基于双树复小波变换的BivaShrink自选窗图像去噪算法
基于双树复小波变换的图像去噪的开题报告
基于双树复小波变换的图像去噪的开题报告一、选题背景随着数字图像技术的发展，图像噪声问题成为了图像处理领域中的一个重要问题，尤其是在数字信号传输、数字摄影、数字视频压缩等领域中，图像噪声问题更是不可避免。
因此，图像去噪技术成为了图像处理领域中的研究热点问题之一。
在现代图像处理技术中，基于小波变换的去噪技术已经被广泛应用。
小波变换方法可以将图像数据通过一定的方法进行变换，使得信号特征得到更好的表现，同时还可以减小信号噪声的影响。
但是在实际应用中，小波变换的去噪方法也存在一定的缺陷，如对于高斯噪声和脉冲噪声效果并不理想等。
为了解决小波变换方法的缺陷，研究人员提出了双树复小波变换去噪方法。
双树复小波变换是小波变换的一种扩展方法，其能够提供更好的信号描述力和更准确的信号特征表示。
因此，双树复小波变换在图像处理领域中具有较高的研究价值和应用前景。
二、研究目的本研究的目的是探究基于双树复小波变换的图像去噪方法，研究双树复小波变换的原理及实现方法，对其进行分析、优化和改进，提出一种基于双树复小波变换的图像去噪算法，并进行实验验证，以提高图像噪声去除的效率和精度。
三、研究内容1. 双树复小波变换的原理与实现方法的研究双树复小波变换是对小波变换的扩展方法，该方法采用双树结构和复数扩展，能够更好地描述信号特征。
本研究将学习双树复小波变换的原理，介绍其在信号处理中的优劣势，并实现其算法。
2. 基于双树复小波变换的图像去噪算法的设计在研究双树复小波变换的基础上，本研究将探讨其在图像处理中的应用，并设计一种基于双树复小波变换的图像去噪算法，该算法能够有效消除噪声影响并保持图像细节特征。
3. 基于算法的实验验证在算法设计完成后，本研究将进行实验验证。
该实验将采用一系列有噪图像，分别对比本算法与其他常见的基于小波变换的图像去噪算法，包括小波软阈值去噪算法、小波硬阈值去噪算法等，分析其去噪效果、处理速度等指标，并比较其优缺点。
四、研究意义1. 提高图像去噪的效率和精度，满足实际应用需要双树复小波变换能够提供更好的信号特征描述能力，因此在图像去噪中具有一定优势。
一种基于小波变换的图像去噪算法精
一种基于小波变换的图像去噪算法(精)一种基于小波变换的图像去噪算法马（１．上海交通大学上海莉１’２，郑世宝１，刘成国２２００２４０＃２．中国西昌卫星发射中心四川西昌６１５０００）摘要：利用小波方法去噪，是小波分析应用于工程实际的一个重要方面。
针对图像存在大量噪声的情况，阐述小波变换去除信号噪声的基本原理和方法。
在综合考虑图像去噪平滑效果和图像的清晰程度的基础上，提出一种多方向多尺度的自适应小波去噪算法。
通遗试验数据验证了该算法的可行性和鲁棒性。
实验结果表明该方法增强了图像的视觉效果。
关键词：图像去噪；小波变换，阈值选取；软阚值；自适应阈值算法中图分类号：ＴＰ３９１文献标识码：Ｂ文章编号：１００４—３７３Ｘ（２００８）１８—１６０—０３ＡｎＩｍｐｒｏｖｅｄＡｌｇｏｒｉｔｈｍｏｆＩｍａｇｅＤｅｎｏｉｓｉｎｇＢａｓｅｄＯｉｌＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＭＡＬｉｌ”。
ＺＨＥＮＧＳｈｉｂａ０１，ＬＩＵＣｈｅｎｇｇｕ０２（１．ＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ，２００２４０ｔＣｈｉｎａ；２．ＣｈｉｎａＸｉｃｈａｎｇＳａｔｅｌｌｉｔｅＬａｕｎｃｈＣｅｎｔｅｒ，Ｘｉｃｈａｎｇ，６１５０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｕｓｉｎｇｗａｖｅｌｅｔｄｅｎｏｉｓｉｎｇｉｓｍａｉｎｎｏｉｓｅｓｏｕｒｃｅｓｆｏｒｉｍａｇｅ，ａｎｄｔｈｅｎａｎｉｍｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｉｎｅｎｇｉｎｅｅｒｉｎｇ．Ｔｈｉｓｐａｐｅｒａｎａｌｙｚｅｓｔｈｅｔｈｅｂａｓｉｃｐｒｉｎｃｉｐｌｅｓａｎｄｍｅｔｈｏｄｓｂｙｒｅｍｏｖａｌｏｆｓｉｇｎａｌｎｏｉｓｅｗａｖｅｌｅｔｐｒｅｓｅｎｔｓｔｒａｎｓｆｏｒｍ．Ａｆｔｅｒｔｈａｔ。
