小波变换与中值滤波相结合图像去噪方法(精)
第４０卷第８期
哈尔滨工业大学学报
ＶｏＬ４０Ｎｏ．８
２００
８年８月
ＪＯＵＲＮＡＬＯＦＨＡＲＢＩＮＩＮＳＴＩＴＵＴＥＯＦＴＥＣＨＮＯＬＯＧＹ
Ａｕｇ．２００８
小波变换与中值滤波相结合图像去噪方法
唐世伟１，林君２
（１．大庆石油学院计算机与信息技术学院黑龙江大庆１６３３１８，Ｅ－ｍａｉｌ：ｔｓｗ０５０８６７＠１２６．ｃｏｍ；
２．大庆石油学院土木建筑工程学院黑龙江大庆１６３３１８）
摘要：为了很好地保持图像的边缘细节，在对二维图像去噪平滑的过程中。采用基于小波变换和中值滤波相结合的图像去噪处理方法．将含有复杂噪声的图像首先进行小波分解，对各频带的子图像采用不同的阐值（软阈值和硬阈值）进行中值滤波处理，在去除图像噪声的同时，较好地保持了图像所包含的边缘信息．经实验证明，对二维图像的处理效果优于单一的小波变换去噪或中值滤波等方法．在由相干切片数据形成的二维地震图像处理中得到了应用，提高了地震解释的效率．关键词：图像去噪；小波变换；中值滤波；相干切片
中图分类号：ＴＰ７５１．１文献标识码：Ａ文章编号：０３６７—６２３４（２００８）０８—１３３４—０３
Ｉｍａｇｅｄｅｎｏｉｓｉｎｇｗｉｔｈｃｏｍｂｉｎａｔｉｏｎｏｆｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎｄｍｅｄｉａｎｆｉｌｔｅｒｉｎｇ
ＴＡＮＧ
Ｓｈｉ．ｗｅｉｌ．ＬＩＮＪｕｎ２
（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＤａｑｉｎｇＰｅｔｒｏｌｅｕｍＩｎｓｔｉｔｕｔｅ，Ｄａｑｉｎｇ１６３３１８，Ｃｈｉｎａ，Ｅ—ｍａｉｌ：ｔｓｗ０５０８６７＠
１２６．ｅｏｍ；２．ＣｏｌｌｅｇｅｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ，ＤａｑｉｎｇＰｅｔｒｏｌｅｕｍＩｎｓｔｉｔｕｔｅ，Ｄａｑｉｎｇ１６３３１８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏｋｅｅｐｔｈｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅｄｕｒｉｎｇｆｉｌｔｅｒｉｎｇｎｏｉｓｅｓｏｆｔｈｅｉｍａｇｅ，ｔｈｅｗａｖｅｌｅｔ
ｔｒａｎｓｆｏｒｍａｔｉｏｎ
ｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅｍｅｄｉａｎｆｉｌｔｅｒｉｎｇｗａｓｅｍｐｌｏｙｅｄ
ｔｏ
ｐｒｏｃｅｓｓ
ｉｍａｇｅｓｃｏｎｔａｉｎｉｎｇｃｏｍｐｌｅｘｎｏｉｓｅｓ．
ＴｈｅｏｒｉｇｉｎａｌｉｍａｇｅｃｏｎｔａｉｎｉｎｇｃｏｍｐｌｅｘｎｏｉｓｅｓＷＥｔＳｆｉｒｓｔｌｙｄｉｖｉｄｅｄｂｙｗａｖｅｌｅｔ，ａｎｄｔｈｅｎｉｔｓｓｕｂ—ｉｍａｇｅｓｗｉｔｈｄｉｆｆｅｒｅｎｔｆｒｅｑｕｅ
ｎｃｉｅｓｗｅｒｅｐｒｏｃｅｓｓｅｄｂｙｍｅｄｉａｎｆｉｌｔｅｒｉｎｇｗｉｔｈｄｉｆｆｅｒｅｎｔｔｈｒｅｓｈｏｌｄｓ（ｓｏｆｔ
ａｎｄｈａｒｄｔｈｒｅｓｈｏｌｄ）．Ｔｈｉｓｍｅｔｈｏｄｍａｉｎｔａｉｎｅｄｔｈｅｅｄｇｅ
ｉｎｆｏｒｍａｔｉｏｎ
ａｎｄｄｅ—ｎｏｉｓｅｄｔｈｅｎｏｉｓｅｓｏｆｔｈｅｉｍａｇｅ
ａｔ
ｔｈｅｓａｍｅ
ｔｉｍｅ．Ｔｈｅ
ｅｘ．
ｐｅｒｉｍｅｎｔｐｒｏｖｅｓｔｈａｔｉｔｓｒｅｓｕｌｔｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆａｐｐｌｙｉｎｇｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎｏｒ
ｍｅｄｉａｎｆｉｌｔｅｒｉｎｇｏｎｌｙ．
Ｔｈｉｓａｌｇｏｒｉｔｈｍｈａｓｂｅｅｎａｐｐｌｉｅｄ
ｔｏ
ｐｒｏｃｅｓｓ
ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌｓｅｉｓｍｉｃｉｍａｇｅｓ
ｆｏｒｍｅｄ
ｂｙｃｏｈｅｒｅｎｔｓｌｉｃｅｄａｔａ，
ａｎｄｉｍｐｒｏｖｅｓｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｓｅｉｓｍｉｃｉｎｔｅｒｐｒｅｔａｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｄｅｎｏｉｓｉｎｇ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ；ｍｅｄｉａｎｆｉｌｔｅｒｉｎｇ；ｃｏｈｅｒｅｎｔｓｌｉｃｅ
１９９２年，Ｍａｌｌａｔ等人提出了基于奇异性和图阈值法（Ｗａｖｅ
Ｓｈｒｉｎｋ），还给出了Ｔ＝矿以ｌｎ（Ⅳ）
像多尺度上的表示方法及相应的滤波方法，即小的阈值，并从渐进意义上证明了这一方法在滤除波模极大值方法…但是该方法的复杂性和计算噪声的同时，有一定的保留信号细节的能力．但是量大，而且用过零点或极大值来重建信号只是一此通用阈值由于有“过扼杀”小波系数的倾向，人种逼近，它只适用于各尺度下确已检测到对应极』ｆｆｊｘ寸阈值进行研究提出了多种阈值方法．在此基大点的情况．为了克服模极大值法的缺点，Ｓｔａｎ．础上，提出了软阈值和硬阈值【２１的准则，并从统ｆｏｒｄ大学的学者Ｄ．Ｌ．Ｄｏｎｏｈｏ和Ｉ．Ｍ．Ｊｏｈｎｓｔｏｎｅ通计学的角度出发，不断完善这一理论．过直接将小波变换与信号处理方法相结合，得到了一种性能优良的滤波方法．通过对小波系数进１
几种小波去噪方法的比较
行非线性阈值处理来恢复噪声中的信号，且Ｐｚｌ，波
１．１
Ｍａｌｌａｔ算法强制去噪ｐ１
Ｍａｌｌａｔ算法强制去噪也叫小波分解与重构去噪
收稿日期：２００６—１２—３０．
方法，其本质上相当于一个具有多个通道的带通滤
作者简介：唐世伟（１９６７一），男，博士，副教授
第８期唐世伟，等：小波变换与中值滤波相结合图像去噪方法
?１３３５?
