小波變換和數(shù)字圖像處理中的應(yīng)用

關(guān)于小波變換和數(shù)字圖像處理中的應(yīng)用第一頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的快速實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第二頁，共一百零八頁，2022年，8月28日

Fourier變換一直是信號(hào)處理領(lǐng)域中應(yīng)用最廣泛、效果最好的一種分析手段，是時(shí)域到頻域互相轉(zhuǎn)化的工具，從物理意義上講，傅里葉變換的實(shí)質(zhì)是把對(duì)原函數(shù)的研究轉(zhuǎn)化為對(duì)其傅里葉變換的研究。但是傅里葉變換只能提供信號(hào)在整個(gè)時(shí)間域上的頻率，不能提供信號(hào)在某個(gè)局部時(shí)間段上的頻率信息。8.1從傅里葉變換到小波變換的

時(shí)頻分析法8.1.1傅里葉變換第三頁，共一百零八頁，2022年，8月28日8.1.1傅里葉變換

傅里葉變換：對(duì)于時(shí)域的常量函數(shù)，在頻域?qū)⒈憩F(xiàn)為沖擊函數(shù)，表明具有很好的頻域局部化性質(zhì)。

傅里葉變換反傅里葉變換第四頁，共一百零八頁，2022年，8月28日8.1.1傅里葉變換x=sin(2*pi*50*t)+sin(2*pi*300*t);%產(chǎn)生50HZ和300HZ的信號(hào)f=x+3.5*randn(1,length(t));%在信號(hào)中加入白噪聲時(shí)間第五頁，共一百零八頁，2022年，8月28日由于傅立葉變換無法作局部分析，為此，人們提出了短時(shí)傅里葉變換（STFT）的概念，即窗口傅里葉變換。短時(shí)傅里葉變換將整個(gè)時(shí)間域分割成一些小的等時(shí)間間隔，然后在每個(gè)時(shí)間段上用傅里葉分析，它在一定程度上包含了時(shí)間頻率信息，但由于時(shí)間間隔不能調(diào)整，因而難以檢測持續(xù)時(shí)間很短、頻率很高的脈沖信號(hào)的發(fā)生時(shí)刻。8.1.2短時(shí)傅里葉變換第六頁，共一百零八頁，2022年，8月28日8.1.2短時(shí)傅里葉變換基本思想是：把信號(hào)劃分成許多小的時(shí)間間隔，用傅立葉變換分析每一個(gè)時(shí)間間隔，以便確定該時(shí)間間隔存在的頻率。STFT的處理方法是對(duì)信號(hào)施加一個(gè)滑動(dòng)窗(反映滑動(dòng)窗的位置)后，再作傅立葉變換。即：時(shí)限頻限第七頁，共一百零八頁，2022年，8月28日8.1.2短時(shí)傅里葉變換第八頁，共一百零八頁，2022年，8月28日8.1.2短時(shí)傅里葉變換

短時(shí)傅里葉變換的分析特點(diǎn)(a)頻率變化的影響(b)基本分析單元的特點(diǎn)第九頁，共一百零八頁，2022年，8月28日小波起源：

1984年Morlet提出;1985年Meyer構(gòu)造出小波;1988年，Daubechies證明了離散小波的存在;1989年，Mallat提出多分辨分析和二進(jìn)小波變換的快速算法;1989年Coifman、Meyer引入小波包;1990年崔錦泰等構(gòu)造出樣條單正交小波基;1994年Sweldens提出二代小波－提升格式小波(LiftingScheme)。小波定義：“小”是指在時(shí)域具有緊支集或近似緊支集，“波”是指具有正負(fù)交替的波動(dòng)性，直流分量為0。小波概念：是定義在有限間隔而且其平均值為零的一種函數(shù)。8.1.3小波變換第十頁，共一百零八頁，2022年，8月28日持續(xù)寬度相同振蕩波波與小波的差異：第十一頁，共一百零八頁，2022年，8月28日用鏡頭觀察目標(biāo)(待分析信號(hào))。代表鏡頭所起的作用(如濾波或卷積)。相當(dāng)于使鏡頭相對(duì)于目標(biāo)平行移動(dòng)。的作用相當(dāng)于鏡頭向目標(biāo)推進(jìn)或遠(yuǎn)離。小波變換的粗略解釋8.1.4小波變換的時(shí)頻分析第十二頁，共一百零八頁，2022年，8月28日尺度a較大距離遠(yuǎn)視野寬概貌觀察尺度a較小距離近視野窄細(xì)節(jié)觀察分析頻率低分析頻率高由粗到精多分辨分析品質(zhì)因數(shù)保持不變第十三頁，共一百零八頁，2022年，8月28日小波變換的時(shí)頻分析特點(diǎn)：