ａｍｕｌｔｉ—ｓｃａｌｅａｎｄｍｕｌｔｉ—ｄｉｒｅｃｔｉｏｎｓｅｌｆ—ａｄａｐｔｉｖｅｗａｖｅｌｅｔｄｅｎｏｉｓｉｎｇａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｉｓｄｅｓｉｇｎｅｄａｆｔｅｒｂａｌａｎｃｉｎｇｉｍａｇｅｓｍｏｏｔｈｎｅｓｓａｎｄｃｌｅａｒｎｅｓｓｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔｓｏｆｃｏｍｍｏｎｄｅｎｏｉｓｉｎｇａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓａｌｓｏｃｏｎｆｉｒｍｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｉｓｆｅａｓｉｂｌｅａｎｄｒｏｂｕｓｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｎｏｉｓｉｎｇｐｅｒｆｏｒｍａｎｃｅｅｎｈａｎｃｅｄｔｈｅｉｍａｇｅｏｆｔｈｅｖｉｓｕａｌｅｆｆｅｃｔｓ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｄｅｎｏｉｓｉｎｇ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；ｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎ；ｓｏｆｔｔｈｒｅｓｈｏｌｄ；ａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍ在图像获取的过程中，由于设备的不完善及光照等条件的影响，不可避免地会产生图像质量降低的现象。
一种基于贝叶斯估计双树复小波图像去噪算法
一种基于贝叶斯估计的双树复小波图像去噪算法摘要：为了去除图像中的高斯噪声，本文根据贝叶斯最大后验概率估计，把双树复小波变换和拉普拉斯分布模型结合起来，提出了一种基于贝叶斯估计的图像去噪算法。
实验表明，本文算法能明显的改善和提高主观视觉效果和峰值信噪比。
关键词：双树复小波；图像去噪；贝叶斯估计；拉普拉斯模型中图分类号：tp391去噪一直是图像处理中的经典问题，是图像预处理中的一个重要环节，为图像分割、图像融合和图像压缩等后续操作奠定基础。
小波变换因其具有良好的局部化分析和多分辨率分析等特性，在图像去噪领域得到了广泛的应用和研究[1]。
目前，基于小波变换的去噪方法是图像去噪的主流方法，主要有：小波阈值法、基于统计特性的贝叶斯估计法、基于奇异性检测的方法等。
传统的离散小波变换（dwt）虽然具有许多优异特性如：低熵性、去相关性、多分辨率分析、选基灵活性等，但也存在一定的局限性：（1）离散小波变换在采样时由于缺乏平移不变性，会导致图像出现伪吉布斯现象；（2）传统的离散小波变换只能分解成水平、垂直和对角三个方向，方向选择性有限；（3）震荡性；（4）频谱重叠性。
这些缺点给小波变换在实际应用中带来了一些问题[3]。
nick g. kingsburg在1998年提出了双树复小波变换（dc-cwt）技术，dc-cwt保留了一般小波的优点，而且还具近似平移不变性、有限冗余性、良好的方向选择性和完全重构性等特点，很好的解决了上述离散小波变换存在的问题[5]。
本文在dc-cwt的基础上，结合贝叶斯最大后验概率估计技术和拉普拉斯分布模型，提出了一种基于贝叶斯估计的双树复小波图像去噪算法。
1 双树复小波变换双树复小波变换是在实小波理论的基础上发展起来的，使用过采用技术，是对离散小波变换的改进。
它通过使用两个滤波器并行对输入信号进行处理，可以表示为：ψ（t）=ψh（t）+ψg（t）j （1）其中ψh（t），ψg（t）分别为复小波的实部和虚部，是两个独立的实小波变换。