波器，主要适用于有用信号和噪声的频带相互分离时的确定性噪声的情况．该方法能基本去除噪声，计算速度快且恢复图像的大部分信息．但对于实际应用中广泛存在的白噪声，其去噪效果则较差．１．２小波变换模极大值的去噪方法
小波变换模极大值的去噪方法主要适用于信号中混有白噪声，且信号中含有较多奇异点的情况．该方法在去噪的同时，能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，是原始信号的一个非常好的估计，具有较好的图面质量．１．３基于小波变换域系数相关性去噪方法
小波变换域系数相关性去噪方法是根据信号和噪声在不同尺度上小波变换的不同形态特点：信号在各层相应位置上的小波系数之问具有很强的相关性，而噪声的小波系数则具有弱相关或不相关的特点，对信号和噪声的小波变换系数进行处理，尽量减小由噪声产生的系数，同时最大限度地保留有效信号对应的小波系数．在相关去噪算法中，各尺度上小波系数微小的偏移会导致所求相关系数不准确，极大地影响了该算法的性能．
１．４
多小波图像去噪算法
相比于单小波，具有正交性、紧支撑、实对称、
高阶消失矩等性质Ｈｊ，但多小波进行图像去噪效果并不很理想，其主要原因是没有充分利用图像在多小波域内所特有的性质．通过将含噪图像变换到多小波域，在小波域内应用Ｌａｐｌａｃｅ算子的一种特殊差分格式，并考虑小波域内各个子带的分形维数，提出了一种自适应的多小波阈值算法‘５｜．２
中值滤波与小波去噪相结合的去
噪方法
在小波去噪中阈值的设定至关重要，常用的
阈值公式有如下几个，最常见的ＶｉｓｕＳｈｆｉｎｋ阈值：
Ｔ＝盯在ｌｎ（Ⅳ）．其中：ｏｒ为噪声方差，Ⅳ为图像
的象素点数．许多实践经验证明，上面的阈值往往偏大，易造成图像的细节损失，且实际应用中噪声方差很难事先知道．于是Ｈａｎ和Ｔｅｗｔｌｋ∞１对Ｖｉｓ—ｕＳｈｆｉｎｋ阈值的取值作了修正，给原阈值乘以一个修正因子，新阈值为Ｔ＝ＣＯ＂ｖ／２１ｎ（Ｎ）．其中修正因子取０．２＜ｃ＜０．３，以保留尖锐的边缘和图像细节．经过实验证明，这种新阈值方法比原先的效果好，但对于具体的某个图像而言，修正因子的取值并不固定，缺乏固定性和普适性．为此，后来又提出了一种阈值【７１估计方法：
Ｔ＝ｃｋ，／瓦ｎ２Ｎ）．（１）’
其中对噪声方差估计做了进一步的解释．Ｄｏｎｏｈｏ和Ｊｏｈｎｓｔｏｎｅ提出在小波域中噪声标准方差的估计公式旧１孑＝ＭＡＤ／０．６７４５，由此来估计噪声标准方差，其中ＭＡＤ是ＨＨ子带小波系数幅度的中值．但是，当噪声较小时，这种方法估计出的嗓声就会偏大，所以在工程应用中人们对这种方法进行了改进，日前应用得最多的有以下两种方法：
（１）全局方差．所谓全局方差就是求取阈值所用的标准方差在各个小波分解层次以及各个分解层的各高频子带上都是一样的，方法是对带有噪声图像进行多层次二维小波分解，然后取所有高频系数的中值来计算方差多＝ＭＡＤ
Ｉ／０．６７４５，
其中ＭＡＤｌ是所有高频子带小波系数幅度的中值．用这种方法求出的标准方差进行小波域图像去噪效果较好，但是运算速度较慢．
（２）局部方差．所谓局部方差就是利用小波分解后，各个分解层的各高频子带包含的噪声不同的原理，在各个小波分解层的各高频子带上分别计算噪声方差．求解方法是取各个分解层的各高频子带系数的中值来计算方差刍＝ＭＡＤ
２／
０．６７４５，其中ＭＡＤ２是各个分解层的各高频子带系数幅度的中值．用这种方法求出的标准方差来进行小波域图像去噪，其效果没有全局方差方法好，但是运算速度较全局方差方法快．
在传统的小波去噪方法中，有两种处理阈值的方法：软阈值化和硬阈值化．软阈值化为
Ｗ—ｆｓｉｇｎ（Ｗ）（Ｉ
ＷＩ—ｒ），１
ｗＩ≥丁；
～７—１．０．Ｉ
ＷＩ＜ｆ．
（２）
而硬阈值化为Ｗ，＝ｗ，ＩＷＩ≥Ｔ；０，ＩＷＩ＜Ｚ式中：ｗ为图像二维小波变换后的系数矩阵，ｒ为阚值，ｗ，为阈值化后的小波系数矩阵．采用软阈值化方法时，虽然保持连续、无断点，不会发生奇变，但是它对绝对值大于阈值ｒ的小波系数用ｒ来缩减，使图像失真；而采用硬阈值化方法时，在跳跃点处产生奇变，在图像上引起高频变化，其优点是对绝对值大于阈值ｒ的小波系数，保留的小波系数与原始系数相同，使图像保真．
在有些图像中（如地震图像）由于受到环境及传输设备的影响，导致受噪声污染特别严重，所以经过上述软阈值去噪处理后并不能完全抑制噪声对图像的影响，为将原始图像真实完整的还原出来还必须将图像小波分解阈值化后的高频信息再进行中值滤波处理．对于图像，经小波分解后，其能量主要分布在低频区．因此，在低频区噪声能
．１３３６?