小波變換的分析特點(diǎn)(a)尺度a不同時(shí)時(shí)域的變化(b)尺度a不同時(shí)頻域的變化第十四頁，共一百零八頁，2022年，8月28日小波變換的多分辨分析特性：不同a值下小波分析區(qū)間的變化不同a值下分析小波頻率范圍的變化第十五頁，共一百零八頁，2022年，8月28日頻窗時(shí)窗小波變換的時(shí)頻局部特性：第十六頁，共一百零八頁，2022年，8月28日8.1.5連續(xù)小波變換尺度因子的作用是將基本小波做伸縮，越大越寬。小波的位移與伸縮第十七頁，共一百零八頁，2022年，8月28日設(shè)，當(dāng)滿足允許條件時(shí)：8.1.5連續(xù)小波變換稱為一個(gè)“基小波”或“母小波”。小波變換的含義是：把基本小波(母小波)的函數(shù)作位移后，再在不同尺度下與待分析信號(hào)作內(nèi)積，就可以得到一個(gè)小波序列。第十八頁，共一百零八頁，2022年，8月28日連續(xù)情況時(shí)，小波序列為：(基本小波的位移與尺度伸縮)其中為尺度參量，為平移參量。離散的情況，小波序列為：第十九頁，共一百零八頁，2022年，8月28日根據(jù)容許條件要求，當(dāng)ω=0時(shí)，為使被積函數(shù)是有效值，必須有，所以可得到上式的等價(jià)條件為：此式表明中不含直流，只含有交流，即具有震蕩性，故稱為“波”，為了使具有局部性，即在有限的區(qū)間之外很快衰減為零，還必須加上一個(gè)衰減條件：第二十頁，共一百零八頁，2022年，8月28日衰減條件要求小波具有局部性，這種局部性稱為“小”，所以稱為小波。對(duì)于任意的函數(shù)的連續(xù)小波變換定義為：逆變換為：

是尺度因子，反映位移。

第二十一頁，共一百零八頁，2022年，8月28日線性設(shè)：

平移不變性若，則伸縮共變性如果

的CWT是則的CWT是冗余性(自相似性)由連續(xù)小波變換恢復(fù)原信號(hào)的重構(gòu)公式不是唯一的8.1.6連續(xù)小波的性質(zhì)第二十二頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的快速實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第二十三頁，共一百零八頁，2022年，8月28日8.2小波變換分類

小波函數(shù)中三個(gè)變量均為連續(xù)變量，稱為連續(xù)小波?？梢詫?duì)三個(gè)變量施加不同的離散化條件，并相應(yīng)地對(duì)小波及小波變換進(jìn)行分類。其中，最重要的兩種分類：

離散小波及離散小波變換二進(jìn)小波及二進(jìn)小波變換第二十四頁，共一百零八頁，2022年，8月28日8.2.1離散小波變換如果設(shè)定，則對(duì)于任意函數(shù)，定義相應(yīng)的離散小波變換為：如果這時(shí)構(gòu)成空間的一組規(guī)范正交基，對(duì)于任一函數(shù)的反演式為一展開式：第二十五頁，共一百零八頁，2022年，8月28日8.2.2二進(jìn)小波及二進(jìn)小波變換在連續(xù)小波變換中，令參數(shù)而參數(shù)仍取連續(xù)值，則有二進(jìn)小波：這時(shí)，的二進(jìn)小波變換定義為第二十六頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的快速實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第二十七頁，共一百零八頁，2022年，8月28日

多分辨分析是小波分析中最重要的概念之一，它將一個(gè)函數(shù)表示為一個(gè)低頻成分與不同分辨率下的高頻成分，并且多分辨分析能提供一種構(gòu)造小波的統(tǒng)一框架，提供函數(shù)分解與重構(gòu)的快速算法。由理想濾波器引入多分辨率分析的概念：8.3小波變換的多分辨分析特性第二十八頁，共一百零八頁，2022年，8月28日多分辨分析定義：空間中的一系列閉子空間，稱為的多分辨率分析或逼近，若下列條件滿足：單調(diào)性：，對(duì)任意逼近性：伸縮性：平移不變性：Riesz基：存在，使構(gòu)成的Riesz基，即是線性無關(guān)的，且存在常數(shù)與，滿足使得對(duì)任意的，總存在序列使得且，稱為尺度函數(shù)，并稱生成的一個(gè)多分辨分析。第二十九頁，共一百零八頁，2022年，8月28日是一個(gè)無限維向量空間，稱為平方可積空間，將用它的子空間，表示，其中稱為尺度空間，稱為小波空間。尺度空間的遞歸嵌套關(guān)系：小波空間是和之間的差，即，它捕捉由逼近時(shí)丟失的信息。推出：