基于小波变换的图像去噪算法研究与应用
基于小波变换的图像去噪算法研究与应用一、引言图像去噪是图像处理领域的重要问题，随着数字图像处理技术的发展与应用，对图像的去噪要求越来越高。
因此，在图像领域中，图像去噪一直是研究的热点之一。
二、小波变换小波变换是一种信号处理方法，可以用于信号的压缩、去噪、特征提取等。
小波变换通过分析信号中的局部细节信息，可以将信号分解为不同频率的子带，从而更好地处理信号中的各个部分。
三、小波变换在图像去噪中的应用1.小波阈值去噪法小波阈值去噪法是一种基于小波分解的图像去噪方法，该方法通过分解图像为不同频率的小波子带，再对各自的子带进行去噪处理，最后将各子带结果合成为一张图像。
该方法的核心在于确定小波子带的阈值，目前常用的方法有软阈值和硬阈值两种。
软阈值和硬阈值的区别在于，软阈值会使小于阈值的子带信号变为0，但不会对大于阈值的信号做限制；硬阈值和软阈值类似，只是会使小于阈值的子带信号全部变为0。
2.双阈值小波去噪法双阈值小波去噪法是一种基于小波变换的两阶段去噪方法，该方法首先通过小波分解将图像分解为不同频率的小波子带，然后采用两个阈值对各子带进行去噪处理，其中一个阈值用于对高频子带进行去噪，另一个阈值用于对低频子带进行去噪。
该方法的主要优点在于，可以有效地去除噪声的同时，尽可能地保留图像中的细节和纹理信息。
四、实验分析与结果本文选择了几组不同的噪声图像进行去噪处理，将分别采用小波阈值去噪法和双阈值小波去噪法进行实验处理。
实验结果表明，采用小波阈值去噪法能够显著地去除高斯噪声和椒盐噪声；双阈值小波去噪法在去除图像噪声的同时，能够有效地保留图像中的细节信息。
五、结论小波变换是一种重要的信号处理方法，在图像去噪方面得到了广泛的应用。
通过实验对比，小波阈值去噪法和双阈值小波去噪法均能达到不错的去噪效果，可根据不同的噪声类型和噪声强度进行选择和应用。
未来，小波变换方法预计将得到更广泛的应用，为图像处理及相关领域的研究提供更有力的工具和技术。
基于多带复数小波与最大后验概率估计法的图像去噪方法
给出了采用4带复数小波与isendur等人嘲最近提出的bivashrink方法的去噪效果比较从结果可以看到复数小波变换去噪后的峰值信噪比相比较正交小波变换去噪后的要高出近ldbbarbara略低而由于复数小波变换具有平移不变性的特点去噪后的图像不再像正交小波去噪后的图像存在毛刺现象图像更光滑视觉上的效果比正交小波改善了很多
1 引言
图像去噪是信号处理与图像处理中具有非常重要地位的经典问题。传统的去噪方法多采用平 均或线性方法去噪 , 常用的是 Wiener 滤波 , 该方法简单 , 容易实现, 但最大的问题是去噪效果经常 达不到要求。由于小波本身具有良好的时频局部分析特性, 因此, 基于小波与各种统计模型的信号 与图像去噪方法获得极大成功, 因而受到人们的广泛关注。 利用小波与统计模型进行去噪主要有下 列特点 : 低熵性。 由于小波变换后的系数为稀疏分布, 因此图像变换后的熵有较大的降低 ; 多分 辨率特性。由于采用了多分辨率的方法, 所以可以非常好地刻画信号地非平稳特征, 如边缘、 尖峰、 断点等 , 可在不同分辨率下根据信号和噪声分布的特点去噪; 去相关性。由于小波变换可对信号 去相关 , 且噪声在变换后有白化趋势 , 所以小波域比时域方法更利于去噪 ; ! 选基灵活性。 由于小波 变换可以灵活选择基, 也可根据信号特点和去噪要求选择多带小波、 小波包、 平移不变小波等。 为了讨论基于复数小波的去噪方法, 我们首先描述图像的噪声模型。 设原图像( 即待恢复的图像) 为 { f [ i, j ] , i , j = 1, 2, … , N } , 被噪声污染的图像( 即观察到的图 像 ) 为{ g [ i, j ] , i , j = 1, 2, …, N } , 并设 g [ i , j ] = f [ i , j ] + [ i , j ] , i , j = 1, 2, …, N , 其中 [ i , j ] 是噪声 2 分量 , 独立同分布于 N ( 0, n) , 且与 f [ i , j ] 独立。 去噪的目的是得到 f [ i , j ] 的估计 f [ i, j ] , 使均方误 差 ( M SEw ) 达到最小。为简单记并考虑到实际问题的需要, 对噪声的讨论仅限于加性的高斯白噪 声 , 即为 V [ i , j ] 独立、 与 N ( 0,