哈尔滨工业大学学报
第加卷
量所占的比例较小，而在高频区噪声能量所占的比例较大，甚至将信号湮没，所以去噪的重点仍在高频区．
本算法选择能够较好的去除噪声并保持其边缘特征的中值滤波进行处理．一幅图像在经过小波分解后，ＨＬ频带是图像经过行低通和列高通滤波后的子图像，它包含了图像信号在水平方向高频信息和垂直方向的低频信息，因此，对于ＨＬ频带采用水平方向的直线型３邻域或５邻域中值滤波模板，则既去掉了水平方向的噪声，同时又较好地保留了垂直方向的低频信息；ＬＨ频带是图像经过列低通和行高通滤波后的子图像，它包含了图像信号在垂直高频信息和水平方向低频信息，因此，对于ＬＨ频带采用垂直方向的直线型３邻域或５邻域中值滤波模板，则既去掉了垂直方向的噪声，同时又较好地保留了水平方向的低频信息；ＨＨ频带是图像经过行高通和列高通滤波后的子图像，它包含了信号在水平和垂直两个方向高频信息
即对角方向高频信息，因此，对于ＨＨ频带采用对角线方向的直线型３邻域或５邻域中值滤波模板．最后将经过滤波处理后的各频带经小波重构还原成去噪后的图像．本方法的总体流程为：ｉ将含噪图像进行小波分解；ｉｉ利用式（１）计算去噪阈值Ｔ；ｉｉｉ利用式（２）对图像分解后的ＨＬ、ＬＨ、ＨＨ三个子频带进行软阈值去噪；ｉｖ对经过软阈值处理后的三个子频带分别进行中值滤波处理；ｖ重构，得到去噪后的图像．３
应用实例
本算法已在三维地震资料相干切片断层解释
中得到应用．相干切片上的断层解释，是在相干切片上检测并提取断层多边形，然后用于作构造图．采用本算法可以自动在相干切片上有效的去除噪声并保持边缘细节，为下一步对断层的提取及解释提供了有力保障．如图１所示，（ａ）是相干切片灰度图像原图，（ｂ）是小波分解后的图像，（ｃ）是中值滤波去噪后的图像，（ｄ）是改造后自适应保细节去噪算法去噪后的效果图．由图可见，经软阈值去噪处理后的（ｃ）较（ｂ）中分解后各高频子图，去除了一定的噪声；经中值滤波处理后的（ｄ）较（ｃ）中各高频子图，更进一步去除了部分，并克服了一定的模糊；而经改造后算法处理后的（ｄ）不但克服了图像在去噪时的模糊，而且保持了图像的边缘信息．经实践验证本算法应用于三维相干切片数据体中，去噪效果明显，在经本算法去噪后的图像上提取出的断层多边形，精度上有了较大
的提高，有效的提高了断层解释的效率．
（８）相干切片灰度原图
（ｂ）小渡分解后图像
（ｃ）软阈值去噪后图（ｄ）对ＨＨ子频带中值滤波后
（ｅ）去噪后小波重构图像
图ｌ
中值滤波与小波去噪相结合的去噪方法效果图
参考文献：
［１］ＸＩＥＪ
ｃ，ＺＨＡＮＧＤＬ，ＸＵ
ＷＬ．Ｏｖｅｒｖｉｅｗ
ｏｎ
ｗａｖｅｌｅｔ
ｉｍａｇｅ
ｄｅｎｏｉｓｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌｏｆ
ＩｍａｇｅａｎｄＧｒａｐｈｉｃｓ，
２００２，７（３）：２０９—２１７。
［２］傅彩霞，杨光．一种新的具有增强效果的小波域图像去
噪方法［Ｊ］．中国图象图形学报２００７，１２（１）：５１—５４．［３］林椹渺，宋国乡，薛文著．图像的几种小波去噪方法的
比较与改进［Ｊ］．西安电子科技大学学报（自然科学版）２００４．８，３１（４）：６２７—６２８．［４］ＣＨＥＮ
ＧＹ，ＢＵＩＴＤ．Ｍｕｈｉｗａｖｅｌｅｔｓｄｅｎｏｉｓｉｎｇ
ｕｓｉｎｇ
ｎｅｉｇｈｂｏｒｉｎｇ
ｃｏｅｆｆｉｃｉｅｎｔｓ［Ｊ］．ＳｉｓｎａＪ
ＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，
２００３，１０（７）：２１１—２１４．
［５］张晓威，朱磊，刘军．多小波图像去噪算法的研究［Ｊ］．
哈尔滨工程大学学报２００７，２８（５）：５９４—５９８．［６］李建平．小波理论与信号处理［Ｍ］．重庆：重庆出版
社．２００１．
［７］徐朝伦．基于子波变换和模糊数学的图像分割的研究
［Ｄ］．北京：北京理工大学．１９９８．［８］ＣＨＡＮＧ
ＳＧ，ＢＩＮＹ，ＶＡＴＩ＇ＥＲＥＬＩＭ．Ａｄａｐｔｉｖｅｗａｖｅｌｅｔ
ｔｈｒｅｓｈｏｋｌｉｎｇｆｏｒ
ｉｍａｇｅｄｅｎｏｉｓｉｎｇａｎｄｃｏｍｐｒｅｓｓｉｏｎ［Ｊ］．
ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎ
ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ２０００。９（９）：
１５３２—１５４６．
（编辑姚向红）
小波变换与中值滤波相结合图像去噪方法
作者：作者单位：刊名：英文刊名：年，卷(期：被引用次数：
唐世伟，林君， TANG Shi-wei， LIN Jun
唐世伟,TANG Shi-wei(大庆石油学院,计算机与信息技术学院,黑龙江,大
庆,163318，林君,LIN Jun(大庆石油学院土木建筑工程学院黑龙江,大庆,163318哈尔滨工业大学学报
JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY2008，40(82次
参考文献(8条
1. XIE J C. ZHANG D L. XU W L Overview on wavelet image denoising[期刊论文]-Journal of Image andGraphics 2002(03
2. 傅彩霞. 杨光一种新的具有增强效果的小波域图像去噪方法[期刊论文]-中国图象图形学报 2007(01
3. 林椹渺. 宋国乡. 薛文图像的几种小波去噪方法的比较与改进[期刊论文]-西安电子科技大学学报（自然科学版） 2004(04
4. CHEN G Y. BUI T D Multiwavelets denoising using neighboring coefficients 2003(07
5. 张晓威. 朱磊. 刘军多小波图像去噪算法的研究[期刊论文]-哈尔滨工程大学学报 2007(05
6. 李建平小波理论与信号处理 2001
7. 徐朝伦基于子波变换和模糊数学的图像分割的研究[学位论文] 1998
8. CHANG S G. BIN Y. VATYERELI M Adaptive wavelet threshokling for image denoising and compression2000(09
相似文献(10条
1.期刊论文丁润涛. 程凌宇应用新抽样栅格的两种小波变换图像去噪方法 -天津大学学报2005,38(1
为提高小波变换图像去噪的质量,提出一种用于多分辨率45°和135°方向二维小波分解的新抽样栅格.在此基础上构造出两种新的小波变换图像去噪方法:4方向小波去噪法和对角方向小波去噪法.这两种去噪方法均考虑了图像45°方向和135°方向的结构特征.实验结果表明,这两种方法在视觉效果和误差数据上均优于标准二维小波去噪法.