多分辨率的空間關(guān)系圖第三十頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第三十一頁，共一百零八頁，2022年，8月28日兩尺度方程若是尺度函數(shù)，它生成的多分辨分析，則必然存在系數(shù)序列，使得以下尺度關(guān)系成立:這就是兩尺度方程，必須滿足下列條件：定義函數(shù)為尺度函數(shù)，若其經(jīng)過整數(shù)平移和尺度上的伸縮，得到一個(gè)尺度和位移均可變化的函數(shù)集合：第三十二頁，共一百零八頁，2022年，8月28日和的基本性質(zhì)是兩尺度差分方程：兩尺度方程的頻域表示為：

第三十三頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的快速實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第三十四頁，共一百零八頁，2022年，8月28日8.5.1Mallat算法與塔式分解

系數(shù)分解的快速算法：

Mallat小波快速分解算法的流程圖第三十五頁，共一百零八頁，2022年，8月28日系數(shù)重構(gòu)的快速算法：

Mallat小波快速重構(gòu)算法的流程圖第三十六頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的快速實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第三十七頁，共一百零八頁，2022年，8月28日8.6.1二維小波變換的實(shí)現(xiàn)假定二維尺度函數(shù)可分離，則有其中、是兩個(gè)一維尺度函數(shù)。若是相應(yīng)的小波，那么下列三個(gè)二維基本小波：

與一起就建立了二維小波變換的基礎(chǔ)。第三十八頁，共一百零八頁，2022年，8月28日8.6.2圖像小波變換的正變換正變換圖像小波分解的正變換可以依據(jù)二維小波變換按如下方式擴(kuò)展，在變換的每一層次，圖像都被分解為4個(gè)四分之一大小的圖像。第三十九頁，共一百零八頁，2022年，8月28日8.6.3圖像小波變換的逆變換逆變換在每一層(如最后一層)都通過在每一列的左邊插入一列零來增頻采樣前一層的4個(gè)陣列(即4個(gè)分解圖像)；接著用重構(gòu)低通濾波器h和重構(gòu)高通濾波器g來卷積各行，再成對(duì)地把這幾個(gè)的陣列加起來；然后通過在每行上面再插入一行零來將剛才所得兩個(gè)陣列(圖像)的大小增頻采樣為N×N；再用h和g與這兩個(gè)陣列的每列進(jìn)行卷積。這兩個(gè)陣列的和就是這一層次重建的結(jié)果。第四十頁，共一百零八頁，2022年，8月28日對(duì)于二維圖像信號(hào)，在每一層分解中，由原始圖像信號(hào)與一個(gè)小波基函數(shù)的內(nèi)積后再經(jīng)過在x和y方向的二倍間隔抽樣而生成四個(gè)分解圖像信號(hào)。對(duì)于第一個(gè)層次(j=1)可寫成：8.6.4二維小波變換的Mallat算法第四十一頁，共一百零八頁，2022年，8月28日

將上式內(nèi)積改寫成卷積形式，則得到離散小波變換的Mallat算法的通用公式：二維小波變換Mallat算法的通用公式：第四十二頁，共一百零八頁，2022年，8月28日8.6.5二維Mallat多分辨率分解與重構(gòu)第四十三頁，共一百零八頁，2022年，8月28日?qǐng)D像的Mallat快速塔式分解實(shí)驗(yàn)第四十四頁，共一百零八頁，2022年，8月28日8.6.6多孔算法第四十五頁，共一百零八頁，2022年，8月28日多孔算法的分解實(shí)驗(yàn)第四十六頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第四十七頁，共一百零八頁，2022年，8月28日邊緣像素實(shí)質(zhì)上是局部圖像范圍內(nèi)灰度的急劇變化點(diǎn)(奇異點(diǎn))，圖像邊緣就是二維圖像中奇異點(diǎn)的集合。邊緣點(diǎn)在頻域表現(xiàn)為高頻信號(hào)，而圖像噪聲也多為高頻信號(hào)，這使得兩者難以區(qū)分。邊緣檢測的目的就是既要將高頻信號(hào)從圖像中分離出來，又要區(qū)分邊緣與噪聲，準(zhǔn)確地標(biāo)定邊緣的位置。8.7小波變換在圖像邊緣檢測中的應(yīng)用第四十八頁，共一百零八頁，2022年，8月28日傳統(tǒng)的邊緣檢測方法為什么要用小波來進(jìn)行邊緣檢測？邊緣檢測的分類局部模極大值點(diǎn)Canny準(zhǔn)則第四十九頁，共一百零八頁，2022年，8月28日小波多尺度局部模極大值邊緣檢測的原理小波多分辨率邊緣檢測的具體實(shí)現(xiàn)小波函數(shù)的選取自適應(yīng)閾值的選取利用邊緣信息進(jìn)行目標(biāo)定位仿真實(shí)驗(yàn)第五十頁，共一百零八頁，2022年，8月28日小波多尺度局部模極大值邊緣檢測的原理假設(shè)是二維平滑函數(shù)，且滿足可把它沿兩個(gè)方向上的導(dǎo)數(shù)作為基本小波：對(duì)于一幅圖像，其小波變換為：

