基于malab中小波变换的图像去噪方法研究

基于malab中小波变换的图像去噪方法研究

噪声可以理解为“阻碍人们感知源信息的理解”噪声可以被定义为“不预测、只能通过概率统计方法理解的随机误差”。噪声使图像模糊，淹没图像特征，并使图像区域的分割、分析和决策变得困难。如何在终端图像上显示不同的信息，以便合理消除大多数噪声是数字图像处理的重要因素之一。一般数字图像系统中常见的噪声有高斯噪声和椒盐噪声等.消除图像噪声的工作称之为图像滤波或平滑.通常分为线性滤波和非线性滤波两类.1图像去除噪声的一般方法1.1区域平均法1图像平滑处理邻域平均法是典型的线性滤波算法.它是利用Box模板对图像进行模板操作的图像平滑方法.Box模板对当前像素及其相邻的像素点都一视同仁,统一进行平均处理.进而滤去图像中的噪声.Matlab中提供conv2函数可实现邻域平滑.2b模拟结果和结论可见,邻域平均法对高斯噪声有较好的平滑作用,但是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.1.2介质滤波1medfilt2函数中值滤波是一种非线性信号处理方法,它的目的是保护图像边缘的同时去除噪声.它是一种邻域运算,类似于卷积,但不是加权求和计算,它首先确定一个以某像素为中心点的邻域,然后将该邻域中的各个像素的灰度值进行排序,取其中间值作为中心点像素灰度的新值.邻域称为窗口,当窗口在图像中上下左右移动后,就可对图像进行平滑处理.Matlab提供了medfilt2函数用于中值滤波.22模拟的结果和结论可见,中值滤波可以克服线性滤波器给图像带来的模糊,在有效清除噪声的同时,又能保持良好的边缘特性.特别适合去除图像的椒盐噪声.1.3图像显示的平滑低通滤波法是一种频域处理的方法.在分析图像信号的频率特性时,一幅图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量,而大面积的背景区代表图像信号的低频分量.用滤波的方法滤除其高频部分就能去掉噪声,使图像得到平滑.22模拟的结果和结论可见,频域低通滤波具有更好的选择性,对噪声在一定范围内可以起到抑制作用.2小波去噪技术2.1维噪声小波重构近年来小波技术在图像处理应用上取得一些新进展.小波分析是泛函分析、傅里叶分析、样条理论、调和分析以及数值分析等多个学科的相互交叉、相互融合的结晶.小波分析去噪的基本思想就是小波变换将大部分有用信号的信息压缩而将噪声的信息分散.对信号进行小波分解,就是求信号与小波基函数之间的相关系数.由于局部信号的小波分解系数仅仅在一些尺度上有较大的值,而噪声的分解系数则广泛分布于各尺度上,所以噪声与局部信号在小波分解后呈现出完全不同的特性.基于这个特点,对含噪信号进行小波分解与重构就达到去除噪声的目的.降噪过程如下:1)选择合适的小波函数和适当的分解层次将混有噪声的图像进行小波分解.2)对分解后的高频部分系数进行阈值量化.3)根据量化后的各层系数,计算二维信号的小波重构.小波分析工具箱提供用于图像去噪的有wrcoef2和wpdencmp函数.2.2模拟过程和结果可以看出小波变换去除噪声对图像细节保持的较好,达到了较好的降噪效果.3图像的边缘和纹理信息图像去噪在图像处理中是一个很重要的预处理过程,它是在减少图像中噪声的同时,尽可能地保留图像的边缘和纹理信息.本文在Matlab环境下研究了不同的去噪方法,可得出如下结论:1)邻域平滑,适用于消除图像中的颗粒噪声,但是会