基于双树复小波二元统计模型的图像去噪方法
基于双树复小波二元统计模型的图像去噪方法
刘薇;徐凌;杨光
【期刊名称】《中国图象图形学报》
【年(卷),期】2009(014)007
【摘要】为了更有效地进行图像去噪,提出了一种基于双树复小波二元统计模型的图像去噪方法,该方法先用带参数的二元广义高斯分布(GGD)来模拟原图双树复小波系数的统计分布;然后结合最大似然估计(MLE)得到优化的参数估计;最后在此先验分布的基础上,运用最大后验概率(MAP)来估计从噪声图的小波系数中恢复原图的系数.从而达到去噪的目的.实验表明该新方法不仅可以干净地去除图像的噪声,还可以有效地保留图像细节,取得了良好的去噪效果,尤其是去噪图像的视觉效果要明显优于目前的很多算法.
【总页数】7页(P1291-1297)
【作者】刘薇;徐凌;杨光
【作者单位】华东师范大学物理系上海市磁共振重点实验室,上海,200062;华东师范大学物理系上海市磁共振重点实验室,上海,200062;华东师范大学物理系上海市磁共振重点实验室,上海,200062
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于小波统计模型的医学超声图像去噪方法研究 [J], 侯建华;熊承义;何翔;陈亚光
2.基于双树复小波变换和形态滤波的PPG信号去噪方法 [J], 李丹;柏桐;庞宇;王慧倩;李国权
3.基于小波域局部统计模型的图像去噪方法 [J], 崔艳秋;王珂
4.基于双树复小波和形态学的红外图像去噪方法 [J], 牛犇;慕晓冬;陈长倩
5.基于双树复小波的多尺度遥感图像去噪方法 [J], 李辉; 朱锡芳; 吴峰; 相入喜; 蔡建文; 姜一波
因版权原因，仅展示原文概要，查看原文内容请购买。
基于双树复数小波的图像去噪-毕业论文
---文档均为 word 文档，下载后可直接编辑使用亦可打印-要噪声抑制是任何图像处理任务的组成部分，噪声会显着降低图像质量，因此使观察者难以区分图像的细节，特别是在诊断检查中。
经过几十年的研究，已经提出了大量关于图像去噪的方法。
通过使用空间滤波或变换域滤波，可以减少图像中噪声的影响。
在变换域小波方法中，提供更好的去噪效果，同时保留像边缘那样的图像细节。
离散小波变换具有一些缺点，即由于缺乏移位不变性和较差的方向选择性，导致其在图像处理中的应用尚未确定。
为了克服这些缺点，使用了双树复数小波变换，其在传统的小波变换上提供了完美的重构。
它使用 2 个离散实小波变换；第一个离散实小波变换给出了变换的实部，而第二个离散实小波变换给出了变换的虚部。
它在二维和更高维度上有限的冗余几乎是不变和定向选择性的。
双树复数小波变换在图像去噪和增强等应用方面优于离散小波变换。
双树复数小波变换的优点之一是它可用于实现比二维离散小波变换方向更具选择性的二维小波变换。
二维双树复数小波在每个尺度上产生十二个子带，每一个都以不同的角度精确定位。
关键词：图像；去噪；双树复数小波；阈值ABSTRACTNoise suppression is an integral part of any image processing task. Noisesignificantly degrades the image quality and hence makes it difficult for the observer todiscriminate fine detail of the images especially in diagnostic examinations. Throughdecades of research, a lot of methods