2.学位论文褚标小波理论在图像去噪与纹理分析中的应用研究 2008
小波分析已成为瞬变信号处理的有力工具，在图像处理领域也得到了广泛应用。在小波域图像去噪算法中，基于统计模型的去噪算法由于充分利用了已知的先验信息，取得较好的去噪效果，是近来小波去噪领域研究的热点。本文着重研究小波系数的统计模型，并将其应用于图像去噪和纹理分析中，主要工作包括：
(1讨论了小波图像去噪的原理，介绍了小波图像去噪的三种方法：基于信号奇异性检测理论的模极大值重构图像去噪、常用的小波阈值图像去噪和基于统计模型的贝叶斯图像去噪。分析了小波阈值去噪中阈值的确定和阈值函数的选取情况。重点讨论了小波域贝叶斯图像去噪的数学模型和方法，给出了在三种常用代价函数下图像小波系数的贝叶斯估计。
(2研究了小波系数边缘分布模型。利用BKF函数拟合小波系数边缘分布，并给出用样本2阶和4阶累积量估计BKF函数形状参数和尺度参数的公式。实例显示，BKF函数能够准确地描述小波系数边缘分布，很好地捕捉了小波系数“重尾”特性。进而给出了基于小波域BKF模型的贝叶斯图像去噪算法，所提算法与传统图像去噪算法相比，在峰值信噪比和视觉上都取得较好效果。
(3研究了小波系数尺度间相关性模型。小波阈隐马尔可夫树(hidden Markov tree，HMT模型通过隐状态间的马尔可夫链关系刻画小波系数尺度间的相关性，在图像去噪、分割和图像识别等领域获得成功应用。讨论了小波域HMT模型的基本思想和方法，建立了复小波域HMT模型。提出一种更加准确地反映小波系数尺度间相关性的模型-双变量BKF模型，详细给出了双变量BKF联合密度函数的推导过程以及参数确定。
(4讨论了双树复小波变换的构造原理和性质，双树复小波变换不但继承了传统小波变换的优点，而且还具有近似平移不变性、多方向性、有限的冗余和高效的计算。基于双树复小波域的图像去噪能够消除传统小波变换因缺乏平移不变性而产生的伪Gibbs现象。提出双树复小波域HMT模型图像去噪算法和双树复小波域双变量BKF模型图像去噪算法，并对它们的去噪性能进行分析比较，实验显示，基于双变量BKF模型的图像去噪算法有更好的去噪性能，从而也说明了建立准确模型对图像去噪具有重要作用。
(5提出一种双树复小波域纹理分类算法。双树复小波变换的平移不变性及多方向性使其更加适合描述纹理特征，该算法利用双树复小波域各小波子带的BKF
密度分布来描述纹理特征，对Brodatz纹理图像库中的部分纹理进行了分类实验，取得了很好的分类效果。
3.期刊论文 Q-shift复小波的一种新型构造方法及其在图像去噪中的应用 -信号处理2005,21(5
为了提高复小波变换的效率,本文提出了一种设计Q-shift复小波滤波器的新方法.与目前采用多相位矩阵的晶格分解结构得到正交小波的方法不同的是,这里从更为一般的完全重构滤波器组出发寻求满足特定要求的正交小波.不但可以构造出系数更为简单、运算更加方便的小波,而且可以实现任意精度的复小波变换.该方法的可拓展性好,可以很方便的添加如高阶消失矩等限制并简化设计过程.以普遍采用的Q-shift 10/10小波为例,利用本文构造的正交小波可将复小波变换中的乘法运算降低到原来的1/3,而加法基本相当,且小波的频率选择性质更好.将其用于图像去噪的实验表明,采用本文构造的小波可以显著提高处理速度并得到更高的峰值信噪比(PSNR.
4.期刊论文周鹏. 宋宇. 孟晋. 张志芳. ZHOU Peng. SONG Yu. MENG Jin. ZHANG Zhi-fang 基于二维双树复小波变换的图像去噪 -中国西部科技2008,7(6
目前小波变换在图像去噪中的应用取得了较好的效果.而二维双树复数小波变换由于其在平移不变性,方向性等方面的优势,要比可分离二维离散小波
变换具有更好的图像去噪能力.因此我们提出采用二维双树复数小波变换进行图像去噪,仿真试验结果表明二维双树复数小波变换的去噪效果明显改善.
5.学位论文曾韶勇基于小波变换的医学图像去噪和压缩编码 2005
本文研究了由傅立叶分析理论发展而来的小波分析理论，以及其在图像处理方面的应用。以小波分析理论为基础，研究讨论了小波基的数学特性，并就小波变换在图像去噪、图像和音频压缩、图像融合的应用技术进行了深入的研究。提出了针对医学图像的去噪、压缩编码、融合的应用方法，也研究了基于小波变换的音频信号压缩编码。主要研究工作和贡献如下：
1、对小波分析理论进行了研究。从多分辨分析理论出发，研究了小波变换和小波系数的Mallat分解和重构算法，分析了小波基的数学特性，包括小波基的正交性、消失距、正则性、紧支性和对称性。讨论了从信号处理角度出发，根据小波基的特性对小波基的选择。
2、研究了小波去噪理论，研究了基于小波分析的图像去噪方法，特别是提出了在医学图像去噪的应用方法。在研究了小波分析在时域和频域上对信号的分析功能，和多分辨自动变焦功能，研究了小波去噪的理论依据和基本思路。研究了图像的小波系数特点，给出了基于小波变换的图像去噪的框架．并研究了影响小波变换去噪效果的几个主要因素，包括小波基和阈值的选择。进一步研究了基于小波包变换的图像分解理论，提出了基于小波包变换的图像去噪方法，并用实验证明了小波去噪特别是小波包的去噪方法要优于传统的中值滤波。
3、研究了基于小波变换的压缩编码方法。研究了基于小波变换的压缩编码的原理，研究了基于小波变换的图像压缩编码方法，用实验证明了小波变换应用于医学图像压缩编码的可行性。
4、研究了基于小波变换的图像融合。研究了图像融合的原理，提出了基于小波变换的图像融合方法，并运用到医学图像中的CT图像和磁共振图像的融合。
6.期刊论文杨福增. 王峥. 杨青. 张艳宁. Yang Fuzeng. Wang Zheng. Yang Qing. Zhang Yanning 基于小波变换的Wiener滤波方法在农产品图像去噪中的应用 -农业工程学报2007,23(2
农产品图像的去噪是农产品图像处理中最基本、最重要的工作之一.为了更有效地去除农产品图像中的噪声.受二维离散Wiener滤波器计算方法的启发,提出了一种基于小波变换的Wiener滤波方法.该方法采用小波变换和Wiener滤波相结合的方法,具有稀疏性、多分辨率、去相关性、选基灵活性和在MSE意义上对图像进行最优估计的优点.该方法首先对含噪农产品图像ano做第一次小波变换得到低频图像a1和水平、垂直和对角三方向的高频图像hd1、vd1及dd1;其次对低频图像a1做Wiener滤波得到a1w,再对3个高频图像分别做Wiener滤波并合成得到g1w;接
着对低频的a1w和高频g1w做小波逆变换,得到滤波图像"a1w+g1w".同时,考虑到噪声主要在高频部分,所以直接把低频的a1和高频g1w做小波逆变换,得到滤波图像"a1+g1w".这是对含噪图像ano做第1次小波变换的情况,其第2次、第3次及第4次变换的情况与此类似.这样可以得到许多滤波图像,然后根据图像信噪比PSNR和视觉效果,最终确定去噪效果最好的农产品图像.该方法应用于红枣、小麦杂草等农产品图像的去噪中,结果PSNR为158.23(视觉效果清晰,好于邻域平均法(PSNR为154.14、中值滤波法(PSNR为155.82、数学形态学(PSNR为154.07,视觉效果偏黑、高斯滤波法(PSNR为153.79,视觉效果太黑、直接维纳去噪(PSNR为154.14和小波去噪(PSNR为158.18等多种方法.试验结果表明,基于小波变换的Wiener滤波方法应用于农产品图像去噪具有信噪比高、视觉效果好等优点;基于小波变换的Wiener滤波方法用于农产品图像去噪是有效的、可行的.