第五十一頁，共一百零八頁，2022年，8月28日整個(gè)圖像的二進(jìn)小波變換即矢量：模值為：相角為：第五十二頁，共一百零八頁，2022年，8月28日8.7.2小波多分辨率邊緣檢測的具體實(shí)現(xiàn)搜尋模極大值：

第五十三頁，共一百零八頁，2022年，8月28日噪聲的濾除：(1)閾值法硬閾值，軟閾值，自適應(yīng)閾值；(2)多分辨率分割利用模極大值在各個(gè)尺度的傳播特性去除噪聲；利用小波變換尺度間相關(guān)性去除噪聲；平移不變量的小波去噪方法；第五十四頁，共一百零八頁，2022年，8月28日邊緣跟蹤算法的四個(gè)約束條件：a)“方向不變性”原則；b)角度平滑條件；c)幅值最鄰近條件；d)“互認(rèn)”原則。邊緣點(diǎn)的鏈接：第五十五頁，共一百零八頁，2022年，8月28日三種小波多尺度局部模極大值

邊緣檢測方法的比較方法一：小波變換模極大值用于邊緣檢測的原始方法具體步驟：①利用多孔算法對(duì)原圖像進(jìn)行保持圖像大小不變的小波變換，生成水平分量和垂直分量；②計(jì)算出梯度向量的模值③計(jì)算出梯度向量的相角⑤按照相角量化方法劃分為8個(gè)方向，求出不同方向的局部模極大值點(diǎn)；⑥對(duì)各尺度的邊緣圖像進(jìn)行閾值處理；⑦鏈化模極大值點(diǎn)，去除長度小于一定閾值的邊緣鏈，就得到各個(gè)尺度上的邊緣圖像。第五十六頁，共一百零八頁，2022年，8月28日方法二：小波變換模極大值用于邊緣檢測的簡化方法

具體步驟：①對(duì)所給圖像的每一行進(jìn)行小波變換，求出；②對(duì)所給圖像的每一列進(jìn)行小波變換，求出；③計(jì)算出梯度向量的模值④計(jì)算出梯度向量的相角⑤將相角按8方向量化，求出在不同方向的局部模極大值點(diǎn)；⑥對(duì)各尺度的邊緣圖像進(jìn)行閾值處理；⑦鏈化模極大值點(diǎn)，去除長度小于一定閾值的邊緣鏈，就得到各個(gè)尺度上的邊緣圖像。

第五十七頁，共一百零八頁，2022年，8月28日方法三：小波變換模極大值的多尺度綜合方法具體步驟：①求出各尺度的模圖像簇和相角圖像簇；②對(duì)各尺度的邊緣圖像進(jìn)行閾值處理；③將相角按8方向量化，求出在不同方向的局部模極大值點(diǎn)；④由粗到細(xì)的邊緣鏈接：對(duì)經(jīng)過閾值處理的最粗分辨率級(jí)上的模極大值開始，鏈接模極大值圖像中模值相近，相角相似的非零像素點(diǎn)，刪除長度小于鏈長閾值的邊緣鏈，得到大尺度下單像素寬的圖像邊緣；第五十八頁，共一百零八頁，2022年，8月28日⑤針對(duì)尺度的每一個(gè)邊緣像素，搜索尺度下以這點(diǎn)為中心的3X3鄰域，將該鄰域內(nèi)出現(xiàn)的所有可能邊緣點(diǎn)均標(biāo)記為候選邊緣點(diǎn)，得到尺度下的候選邊緣點(diǎn)圖像非候選邊緣點(diǎn)標(biāo)記為零；⑥將尺度下的候選邊緣點(diǎn)圖像中模值相近，相角相似的非零像素點(diǎn)鏈接，刪除長度小于閾值的邊緣鏈，得到尺度下單像素寬的圖像邊緣；⑦重復(fù)步驟⑤，⑥，直到為止，邊緣圖像即為綜合后形成的邊緣圖像，也就是我們最終所要得到的邊緣圖像。第五十九頁，共一百零八頁，2022年，8月28日8.7.3小波函數(shù)的選取在實(shí)際邊緣檢測中，小波函數(shù)的選取直接關(guān)系到邊緣檢測的結(jié)果，小波變換相當(dāng)于對(duì)圖像進(jìn)行帶通濾波，在一定程度上減少了噪聲對(duì)圖像的影響，但同時(shí)也去掉了一些模糊邊緣。這就要求尋找一種具有好的去噪特性同時(shí)又能精確地提取邊緣的小波函數(shù)，而且這種小波在滿足Canny準(zhǔn)則的同時(shí)應(yīng)具有限緊支撐特性。在關(guān)于邊緣提取的文獻(xiàn)中，主要采用的是正交小波，雙正交小波和B樣條小波作為邊緣提取的小波函數(shù)。通常選取高斯函數(shù)作為平滑函數(shù)。三次B樣條函數(shù)已很接近高斯函數(shù)，能滿足大多數(shù)的應(yīng)用，而它的緊支性優(yōu)于高斯函數(shù)。在有噪聲環(huán)境下進(jìn)行邊緣檢測時(shí)，需要平衡噪聲抑制能力與邊緣定位精度，此時(shí)三次B樣條函數(shù)是最優(yōu)的。第六十頁，共一百零八頁，2022年，8月28日其中，為閾值初值，為比例系數(shù)，N為采樣點(diǎn)數(shù)。根據(jù)和的大小來決定窗口內(nèi)均值對(duì)閾值的作用。8.7.4自適應(yīng)閾值選取選擇一個(gè)窗口在小波系數(shù)上滑動(dòng)，窗口大小可以取32×32或16×16，將尺度下小于閾值的梯度值置為0，自適應(yīng)閾值為：第六十一頁，共一百零八頁，2022年，8月28日8.7.5利用邊緣信息進(jìn)行目標(biāo)定位