on image denoising have been proposed .Theeffect of noise in the images can be reduced by using either spatial filtering or transformdomain filtering. In transform domain, the wavelet method provides better denoisingeffect while preserving the details of images like edges. The Discrete WaveletTransform (DWT) has some disadvantages that undetermined its application in imageprocessing as lack of shift invariance and poor directional selectivity. In order toovercome these disadvantages Dual Tree Complex Wavelet Transform (DT-CWT) isused which provide perfect reconstruction over the traditional wavelet transform. Itemploys 2 real DWTs; the first DWT gives the real part of the transform while secondDWT gives the imaginary part. It is nearly shift invariant and directionally selective intwo and higher dimensions with limited redundancy. The DTCWT outperforms theDWT for applications like image denoising and enhancement. One of the advantagesof the DTCWT is that it can be used to implement 2D wavelet transforms that are moreselective with respect to orientation than is the 2D DWT. The 2D DTCWT producestwelve sub-bands at each scale, each of which are strongly oriented at distinct angles.Keywords: image ; denoising ; Dual Tree Complex wavelet; threshold前言近年来小波变换的快速发展，尤其是双树复数小波，很大程度上提升了图像处理算法的优化，双树复数小波最显著的优点是具有近似的平移不变性和更多的方向选择性。
基于小波变换的图像去噪技术研究
基于小波变换的图像去噪技术研究近年来，随着计算机和智能手机的普及和发展，数字图像成为了人们生活中不可或缺的一部分。
但是，由于图像的获取、存储、传输等过程中都会导致噪声的产生，噪声使得图像的质量受到了很大的影响。
因此，提高图像的质量，减少图像中的噪声成为了图像处理中一个重要的问题。
其中，图像去噪技术成为了当前研究的热点之一。
小波变换技术是一种经典的图像去噪算法，本文将着重研究基于小波变换的图像去噪技术。
一、常见的图像噪声首先，我们需要了解图像中常见的噪声类型。
图像噪声可以分为两类：加性噪声和乘性噪声。
常见的加性噪声有高斯噪声、椒盐噪声、泊松噪声等。
乘性噪声主要有伽马噪声、指数噪声等。
在图像处理中，最常见的是高斯噪声和椒盐噪声。
二、小波变换原理小波变换是一种非线性信号分析工具，其具有良好的时域和频域分析能力。