7.学位论文张郝基于小波变换的图像去噪方法研究 2008
图像是人类传递信息的主要媒介。然而，图像在生成和传输的过程中会受到各种噪声的干扰，对信息的处理、传输和存储造成极大的影响。寻求一种既能有效地减小噪声，又能很好地保留图像边缘信息的方法，是人们一直追求的目标。小波分析是局部化时频分析，它用时域和频域联合表示信号的特征，是分析非平稳信号的有力工具。它通过伸缩、平移等运算功能对信号进行多尺度细化分析，能有效地从信号中提取信息。随着小波变换理论的完善，小波在图像去噪中得到了广泛的应用，与传统的去噪方法相比小波分析有着很大的优势，它能在去噪的同时保留图像细节，得到原图像的最佳恢复。
本文对基于小波变换的图像去噪方法进行了深入的研究分析，首先详细介绍了几种经典的小波变换去噪方法。对于小波变换模极大值去噪法，详细介绍了其去噪原理和算法，分析了去噪过程中参数的选取问题，并给出了一些选取依据；详细介绍了小波系数相关性去噪方法的原理和算法；对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。最后对这些方法进行了分析比较，讨论了它们各自的优缺点和适用条件，并给出了仿真实验结果。
在众多基于小波变换的图像去噪方法中，运用最多的是小波阈值萎缩去噪法。传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用，而且取得了较好的效果。但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象；而软阈值函数虽然整体连续性好，但估计值与实际值之间总存在恒定的偏差，具有一定的局限性。鉴于此，本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。该方法利用小波阈值去噪基本原理，在基于最小均方误差算法LMS和Stein无偏估计的前提下，引出了一个具有多阶连续导数的阈值函数，利用其对阈值进行迭代运算，得到最优阈值，从而得到更好的图像去噪效果。最后，通过仿真实验结果可以看到，该方法去噪效果显著，与硬阈值、软阈值方法相比，信噪比提高较多，同时去噪后仍能较好地保留图像细节，是一种有效的图像去噪方法。
8.期刊论文王茜小波变换及在图像去噪中的应用 -福建电脑2008,24(11
图像去噪是图像处理中重要的一部分.小波域图像去噪是图像处理中一个引人关注的研究方向.本文介绍了小波变换和基于小波变换的图像去噪原理及一般方法.并应用MATLAB软件实现了小波图像去噪的计算机仿真.
9.期刊论文丰明坤. Feng Mingkun 基于小波变换的图像去噪虚拟仪器系统 -光电子技术2009,29(1
图像去噪一直是图像处理领域中重要而较难的研究课题.近十几年来随着虚拟仪器技术逐渐成熟和其应用领域的不断扩展,也为图像去噪研究提供了新的思路.基于小波变换,借助虚拟仪器平台构造了一种图像去噪的仪器处理系统,通过调用不同的小波基MATLAB算法和变换阀值系数控制实现了图像去噪的功能.示例结果表明该系统具有良好的图像去噪效果.
10.学位论文蔡红苹基于小波变换的图像去噪方法研究 2003
小波变换的图像去噪是目前图像去噪方法中主要方法之一.怎样利用小波变换的去相关性、多分辨特性、小波系数的统计性质以及层间和层内系数的相关性进行
去噪一直是人们普遍研究的方向.在图像去噪算法中,怎样克服离散正交小波变换的不具备平移不变性的缺点也一直是研究的热点.本文对基于小波变换的图像去噪方法进行了深入的剖析,并针对具有平移不变性的小波进行了讨论.首先,本文对几种经典的小波变换去噪方法进行了详细地介绍,给出了仿真实验数据,并用简单的线性回归的方法推导出比例萎缩去噪方法中原图像的估计.在BivaShrink去噪方法的基础上提出了另外两个二元小波萎缩函数模型,这两个模型和BivaShrink方法分别利用的是当前层系数、父层系数和邻域系数这三个变量中的两个的相关信息.为了同时考虑这三个变量的互信息,本文提出了一种同时考虑小波系数层间和层内相关性的三元萎缩函数去噪方法:TrivaShrink方法.另外,本文对复数小波的理论和性质进行了详细的分析.由于复数小波具备平移不变性和方向选择性等优点,使得它在图像去噪中可以克服离散正交小波变换去噪中存在的毛刺现象.本文利用复数小波变换并结合所提出的模型1、2和TrivaShrink方法,进行了去噪仿真实验,实验结果表明,复数小波去噪后的去噪误差和图像视觉效果较离散正交小波去噪都有明显改善.