對(duì)經(jīng)過綜合后得出的圖像邊緣，根據(jù)形心公式就可以計(jì)算出圖像的形心坐標(biāo)，判斷出目標(biāo)在視場中的位置，實(shí)現(xiàn)目標(biāo)定位。第六十二頁，共一百零八頁，2022年，8月28日8.7.6實(shí)驗(yàn)結(jié)果（一）五個(gè)尺度的模極大值提取第一個(gè)尺度的噪聲很多第六十三頁，共一百零八頁，2022年，8月28日多尺度鏈接后的模極大值第六十四頁，共一百零八頁，2022年，8月28日實(shí)驗(yàn)二:閾值的選取對(duì)邊緣檢測結(jié)果影響的實(shí)驗(yàn)

用固定閾值在一階尺度提取的邊緣用自適應(yīng)閾值在一階尺度提取的邊緣用固定閾值在二階尺度提取的邊緣用自適應(yīng)閾值在二階尺度提取的邊緣

第六十五頁，共一百零八頁，2022年，8月28日實(shí)驗(yàn)三：三種模極大值邊緣檢測方法的性能比較

邊緣檢測效果抑制噪聲能力(加入均值為0,方差為0.001的高斯噪聲)計(jì)算量模極大值邊緣檢測的簡化方法相對(duì)最差抑制噪聲能力最弱最小模極大值邊緣檢測的原始算法相對(duì)較好

抑制噪聲能力較強(qiáng)稍大模極大值邊緣檢測多尺度綜合法效果最好

抑制噪聲能力最強(qiáng)最大第六十六頁，共一百零八頁，2022年，8月28日實(shí)驗(yàn)四：基于三次B樣條小波的邊緣檢測實(shí)驗(yàn)

抑制噪聲方面(加入均值為0，方差為0.001的高斯噪聲)提取邊緣能力方面（對(duì)比度為2%的低對(duì)比度邊緣）計(jì)算量方面(基于雙DSP平臺(tái))Roberts最差，無法分離邊緣與噪聲最差，邊緣定位不準(zhǔn)確1.34msSobel性能優(yōu)于Roberts優(yōu)于Roberts1.62ms拉普拉斯高斯算子優(yōu)于Roberts和Sobel，能部分檢測出邊緣效果優(yōu)于Roberts和Sobel

2.69ms小波模極大值方法優(yōu)于上面三種方法，能檢測出主要邊緣很好，少部分提取的不準(zhǔn)確

18.9ms小波多尺度綜合方法效果最好，檢測出的邊緣受噪聲影響很小最好，幾乎能提取出全部微弱邊緣信息

59.2ms第六十七頁，共一百零八頁，2022年，8月28日由于小波變換具有多分辨分析特性和時(shí)頻局部化能力，在邊緣檢測、去噪和圖像增強(qiáng)等方面都具有很強(qiáng)的優(yōu)勢；更適合用來檢測受噪聲污染嚴(yán)重的模糊圖像和低對(duì)比度圖像，尤其對(duì)微弱目標(biāo)，它首先能抑制噪聲、增強(qiáng)對(duì)比度，然后利用多尺度的模極大值方法有效檢測出目標(biāo)邊緣，從而實(shí)現(xiàn)3％對(duì)比度下的目標(biāo)精確定位；這種算法要進(jìn)行多尺度運(yùn)算，所以計(jì)算量很大。