小波分析是一种特别适用于非平稳信号的分析方法，它将非平稳信号分解成不同频率的子信号进行分析，从而更好的理解信号的特征。
小波变换可分为离散小波变换（DWT）和连续小波变换（CWT）两种。
DWT是基于Mallat算法，其中，由于小波基函数的局域性与多分辨率性质，它可以通过反复细分与平滑处理，来实现图像分解和重构。
DWT的优势在于计算复杂度低，且具有良好的时间和频率分辨率，因此被广泛应用于图像处理的不同领域。
三、基于小波变换的图像去噪算法基于小波变换的图像去噪算法是指使用小波变换对含有噪声的图像进行处理，从而得到无噪声的图像的一种方法。
经过小波变换后，图像可以被分解为多个不同的频率子带图像。
由于噪声在不同频率下具有不同的特性，因此可以通过对不同频率下的子图像进行处理来消除噪声。
具体实现步骤如下：1. 将原始图像进行小波变换，得到包含多个子图像的不同频率子带图像。
2. 选择合适的阈值准则对每个子带图像的小波系数进行阈值处理，去掉较小的系数，保留较大的系数。
3. 将处理后的小波系数进行逆小波变换，得到去噪后的图像。
基于小波变换的图像去噪算法研究
基于小波变换的图像去噪算法研究图像去噪是图像处理领域中非常重要的研究方向。
噪声是由于图像传感器、传输媒介、储存介质等外界因素影响而引起的。
由于噪声对图像质量的影响，它在很多应用中都是不可避免的。
因此如何减少或者消除图像中的噪声，一直是学者们研究的重点。
本文主要针对基于小波变换的图像去噪算法展开讨论。
一、小波变换简介小波变换是现代信号处理领域中的一种重要的分析工具，它能够将信号分解成不同尺度的频带信号。
相对于傅里叶变换来说，小波变换不仅能够表达信号的频域特征，还能够表达信号的时域特征。
因此，在图像处理领域，小波变换常常被用于图像的去噪和压缩等处理。
二、小波去噪算法小波去噪算法是小波变换在图像去噪领域中最重要的应用之一。
首先，需要对图像进行小波分解，得到不同的频带信号。
然后，通过对各个频带信号进行阈值处理，将其分别压缩和去除噪声。
最后，通过小波反变换将处理后的频带信号合并成一张图像。
对于一张图像，小波分解可以分为多层，每一层都可以分解成LL（低低）、LH（低高）、HL（高低）和HH（高高）四个频带信号。
其中LL分量对应于较高的尺度，LH、HL分量对应于较低的尺度，HH分量对应于最低的尺度。
在小波去噪算法中，对于每一个小波分解的频带信号，需要进行阈值处理。
这里，我们可以采用硬阈值和软阈值两种方法进行处理。
硬阈值：对于每一个小波分解的频带信号，在取绝对值之后，用一个阈值t来削弱那些幅值小于t的频率系数，从而减少图像中的噪声。
强度小于t的信号将被压缩到零。
大于t的信号则不受影响。
软阈值：与硬阈值不同，软阈值将信号幅度减小一个值。
对于每一个小波分解的频带信号，在取绝对值之后，将整个信号减少一个固定的值，从而减少图像中的噪声。
最后，通过对处理后的频带信号进行小波反变换，将处理后的低频部分和高频部分合并成为一张图像。
通过这种方法，我们可以在尽可能保留图像细节的同时，将图像中的噪声去除。
三、小波去噪算法的优缺点小波去噪算法是一种非常经典的图像去噪方法，其优点主要有以下几个方面：1. 小波变换能够将信号分解成不同尺度的频带，因此可以同时对图像的时域和频域特征进行处理。
基于小波变换的图像去噪算法研究
2017年第4期信息通信2017(总第172 期）INFORMATION & COMMUNICATIONS (Sum. N o 172)基于小波变换的图像去噪算法研究侯延童(长春理工大学，吉林长春130022)摘要：小波变换作为一种重要的工具，已经在图像处理中得到了广泛的应用。
我们所获得的图像一般信嗓比比较低，嗓声 密度大，且含有混合噪声，而现有算法大多只针对单一噪声进行去除。
文章提出了一种基于小波变换的混合噪声的去除方 法:首先使用改进的中值滤波算法去除脉冲噪声，然后采用小波去嗓方法去除高斯噪声。
通过Matlab仿真得出去嗓效果。