引证文献(2条
1. 周文娟. 刘宇红. 吴亚婷. 张波一种改进的图像复原方法的研究[期刊论文]-电脑知识与技术 2010(8
2. 肖红. 尚福华小波模极大值法在地震解释图像边缘检测中的应用[期刊论文]-河北工业科技 2009(5
本文链接：https://www.360docs.net/doc/e24031036.html,/Periodical_hebgydxxb200808034.aspx 授权使用：西南交通大学(wfxnjtdx，授权号：d2ef4633-9d23-4c49-aa25-
9e43015315a7 下载时间：2010年12月5日
图像去噪方法
图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。
小波变换图像去噪综述
科技论文写作大作业小波变换图像去噪综述 院系： 班级： 学号： 姓名：
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词：小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时，不仅能采集或接收到与所研究的问题相关的有效信号，同时也会观测到各种类型的噪声。在实际应用中，为降低噪声的影响，不仅应研究信号采集的方式方法及仪器的选择，更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器，滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号，这些信号可以近似的认为是一个高斯过程，同时由于信号的平稳性假设，傅立叶交换是一个很好的信号分析工具。但也有其不足之处，给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破，它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法，它具有这样的特性；在低频段具有较高的频率分辨率及较低的时间分辨率，在高频段具有较高的时间分辨率及较低的频率分辨率，实现了时频窗口的自适应变化，具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪，它能在去噪的同时而不损坏信号的突变部分。在过去的十多年，小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理，概括目前的小波图像去噪的主要方法，最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化，即:
改变图像质量的几种滤波方法比较
1 改变图像质量的几种滤波方法比较 一、概述 滤波是图像处理重要技术之一，是提高图像质量的主要手段。对输入的图像实现直方图均衡化；设计完成同态滤波器，并用之改善图象质量；对某图像加入不同类型﹑不同强度的噪声（周期﹑椒盐噪声），并分别用空间域和频率域的方法抑制噪声。 二、图像处理过程 1.直方图均衡化 输入一幅图片，统计原图直方图数组，用一个数组hf 记录hf(i)；i 从0到255，令pa(i)=pa(i-1)+hf(i)，其中hf(i)为灰度值为i 的像素点占总像素点的概率；一个数组F 记录新的索引值，即令F(i,j)= (pa(f(i,j)+1))*255；依次循环每一个像素，取原图的像素值作为数组F 的下标值，取该下标对应的数组值为均衡化之后的像素值。结果显示原图图像、原图直方图，均衡化后的图像和直方图，并用于对比。 其中图像中灰度级出现的概率近似为： ()n n r p k k r =，k=0,1,2,…,L -1。而变换函数为：00()(),0,1,2,,1 k k j k k r j j j n s T r p r k L n ======-∑∑ 2.巴特沃斯同态滤波器： 图像f(x,y)是由光源照度场(入射分量)fi(x,y)和场景中物体反射光(反射分量)的反射场fr(x,y)两部分乘积产生，关系式为： f(x,y)=fi(x,y)*fr(x,y); fi(x,y)的性质取决于照射源，fr(x,y)取决于成像物体的特性。一般情况下,照度场f i ( x , y) 的变化缓慢,在频谱上其能量集中于低频;而反射场f r ( x , y) 包含了所需要的图像细节信息,它在空间的变化较快,其能量集中于高频. 这样就可以根据照度—反射模型将图像理解为高频分量与低频分量乘积的结果。由于两个函数乘积的傅立叶变换是不可分的，故不能直接对照度和反射的频率部分分别进行操作。
实验三常用图像滤波方法
实验三常用图像滤波方法 一、实验目的 1、熟悉并掌握MATLAB图像处理工具箱的使用； 2、理解并掌握常用的图像的滤波技术。 二、实验环境 MATLAB 6.5以上版本、WIN XP或WIN7计算机 三、相关知识 1 imnoise imnoise函数用于对图像生成模拟噪声，如： i=imread('e:\w01.tif'); j=imnoise(i,'gaussian',0,0.02);模拟均值为0方差为0.02的高斯噪声，j=imnoise(i,'salt&pepper', 0.04) 模拟叠加密度为0.04的椒盐噪声 2 fspecial fspecial函数用于产生预定义滤波器，如： h=fspecial('sobel');%sobel水平边缘增强滤波器 h=fspecial('gaussian');%高斯低通滤波器 h=fspecial('laplacian');%拉普拉斯滤波器 h=fspecial('log');%高斯拉普拉斯（LoG）滤波器 h=fspecial('average');%均值滤波器 3 基于卷积的图像滤波函数 imfilter函数，filter2函数，二维卷积conv2滤波,都可用于图像滤波，用法类似，如： i=imread('e:\w01.tif'); h=[1,2,1;0,0,0;-1,-2,-1];%产生Sobel算子的水平方向模板
j=filter2(h,i); 或者： h = fspecial(‘prewitt’) I = imread('cameraman.tif'); imshow(I); H = fspecial('prewitt‘); %预定义滤波器 M = imfilter(I,H); imshow(M) 或者： i=imread('e:\w01.tif'); h=[1,1,1;1,1,1;1,1,1]; h=h/9; j=conv2(i,h); 4 其他常用滤波举例 （1）中值滤波 medfilt2函数用于图像的中值滤波，如： i=imread('e:\w01.tif'); j=medfilt2(i，[M N]);对矩阵i进行二维中值滤波，领域为M*N，缺省值为3*3 （2）利用拉氏算子锐化图像, 如: i=imread('e:\w01.tif'); j=double(i); h=[0,1,0;1,-4,0;0,1,0];%拉氏算子 k=conv2(j,h,'same');
几种中值滤波去噪方法分析
几种中值滤波去噪方法分析 在数字图像的转换、存储和传输等过程中，经常性由于电子设备工作环境的不稳定，由于设备中含有一些污染物等原因，导致数字图像中一些像素点的灰度值发生非常大的变化，变得非常小或者非常大；而且大气环境很容易干扰无线数据传输，从而让传输信号混入噪声，接收到的无线信号恢复成传输过来的数字图像较原图像相比也会有很大的不同。在这些过程中，椒盐噪声很容易就会对数字图像造成感染。客户满意的数字图像尽可能少或者没有受到椒盐噪声的污染。所以我们需要去噪处理。 在现阶段处理椒盐噪声方面的研究成果方面，因为中值滤波有其非线性的特性，对比其他线性滤波方法可以取得更好的效果，同切同时还可以更好的保留图像的边缘信息。很多学者在研究通过中值滤波消除椒盐噪声的影响，希望可以得到更好的去噪效果。 第一节标准中值滤波方法 标准中值滤波是把这个窗口内的像素点按灰度值大小进行排列，把灰度值的平均值当作标准值。 我们以一个8位的图像作为例子，因为椒盐噪声会让受影响的像素点灰度值改为亮点，即灰度值为255；或者暗点，即灰度值为0。我们在排序的时候，把收到污染的像素点的灰度值大小排列出来，取中间值为所有噪点值，那么就可以消除噪声污染对这个点的影响。其具体步骤如下： ①把窗口在图像中滑动，然后让窗口中心与某一像素点重合 ②记录下窗口中所有像素点的灰度值 ③将这些灰度值从小到大排序 ④记录下该灰度值序列中间的值 ⑤将所记录下的中间值替代窗口中心像素点的灰度值 因为中值滤波的输出灰度值大小是由窗口的中值大小所决定的，所以中值滤
波对于窗口内脉冲噪声远远没有均值滤波敏感。因此相对于均值滤波，中值滤波可以在有效去除脉冲噪声的同时，减小更多的模糊图像。由于由于中值滤波所采用的窗口大小会直接决定去噪效果和图像模糊程度，而且图像去噪后的用途也就决定了窗口的形式。以5*5窗口为例，常见的形状如图2.1所示： 图 2.1 常见的尺寸为5*5的中值滤波窗口 尽管标准中值滤波方法称得上是现在市面上的一种最简单有效的去除椒盐噪声的方法。但是它判断像素点是否被噪声影响的机制不明确，尽管采用该方法时已经对所有像素点进行了一次滤波操作，还是会在一定程序上对图像的边缘、细节信息产生破坏。 第二节带权值的中值滤波方法 Brownrigg提出了一种改进的中值滤波方法：带权值的中值滤波方法。这个滤波的步骤和SM基本一样，不同的地方在于：WM在排序取中值的时候要在