小結(jié)第六十八頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪與增強(qiáng)中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第六十九頁，共一百零八頁，2022年，8月28日8.8小波變換在圖像去噪與增強(qiáng)中的應(yīng)用高頻系數(shù)置零的線性去噪方法小波系數(shù)硬閾值去噪方法小波系數(shù)軟閾值去噪方法小波系數(shù)自適應(yīng)閾值去噪方法基于小波模極大值的去噪方法基于信號(hào)奇異性的去噪方法基于小波系數(shù)相關(guān)性的去噪方法基于小波變換的圖像增強(qiáng)方法第七十頁，共一百零八頁，2022年，8月28日

高頻系數(shù)置零去噪1.對(duì)噪聲圖像進(jìn)行二維離散小波分解，分解層數(shù)一般取2或3層，分解過程如下圖。2.對(duì)每一層的高頻系數(shù)LH，HL，HH，置零。3.對(duì)小波系數(shù)進(jìn)行重構(gòu)。這是最簡單的利用小波變換性質(zhì)的去噪方法。第七十一頁，共一百零八頁，2022年，8月28日8.8.2基于小波硬閾值的去噪方法1.首先將圖像信號(hào)求小波變換。2.除了最粗尺度信號(hào)外，將各細(xì)節(jié)信號(hào)作閾值處理，當(dāng)某位置小波變換值大于閾值時(shí)，保留原值，否則置零。即3.利用小波變換重構(gòu)，求出信號(hào)的濾波值。第七十二頁，共一百零八頁，2022年，8月28日8.8.3基于小波軟閾值的去噪方法1.首先對(duì)圖像信號(hào)進(jìn)行小波變換，得出帶有噪聲的小波系數(shù)。2.將各細(xì)節(jié)信號(hào)作閾值處理，當(dāng)某位置小波變換值大于閾值時(shí)，作下面運(yùn)算，下式中sgn(x)代表符號(hào)函數(shù)

否則置零。3.利用小波變換重構(gòu)，求出信號(hào)的濾波值。第七十三頁，共一百零八頁，2022年，8月28日軟硬閾值濾波器第七十四頁，共一百零八頁，2022年，8月28日8.8.4非線性軟閾值去噪方法第七十五頁，共一百零八頁，2022年，8月28日其中，噪聲方差的估計(jì)為，MAD為圖像中位值，n為信號(hào)采樣點(diǎn)數(shù)。閾值選取1.2.3.4.第七十六頁，共一百零八頁，2022年，8月28日對(duì)含有高斯噪聲的Lena圖像利用硬閾值法、軟閾值法和自適應(yīng)閾值法去噪后實(shí)驗(yàn)結(jié)果第七十七頁，共一百零八頁，2022年，8月28日基于小波變換閾值方法去噪的不足⑴只適合高斯白噪聲的去噪，對(duì)椒鹽噪聲效果不明顯。原因在于閾值法保留的是大于閾值的小波系數(shù)，而椒鹽噪聲在圖像上表現(xiàn)為或者是灰度值特別大的白像素，或者特別小的黑像素，椒鹽噪聲的小波系數(shù)都很大，所以不能用閾值分離出來。⑵閾值方法的去噪效果依賴于信噪比的大小，它特別適合信噪比高的圖像去噪。⑶在圖像信號(hào)不連續(xù)點(diǎn)處會(huì)有偽吉普斯現(xiàn)象。⑷閾值方法的關(guān)鍵在于閾值的選取，而選擇一種普適性很好的

閾值選取方法是很困難的，事實(shí)上，人們已經(jīng)證明在均方誤差意義上閾值方法能得到原始圖像信號(hào)的最優(yōu)估計(jì)，然而在實(shí)際應(yīng)用中還是需要根據(jù)具體的情況和經(jīng)驗(yàn)來對(duì)一些閾值進(jìn)行改進(jìn)。第七十八頁，共一百零八頁，2022年，8月28日8.8.5基于多尺度模極大值的小波去噪方法根據(jù)圖像邊緣點(diǎn)與噪聲點(diǎn)具有不同的奇異性，則它們小波變換后的模極大值在不同尺度下的傳播特性也不同這一特性進(jìn)行圖像去噪。當(dāng)信號(hào)在處Lipschitz指數(shù)為時(shí)，反映了函數(shù)在點(diǎn)處的奇異性大小。是當(dāng)信號(hào)在處的奇異性時(shí)，表明小波系數(shù)模極大值將隨尺度的增大而增大；當(dāng)時(shí)，則隨的增大而減小。通常的圖像具有時(shí)域上的相關(guān)性，因而；而噪聲由于在該點(diǎn)不可導(dǎo)，。因此，邊緣點(diǎn)的模值和噪聲點(diǎn)的模值隨尺度的變化具有不同的規(guī)律，所以可以利用這一特性將噪聲分離出來。第七十九頁，共一百零八頁，2022年，8月28日基于多尺度模極大值的小波去噪方法

