基于小波變換的圖像去噪方法研究課件

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，甚至淹沒和改變特征，給圖像分析和識(shí)別帶來困難。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)器視覺等領(lǐng)域，涉及到大量的農(nóng)產(chǎn)品圖像處理問題，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5依據(jù)噪聲對(duì)圖像的影響，可將噪聲分為加性噪聲和乘性噪聲兩大類。

3、由于乘性噪聲可以通過變換當(dāng)加性噪聲來處理，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)性、基函數(shù)選擇靈活。2022/10/48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)處理小波去噪流程小波閾值法的一個(gè)中心問題是閾值的確定，閾值選取的好壞直接關(guān)系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。反過來，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

4、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)的選取比較不同母小波函數(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)行處理部分程序close all;clear all;

5、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: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

6、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=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)

7、;xlabel(圖1-5 維納濾波)subplot(326);imshow(N);xlabel(圖1-6 小波閾值去噪)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，只不過被削弱了而已。A2022/10/4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)的問題而使去噪后的圖像視覺效果不佳，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2022/10/4本次是對(duì)已知噪聲圖像進(jìn)行去噪處理，實(shí)際應(yīng)用中，處理噪聲圖像前應(yīng)明確以下兩點(diǎn)：(1)圖像受到何種類型的噪聲干擾；(2)受噪