matlab图像去噪算法设计(精)
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。实验一：均值滤波对高斯噪声的效果 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');
常用图像去噪方法比较及其性能分析
龙源期刊网 https://www.360docs.net/doc/e24031036.html, 常用图像去噪方法比较及其性能分析 作者：孟靖童王靖元 来源：《信息技术时代·下旬刊》2018年第02期 摘要：本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现，比较了去噪的效果。 关键词：数字图像；噪声；滤波 一、引言 随着当今社会数字化的普及，人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题，数字图像处理技术应运而生。数字图像处理技术的产生，不仅满足了人们的视觉，同时经过处理的图像还可以更好的应用于图像加密，图像识别等领域。 二、空间域去噪算法 （一）均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上，通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果，使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响，然而对于由于椒盐噪声带来的对于图像的影响，均值滤波去除的效果并不很好。同时，由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值，来决定区域中心点灰度值的，所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉，造成视觉上细节不清楚的情况。并且所取范围越大，图像中细节部分越不清晰，图像越平滑。 （二）中值滤波去噪 通过求区域中心点及其周围点灰度值的中值，来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高，因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外，与均值滤波相比，中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。 （三）维纳滤波去噪
小波变换去噪基础地的知识整理
1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。 2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数 (即母小波)和缩放函数 (也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 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。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值
图像去噪原理
图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。因此，正是为了处理这种问题，是有噪声的图片变得更加清晰，人们研究出各种各样的方式去除图像中的噪声。 首先，为了让本报告易懂，我先解释几个名词的含义。 线性滤波算法：利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法，如均值滤波、高斯滤波，由于线性滤波是算术运算，有固定的模板，因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法：原始数据域处理结果数据之间存在的是一种逻辑关系，即采用逻辑运算实现的，如最大值滤波器、最小值滤波器、中值滤波器，通过比较领域内灰度值大小来实现的，它没有固定的模板和特定的转移函数。 高斯噪声：噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以采用线性滤波器滤除掉。 椒盐噪声：类似把胡椒和盐撒到图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声，采用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。 白噪声：指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的，因此我们把这种性质叫做“白色的”，就把这种噪声称作白噪声。 现在介绍，我采用的去噪算法。 （1）均值滤波：均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，
基于小波变换的图像去噪
第1章绪论 由于各种各样的原因，现实中的图像都是带噪声的。噪声恶化了图像质量，使图像变得模糊。对同时含有高斯噪声和椒盐噪声的图像先进行混合中值滤波，在滤除椒盐噪声的同时，又很好地保留了图像中的物体细节和轮廓。小波域去噪处理具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。小波模极大值去噪方法能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，具有较好的图画质量，改进后可以得到更满意的图像。小波相位滤波去噪算法是基于小波变换系数相关性去噪算法的，适于强噪声图像，去噪后也可以改善图像质量。 1.1课题背景 图像信息以其信息量大、传输速度快、作用距离远等优点成为人类获取信息的重要来源及利用信息的重要手段，而现实中的图像由于种种原因都是带噪声的。噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。为了去除噪声，会引起图像边缘的模糊和一些纹理细节的丢失。反之，进行图像边缘增强也会同时增强图像噪声。因此在去除噪声的同时，要求最小限度地减小图像中的信息，保持图像的原貌。经典的图像去噪算法，如均值滤波、维纳滤波、中值滤波等，其去噪效果都不是很理想。 中值滤波是由图基（Turky）在1971年提出的，开始用于时间序列分析，后来被用于图像处理，在去噪复原中得到了较好的效果。它的基本原理是把数字图像或数字序列中的一点的值，用该点的一个邻域中的各点的中值代替。中值滤波在抑制椒盐噪声的同时又能较好地保持图像特征，图像也得到了平滑。对同时含有高斯噪声和椒盐（脉冲）噪声的图像，先进行混合中值滤波处理。基于极值的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。基于混合中值滤波和小波去噪相结合的方法，去噪效果好于单纯地使用小波变换去除噪声，或者单纯使用混合中值滤波去除噪声，能获得比单一使用任何一种滤波器更好的效果。
数字图像处理-图像去噪方法
图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、椒盐噪声：主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法
是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。
小波变换图像去噪的算法研究自设阈值
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
图像滤波去噪处理
摘要 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。 因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录 摘要 (2) 一、图像滤波的应用 (4) 二、均值滤波 (5) 2.1 均值滤波的思想 2.2 均值滤波的算法 2.3 均值滤波的实验结果 三、中值滤波 (7) 3.1 中值滤波的思想 3.2 中值滤波的算法 3.3 中值滤波的实验结果 四、维纳滤波 (8) 4.1 维纳滤波的思想 4.2 维纳滤波的算法 4.3 维纳滤波的实验结果 五、小波变换 (9) 5.1 小波变换滤波的思想 5.2 小波变换滤波的算法 5.3 小波变换滤波的实验结果 六、Contourlet变换的图像去噪 (11) 6.1 Contourlet变换的基本思想 6.2Contourlet变换的算法 七、全变差正则化的Shearlet收缩去噪 (12) 7.1 Shearlet收缩去噪原理简介 7.2 Shearlet收缩去噪算法 八、结果分析及自己的收获 (12) 8.1结果分析 8.2自己的收获 参考文献 (13)
小波变换图像去噪MATLAB实现
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成：