的具體實(shí)現(xiàn)通過分析圖像和噪聲在小波域中對(duì)應(yīng)的系數(shù)模極大值在不同尺度上的分布情況，來研究圖像和噪聲的突變點(diǎn)在不同尺度上的傳遞特性。在從低到高的分解尺度中，圖像突變點(diǎn)對(duì)應(yīng)的小波系數(shù)極大值具有傳遞性，而噪聲突變點(diǎn)不具有這種傳遞性。根據(jù)這一性質(zhì)，在確定出各尺度小波系數(shù)極大值的基礎(chǔ)上，由粗到精的跟蹤不同尺度上的小波系數(shù)極大值，并依據(jù)其不同尺度間的傳遞性，識(shí)別信噪屬性，剔除噪聲部分對(duì)應(yīng)的小波系數(shù)極大值，從而抑制噪聲，提高圖像質(zhì)量。第八十頁，共一百零八頁，2022年，8月28日模極大值方法去噪的過程1.小波系數(shù)極大值的確定2.圖像極大值跟蹤3.噪聲極大值濾除第八十一頁，共一百零八頁，2022年，8月28日模極大值多尺度鏈接方法對(duì)高斯噪聲

圖像去噪的實(shí)驗(yàn)結(jié)果對(duì)含有高斯噪聲（0.01）的Lena圖像利用多尺度模極大值鏈接方法去噪后圖像第八十二頁，共一百零八頁，2022年，8月28日

模極大值多尺度鏈接方法對(duì)椒鹽噪聲

圖像去噪的實(shí)驗(yàn)結(jié)果對(duì)含有椒鹽噪聲（0.005）的圖像利用多尺度模極大值鏈接方法去噪后圖像第八十三頁，共一百零八頁，2022年，8月28日含有椒鹽噪聲的圖像、均值濾波去噪圖像、中值濾波去噪圖像、硬閾值去噪圖像、軟閾值去噪圖像和模極大值奇異性去噪圖像的實(shí)驗(yàn)結(jié)果對(duì)比基于多尺度模極大值奇異性對(duì)椒鹽噪聲的去噪實(shí)驗(yàn)結(jié)果第八十四頁，共一百零八頁，2022年，8月28日模極大值多尺度鏈接方法對(duì)混和噪聲圖像的去噪實(shí)驗(yàn)含有高斯和椒鹽混合噪聲圖像、硬閾值去噪圖像、軟閾值去噪圖像、自適應(yīng)閾值去噪圖像、中值濾波去噪圖像和模極大值多尺度鏈接去噪圖像第八十五頁，共一百零八頁，2022年，8月28日8.8.6基于小波系數(shù)相關(guān)性的去噪方法

信號(hào)與噪聲的小波變換在各尺度下的不同傳播特性表明，信號(hào)的小波變換在各尺度間有較強(qiáng)的相關(guān)性，而且在邊緣處具有很強(qiáng)的相關(guān)性；而噪聲的小波變換在各尺度間確沒有明顯的相關(guān)性，而且噪聲的小波變換主要集中在小尺度各層次中。根據(jù)信號(hào)與噪聲的小波變換在不同尺度間的上述不同特點(diǎn)，可以通過將相鄰尺度的小波系數(shù)直接相乘來增強(qiáng)信號(hào)，抑制噪聲。由于噪聲主要分布在小尺度上，所以這種現(xiàn)象在小尺度上非常明顯。第八十六頁，共一百零八頁，2022年，8月28日首先定義為尺度上點(diǎn)處的相關(guān)系數(shù)。為使相關(guān)系數(shù)與小波系數(shù)具有可比性，定義規(guī)范化相關(guān)系數(shù)：其中