关键词：图像去噪;小波变换；阈值函数；中值滤波中图分类号:TP391.41 文献标识码:A文章编号：1673-1131(2017)04-0015-020引言图像在生成、传输的过程中容易受到各种噪声的干扰，这样就给信息的传输、处理及保存带来了诸多不便，因此有必要对图像进行去噪处理。
小波分析由于具有良好的时频局部特性以及多分辨率分析特性[1]，可以有效地从信号中提取重要信息，因此在图像处理领域得到广泛应用。
1脉冲噪声的去除1.1中值滤波介绍中值滤波是一种在空间域中利用统计分析中的排序知识 对信号进行非线性处置的方法[2]。
使用这种方法来剔除噪声 有其不足之处气以3x3的邻域为例，我们得做36次大小比 较才能把顺序排出来，不仅要求很大的空间来储存数据，而且 处理速度慢,时效性较差。
1.2改进的中值滤波算法本文使用改进后的中值滤波算法去除图像中的脉冲干扰，步骤如下：(1)首先按顺序排列每行的3个数，结果如图1(a)所示。
把每一行的3个数看作一个整体，根据每行的中值大小对这3 行进行行间排列，得到图1(b)。
⑵使用排除法比较图1(b)中的数，按照上面描述的方法 我们得出至少有5个数比X I*、X2*大，所以X I*、x2*明显 就不是中值了。
Z2*、Z3*用同样的方法也能分析出不是中值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ ０ １ ７年 ３月
计 算
技
术
与 自 动
化
Ｖｏ 】 ＿ ３ ６。 ＮＯ ． １ Ｍａ ｒ ．２ ０ １ ７
Ｃｏｍ ｐ ｕｔ ｉ ｎ ｇ Ｔｅ ｃ ｈ ｎｏｌ ｏｇ ｙ ａ ｎ ｄ Ａｕ ｔ ｏｍ ａ ｔ ｉ ｏｎ
（ １ ．Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｉ ｎ ｇ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ，Ｎａ ｎ ｃ ｈ ａ ｎ ｇ ， Ｊ ｉ ａ ｎ ｇ ｘ ｉ ３ ３ ０ ０ ０ ３， Ｃｈ ｉ ｎ ａ ； ２ ．Ｓ ｏ ｆ ｔ ｗａ ｒ ｅ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ｃｅ ｎ ｔ ｅ ｒ ｏ ｆ Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ，Ｎａ ｎ ｃ ｈ ａ ｎ ｇ， Ｊ ｉ ａ ｎ ｇ ｘ ｉ ３ ３ ０ ０ ０ ３， Ｃｈ ｉ ｎ ａ ）
文章编号 ： １ ０ ０ ３ —６ １ ９ ９ （ ２ ０ １ ７ ） ０ １ —０ １ ０ ８ —０ ５
基 于 双 树 复 小 波 变 换 的 Ｂｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ 自 选 窗 图 像 去 噪 算 法
付 康 ， 汤 辉 计， 孙 丹 。 ， 刘 波平 。 ， 王 蕾
Ｂｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎｋ Ａｄａ ｐｔ ｉ ｖ ｅ Ｓ ｅ ｌ ｅ ｃ ｔ Ｗ ｉ ｎｄ ｏ ｗ Ｉ ｍａ ｇ ｅ Ｄｅ ｎｏ ｉ ｓ ｉ ｎ ｇ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ ＤＴＣＷ Ｔ
ＦＵ Ｋａ ｎｇ ，ຫໍສະໝຸດ ＴＡＮＧ Ｈｕ ｉ ’ ”， ＳＵＮ Ｄａ ｎ ， ＬＩ Ｕ Ｂｏ — ｐｉ ｎｇ ～， Ｗ ＡＮＧ Ｌｅ ｉ ，
（ １ ． 江 西 省 计 算 技 术研 究 所 ， 江西 南 昌 ３ ３ ０ ０ ０ ３ ； ２ ． 江 西省 软件 工 程 技 术 研 究 中心 ， 江 西 南 昌 ３ ３ ０ ０ ０ ３ ）
摘
要： 在 小 波 变 换 理 论 和 双 变量 模 型 的研 究基 础 上 ， 本 文 提 出 了一 种 Ｂ ｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ 自选 窗 算 法 ， 该 算 法