())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的积： ( )dx a b x a x f f x W b a b a )(1)(,,,-ψ= ψ=?+∞∞- （3） 与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 2. 图像去噪综述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设
滤波图像降噪算法研究报告
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
MATLAB图像滤波去噪分析及其应用
《MATLAB图像滤波去噪分析及其应用》,双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波、Wiener 滤波、Kuwahara滤波、Beltrami流滤波、Lucy Richardson滤波、NoLocalMeans滤波等研究内容。 《MATLAB图像滤波去噪分析及其应用》全面而系统地讲解了MATLAB图像滤波去噪分析及其应用;结合算法理论,详解算法代码（代码全部可执行且验证通过）,以帮助读者更好地学习本书内容。对于网上讨论的大部分疑难问题,本书均有涉及。 第1章图像颜色空间相互转换与MATLAB实现 1．1图像颜色空间原理 1．1．1RGB颜色空间 1．1．2YCbCr颜色空间 1．1．3YUV颜色空间 1．1．4YIQ颜色空间 1．1．5HSV颜色空间 1．1．6HSL颜色空间 1．1．7HSI颜色空间 1．1．8CIE颜色空间 1．1．9LUV颜色空间 1．1．10LAB颜色空间 1．1．11LCH 颜色空间 1．2颜色空间转换与MATLAB实现 1．2．1图像YCbCr与RGB空间相互转换及MATLAB实现 1．2．2图像YUV与RGB空间相互转换及MATLAB实现 1．2．3图像YIQ与RGB空间相互转换及MATLAB实现 1．2．4图像HSV与RGB空间相互转换及MATLAB实现 1．2．5图像HSL与RGB空间相互转换及MATLAB实现 1．2．6图像HSI与RGB空间相互转换及MATLAB实现 1．2．7图像LUV与RGB空间相互转换及MATLAB实现 1．2．8图像LAB与RGB空间相互转换及MATLAB实现 1．2．9图像LCH 与RGB空间相互转换及MATLAB实现 第2章图像噪声概率密度分布与MATLAB实现 2．1噪声概率密度分布函数 2．1．1均匀分布 2．1．2正态分布 2．1．3卡方分布 2．1．4F分布 2．1．5t分布 2．1．6Beta分布 2．1．7指数分布 2．1．8Gamma分布 2．1．9对数正态分布 2．1．10瑞利分布 2．1．11威布尔分布
小波变换去噪
小波变换的图像去噪方法 一、摘要 本文介绍了几种去噪方法，比较这几种去噪方法的优缺点，突出表现了小波去噪法可以很好的保留图像的细节信息，性能优于其他方法。 关键词：图像；噪声；去噪；小波变换 二、引言 图像去噪是一种研究颇多的图像预处理技术。一般来说, 现实中的图像都是带噪图像。为了减轻噪声对图像的干扰，避免误判和漏判，去除或减轻噪声是必要的工作。 三、图像信号常用的去噪方法 （1）邻域平均法 设一幅图像f (x, y) 平滑后的图像为g(x, y)，它的每个象素的灰度值由包含在(x, y)制定邻域的几个象素的灰度值的平均值决定。将受到干扰的图像模型化为一个二维随机场，一般噪声属于加性、独立同分布的高斯白噪声。可见，邻域平均所用的邻域半径越大，信噪比提高越大，而平滑后图像越模糊，细节信息分布不明显。 （2）时域频域低通滤波法 对于一幅图像，它的边缘、跳跃部分以及噪声都为图像的高频分量，而大面积背景区和慢变部分则代表图像低频分量，可以设计合适的低通滤波器除去高频分量以去除噪声。 设f(x,y)为含噪图像，F(x,y)为其傅里叶变换，G(x,y)为平滑后图像的傅里叶变换，通过H，使F(u,v)的高频分量得到衰减。理想的低通滤波器的传递函数满足下列条件： 1 D(u，v)≤D H(u,v)= 0 D(u，v)≤D 式中D0非负D(u，v)是从点(u，v)到频率平面原点的距离，即，即D(u, v) = u2 + v2 (3)中值滤波 低通滤波在消除噪声的同时会将图像中的一些细节模糊掉。中值滤波器是一种非线性滤波器，它可以在消除噪声的同时保持图像的细节。 (4)自适应平滑滤波 自适应平滑滤波能根据图像的局部方差调整滤波器的输出。局部方差越大，滤波器的平滑作用越强。它的最终目标是使恢复图像f*(x,y) 与原始图f(x,y) 的均方误差 e2 = E ( f (x, y) ? f *(x, y))2 最小。自适应滤波器对于高斯白噪声的处理效果比较好. （5）小波变换图像信号去噪方法 小波变换去噪法的基本思想在于小波变换将大部分有用信号的信息压缩而将噪声信息分散。对信号进行小波分解，就是把信号向L2 ( R) ( L2 ( R) 是平方可积的实数空间) 空间各正交基分量投影，即求信号与各小波基函数之间的相关系数，亦即小波变换值。“软阈值化” ( soft-thresholding) 和“硬阈值化”( hard-thresholding) 是对超过阈值之上的小波系数进行缩减的两种主要方法。一般说来，硬阈值比软阈值处理后的图像信号更粗糙，所以常对图像信号进行软 阈值的小波变换去噪。如图2 所示，横坐标代表信号( 图像) 的原始小波系数，纵坐标
中值滤波原理及MATLAB实现
中值滤波原理及MATLAB实现 摘要：图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。本文将纯净的图像加入椒盐噪声,然后采用中值滤波的方法对其进行去噪。中值滤波是一种常用的非线性信号处理技术，在图像处理中，它对滤除脉冲干扰噪声最为有效。文章阐述了中值滤波的原理、算法以及在图像处理中的应用。MATLAB 是一种高效的工程计算语言，在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。 关键词：图像,中值滤波,去噪,MATLAB 1.引言 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。 为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤波器,低通滤波器,维纳滤波器,最小失真法等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。 2.中值滤波 在图像滤波中，常用的方法是线性滤波技术和非线性滤波技术，线性滤波以其完美的理论基础，数学处理简单、易于采用和硬件实现等优点，一直在图像滤波领域中占有重要的地位。线性滤波对加性高斯噪声有较好的平滑作用，但对脉冲信号和其它形式的高频分量抑制效果较差，且模糊信号边缘。非线性滤波是基于对输入信号序列的一种非线性投影关系，常把某一特定的噪声近似为零而保留信号的重要特征，一定程度上克服线性滤波器的不足，非线性滤波早期运用较多的是中值滤波器，其应用于多维信号处理时，对窄脉冲信号具有良好的抑制能力，但中值滤波器对中拖尾（如均匀分布噪声）和短拖尾分布噪声（如高斯噪声）,滤波性能较差,且拖尾越短,其滤波能力越差。
基于小波变换的图像去噪方法研究毕业设计
题目基于小波变换的图像去噪方法研究
毕业论文﹙设计﹚任务书 院(系) 物理与电信工程学院专业班级通信1101班学生姓名陈菲菲 一、毕业论文﹙设计﹚题目基于小波变换的图像去噪方法研究 二、毕业论文﹙设计﹚工作自 2015 年 3 月 1 日起至 2015 年 6 月 20 日止 三、毕业论文﹙设计﹚进行地点: 物理与电信工程学院实验室 四、毕业论文﹙设计﹚的内容 1、图像处理中，输入的是质量低的图像，输出的是改善质量后的图像。常用的图像处理方法有图像增强、复原、编码、压缩等。一般图像的能量主要集中在低频区域中，只有图像的细节部的能量才处于高频区域中。因为在图像的数字化和传输中常有噪声出现，而这部分干扰信息主要集中在高频区域内，所以消去噪声的一般方法是衰减高频分量或称低通滤波，但与之同时好的噪方法应该是既能消去噪声对图像的影响又不使图像细节变模糊。为了改善图像质量，从图像提取有效信息，必须对图像进行去噪预处理。 设计任务： （1）整理文献，研究现有基于小波变换的图像去噪算法，尝试对现有算法做出改进； （2）在MATLAB下仿真验证基于小波变换的图像去噪算法。 2、要求以论文形式提交设计成果，应掌握撰写毕业论文的方法，应突出“目标，原理，方法，结论”的要素，对所研究内容作出详细有条理的阐述。 进度安排： 1-3周：查找资料，文献。 4-7周：研究现有图像去噪技术，对基于小波变换的图像去噪算法作详细研究整理。 8-11周：研究基于小波的图像去噪算法，在MATLAB下对算法效果真验证。 12-14周：分析试验结果，对比各种算法的优点和缺点，尝试改进算法。 15-17周：撰写毕业论文，完成毕业答辩。 指导教师陈莉系(教研室) 系(教研室)主任签名批准日期 2015.1.1 接受论文 (设计)任务开始执行日期 2015.3.1 学生签名