和分別表示對(duì)應(yīng)于尺度的小波系數(shù)與相關(guān)系數(shù)的能量。顯然，在尺度下，小波系數(shù)與規(guī)范化相關(guān)系數(shù)具有相同的能量，這為它們之間提供了可比性。第八十七頁，共一百零八頁，2022年，8月28日基于小波系數(shù)相關(guān)法去噪的實(shí)驗(yàn)結(jié)果（一）（0.01）Lena圖像和基于小波系數(shù)相關(guān)法去噪后的圖像第八十八頁，共一百零八頁，2022年，8月28日小結(jié)對(duì)小波系數(shù)使用閾值的去噪方法速度快，實(shí)現(xiàn)簡單，所以一直被廣泛使用在高斯噪聲去除上，其中的硬閾值方法容易產(chǎn)生偽吉普斯效應(yīng)，軟閾值方法克服了這個(gè)缺點(diǎn)，圖像比較平滑，去噪效果也比硬閾值好，而自適應(yīng)閾值使用的是局部閾值，比軟、硬閾值都好。模極大值多尺度鏈接和小波系數(shù)相關(guān)去噪兩種方法雖然速度都比較慢，但是它們都比閾值方法效果好，對(duì)各種噪聲效果都比較穩(wěn)定，特別是對(duì)混雜噪聲的去除方面。但是在椒鹽噪聲圖像的去噪方面，只有模極大值鏈接的方法有效果，而且比傳統(tǒng)的中值濾波方法要保留更多的邊緣信息。在對(duì)同時(shí)帶有高斯噪聲和椒鹽噪聲的圖像去噪時(shí)，模極大值鏈接的方法去噪效果非常突出，而且穩(wěn)定。第八十九頁，共一百零八頁，2022年，8月28日基于小波的圖像增強(qiáng)方法小波多分辨分析由于它能多尺度多角度提取信號(hào)特征，并在不同尺度上讓噪聲和信號(hào)明顯地區(qū)分開來，所以它在圖像去噪和增強(qiáng)方面有很大優(yōu)勢?；谛〔ǘ喾直娣治龅膱D像增強(qiáng)，就是突出圖像的邊緣細(xì)節(jié)，盡可能的消除負(fù)面因素，從而達(dá)到增強(qiáng)圖像的目的。因此，基于小波分析的圖像增強(qiáng)可以轉(zhuǎn)化為兩步。第一步是區(qū)分噪聲和圖像的邊緣細(xì)節(jié)；第二步是根據(jù)需要對(duì)圖像的邊緣細(xì)節(jié)適度增強(qiáng)。通過一個(gè)合適的增益函數(shù)完成上面所述的兩個(gè)步驟，使去噪和增強(qiáng)一次完成。在增強(qiáng)圖像的同時(shí)應(yīng)考慮到噪聲問題，所以對(duì)小波分解后高頻部分的處理很重要。為此，設(shè)計(jì)合適的增益函數(shù)是關(guān)鍵的一步。第九十頁，共一百零八頁，2022年，8月28日簡單的線性圖像增強(qiáng)的方法第一類是簡單的增益函數(shù)，即對(duì)每個(gè)方向的高頻采用不同的常數(shù)；第二類是比較復(fù)雜的增益函數(shù)，有分段線性函數(shù)和非線性函數(shù)。

根據(jù)處理高頻增益函數(shù)的不同方法，將圖像增強(qiáng)分為線性增強(qiáng)和非線性增強(qiáng)。第九十一頁，共一百零八頁，2022年，8月28日線性圖像增強(qiáng)方法的實(shí)現(xiàn)線性增強(qiáng)是對(duì)小波分解的高頻采取的常數(shù)增益，具體的算法是：a、對(duì)圖像進(jìn)行多級(jí)小波變換，得到b、計(jì)算圖像的原始噪聲水平；C、計(jì)算圖像在各個(gè)尺度上不同方向的噪聲水平；d、去噪并增強(qiáng)。認(rèn)為幅值小于的系數(shù)為噪聲，給予抑制，而幅值大于的系數(shù)給予一定的增益。這樣得到e、對(duì)增強(qiáng)后的小波系數(shù)，進(jìn)行小波逆變換得到增強(qiáng)后的圖像。第九十二頁，共一百零八頁，2022年，8月28日基于邊緣提取的去噪和圖像增強(qiáng)相結(jié)合的實(shí)現(xiàn)1.對(duì)圖像進(jìn)行小波變換2.計(jì)算小波變換的多尺度模和幅角；3.用局部模極大值方法檢測出邊緣細(xì)節(jié)點(diǎn)；4.利用合適的非線性增益函數(shù)增強(qiáng)邊緣點(diǎn)，同時(shí)去除高頻噪聲點(diǎn)；5.對(duì)增強(qiáng)后的小波系數(shù)進(jìn)行小波逆變換得到增強(qiáng)后的圖像。第九十三頁，共一百零八頁，2022年，8月28日基于小波變換的圖像增強(qiáng)方法的實(shí)驗(yàn)結(jié)果對(duì)Lena圖像利用小波系數(shù)線性增強(qiáng)前后的效果對(duì)比第九十四頁，共一百零八頁，2022年，8月28日目錄8.1從傅里葉變換到小波變換的時(shí)頻分析法8.2小波變換分類8.3小波變換的多分辨分析特性8.4尺度函數(shù)與小波8.5小波變換的實(shí)現(xiàn)8.6圖像的多分辨分解與重建8.7小波變換在圖像邊緣檢測中的應(yīng)用8.8小波變換在圖像去噪中的應(yīng)用8.9小波變換在圖像融合中的應(yīng)用第九十五