比， 双 树 复 小 波 自选 窗 图像 去 噪 效果 优 于 Ｂ ｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ 自选 窗 。
关键 词 ： 小波 变换 ； 图像 去 噪 ； 双变量模型； 双 树 复 小 波 变换
中图分类号 ： ＴＮ ９ １ １ ． ７ ３
文 献标 识 码 ： Ａ
Ｄ ＯＩ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ３ － ６ １ ９ ９ ． ２ Ｏ １ ７ ． ０ １ ． ０ ２ ２
根 据 邻 域 内小 波 系数 的 相 关 度 大 小 自适 应 选 取 邻 域 窗 口。 最后 将 双 树 复 小 波 变 换 应 用 在 Ｂ ｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ 自选 窗 图像 去 噪 算 法 中。 实 验 结 果 证 明 ， Ｂ ｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ自选 窗 优 于 Ｂ ｉ ｖ ａ Ｓ ｈ ｒ ｉ ｎ ｋ去 噪 算 法 ， 与 传 统 的 离散 小 波 变 换 相
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｂａｓ ｅ ｄ ｏ ｎ ｗａ ｖｅ ｌ ｅ ｔ ｔ ｒ ａ ｎｓ ｆ ｏｒ ｍ ａｎ ｄ ｂｉ ｖａ ｒ ｉ ａ ｔ ｅ ｍｏｄｅ ｌ ， ｔ ｈｉ ｓ ｐａ ｐ ｅ ｒ ｐｒ ｏｐ ｏｓ ｅ ｄ ａ ｎ ａ ｄａ ｐ ｔ ｉ ｖｅ ｓ ｅ ｌ ｅ ｃ ｔ ｗｉ ｎｄ ｏｗ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ｏｆ Ｂｉ ｖａ Ｓｈ ｒ ｉ ｎｋ， ｉ ｔ ａ ｄ ａ ｐｔ ｉ ｖｅ ｓ ｅ ｌ ｅ ｃ ｔ ｎ ｅ ｉ ｇｈｂ ｏｒ ｈｏ ｏｄ Ｗｉ ｎｄ ｏｗ ａ ｃ ｃ ｏｒ ｄｉ ｎｇ ｔ ｏ ｔ ｈ ｅ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｄ ｅ ｇｒ ｅ ｅ ｏｆ ｗａ ｖ ｅ ｌ ｅ ｔ ｃ ｏｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｓ ． Ｆｉ ｎａ ｌ ｌ ｙ ｔ ｈｅ Ｄ ＴＣＷ Ｔ ａ ｐｐ ｌ ｙ ｉ ｎ ｔ ｈｅ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ． Ｅｘ ｐｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｔ ｅｓ ｔ ｓ ｒ ｅ ｖ ｅ ａ ｌ ｔ ｈａ ｔ ａ ｄ ａ ｐｔ ｉ ｖ ｅ ｓ ｅ ｌ ｅ ｃ ｔ ｗｉ ｎ ｄｏ ｗ ａ ｌ ｇ ｏｒ ｉ ｔ ｈ ｍ ｏ ｆ Ｂｉ ｖａ Ｓｈ ｒ ｉ ｎｋ ｉ ｓ ｂｅ ｔ ｔ ｅ ｒ ｔ ｈａｎ Ｂｉ ｖａ Ｓｈ ｒ ｉ ｎｋ， ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｒ ａｄ ｉ ｔ ｉ ｏ ｎａ ｌ ｄｉ ｓ ｃ ｒ ｅ ｔ ｅ ｗａ ｖｅ ｌ ｅ ｔ ｔ ｒ ａ ｎｓ ｆ ｏ ｒ ｍ， ｔ ｈｅ ａ ｌ ｇｏｒ ｉ ｔ ｈｍ ａ ｐｐｌ ｙ ｏ ｎ ＤＴＣＷ Ｔ ｉ ｓ ｂｅ ｔ ｔ ｅ ｒ ｔ ｈ ａ ｎ ｄａ ｐｔ ｉ ｖ ｅ ｓ ｅ— ｌ ｅ ｃ ｔ ｗｉ ｎｄ ｏｗ ａ ｌ ｇ ｏｒ ｉ ｔ ｈｍ ｏ ｆ Ｂｉ ｖ ａ Ｓｈｒ ｉ ｎ ｋ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ： ｗａｖ ｅ ｌ ｅ ｔ ｔ ｒ ａ ｎｓ ｆ ｏ ｒ ｍ ； ｉ ｍａ ｇｅ ｄ ｅ ｎｏ ｉ ｓ ｉ ｎ ｇ； ｈ ｉ ｖａ ｒ ｉ ａ ｔ ｅ ｍｏ ｄｅ ｌ ； ＤＴ ＣＷ Ｔ