p,s);N=waverec2(mc,l,db2);figure;subplot(321);imshow(I);xlabel(圖1-1 原圖像)subplot(322);imshow(J);xlabel(圖1-2 高斯噪聲圖像)subplot(323);imshow(K);xlabel(圖1-3 均值濾波)subplot(324);imshow(L);xlabel(圖1-4 中值濾波)subplot(325);imshow(M);xlabel(圖1-5 維納濾波)subplot(326);imshow(N);

10、xlabel(圖1-6 小波閾值去噪)結(jié)論結(jié)論中值濾波是常用的非線性濾波方法，對(duì)椒鹽噪聲特別有效，取得了很好的效果，而對(duì)高斯噪聲效果不佳。B維納濾波對(duì)高斯噪聲有明顯的抑制作用，相對(duì)與均值濾波和中值濾波，維納濾波對(duì)這兩種噪聲的抑制效果更好，缺點(diǎn)就是容易失去圖像的邊緣信息。C小波閾值去噪對(duì)小波系數(shù)進(jìn)行閾值處理可以在小波變換域中去除低幅值的噪聲和不期望的信號(hào)，效果最好。D均值濾波是典型的線性濾波，對(duì)高斯噪聲的抑制是比較好的，但對(duì)椒鹽噪聲的抑制作用不好，椒鹽噪聲仍然存在，只不過(guò)被削弱了而已。A用到的相關(guān)函數(shù)用到的相關(guān)函數(shù)2021-7-30小波分解：小波分解：sym4()sym4()函數(shù)；函數(shù)；wavedec2()wavedec2()函數(shù)函數(shù)小波重構(gòu)小波重構(gòu): :提取細(xì)節(jié)提取細(xì)節(jié)wrcoef2()wrcoef2()函數(shù)。函數(shù)。2021-7-30小波閾值圖像去噪方法可以去除圖像的絕大部分噪聲，有較好的效果，但是由于閾值函數(shù)和閾值選取方式自身存在的問(wèn)題，設(shè)置的閾值并不能完全去除圖像噪聲，還會(huì)由于閾值函數(shù)的問(wèn)題而使去噪后的圖像視覺(jué)效果不佳，這就需要對(duì)閾值函數(shù)和閾值選取方式進(jìn)行不斷的改進(jìn)，得到可以更好地去除圖像噪聲的小波閾值去噪方法。實(shí)際應(yīng)用中去噪實(shí)際應(yīng)用中去噪2021-7-30本次是對(duì)已知噪聲圖像