圖像的小波降噪講課稿_第1頁
圖像的小波降噪講課稿_第2頁
圖像的小波降噪講課稿_第3頁
圖像的小波降噪講課稿_第4頁
已閱讀5頁,還剩2頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、圖像的小波降噪精品文檔圖像的小波降噪噪聲可以理解為妨礙人的視覺器官或系統(tǒng)傳感器對所接收圖像源進行理解或分析的各種因素。一般噪聲是不可預(yù)測的隨機信號,它只能用概率統(tǒng)計的方法去認識。噪聲對圖像處理十分重要,它影響圖像處理的輸入、采集、處理的各個環(huán)節(jié)以及輸出結(jié)果的全過程。尤其圖像的輸入,采集的噪聲是一個十分關(guān)鍵的問題,若輸入伴有較大噪聲,必然影響處理全過程和輸出結(jié)果。因此一個良好的圖像處理系統(tǒng),不論模擬處理還是計算機處理無不把減少最前一級的噪聲作為主攻目標。降噪已成為圖像處理中極其重要的步驟。傳統(tǒng)的降噪方法采用平均或線性方法進行,常用的是維納濾波,但是降噪效果不夠好。隨著小波理論的日益完善,它以自身

2、良好的時頻特性在圖像降噪領(lǐng)域受到越來越多的關(guān)注,開辟了非線性方法降噪的先河。1原理簡述常用的圖像降噪方式是小波閾值降噪方法。它是一種實現(xiàn)簡單而效果好的降噪方法,閾值降噪方法的思想很簡單,就是對小波分解后的各層系數(shù)模大于和小于閾值的系數(shù)分別進行處理,然后利用處理后的小波系數(shù)重構(gòu)出降噪后的圖像。在閾值降噪中,閾值函數(shù)體現(xiàn)了對小波系數(shù)的不同處理策略和不同估計方法。常用的閾值函數(shù)有硬閾值函數(shù)和軟函數(shù)值函數(shù)。硬閾值函數(shù)可以很好地保留邊緣等局部特征,但圖像出現(xiàn)偽吉布斯效應(yīng)等視覺失真0 現(xiàn)象;而軟閾值處理相對較光滑,但可能會造成邊緣模糊等失真現(xiàn)象,為此人們又提出了半軟閾值函數(shù)。小波閾值降噪方法處理閾值的選取

3、,另一個關(guān)鍵是閾值的具體估計。如果閾值太小,降噪后的圖像仍然存在噪聲;相反如果閾值太大,重要圖像特征又將被收集于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系管理員刪除精品文檔濾掉,引起偏差。從直觀上講,對于給定的小波系數(shù),噪聲越大,閾值就越大。MATLAB 中實現(xiàn)了圖像的降噪或壓縮,主要是閾值獲取和圖像降噪實現(xiàn)兩個方面。( 1)閾值獲取MATLAB 中實現(xiàn)閾值獲取的函數(shù)有ddencmp、 thselect、wbmpen 和 wdcbm2。這里主要介紹函數(shù)ddencmp和 wdcbm2。函數(shù) ddencmp的功能是獲取降噪或壓縮的默認值。其語法格式為: THR,SORH,KEEPAPP,CRIT=ddencmp(IN1

4、,IN2,X) THR,SOEH,KEEPAPP=ddencmp(IN1,wv,X) THR,SORH,KEEPAPP,CRIT=ddencmp(IN1, wp,X)使用說明: ddencmp是降噪和壓縮的導(dǎo)向函數(shù)。給它出一維或二維信號使用小波或小波包進行降噪和壓縮一般過程的所有默認值。格式對于輸入向量或矩陣X,使用小波或小波包返回降噪或壓縮默認值。X可以是一維或二維信號。THR是閾值, SORH是軟閾值或硬閾值。 KEEPAPP允許用戶保存低頻系數(shù)。 CRT(只用于小波包)是熵名稱。IN1為 den 時表示降噪,為 cmp 時表示壓縮。IN2為 wv時表示小波,為 wp時表示小波包。對于小波

5、而言( 3 個輸出量):格式返回降噪的默認值(IN1為 den),或 X 的壓縮( IN1 為 cmp)。這些值可以用于wdencmp函數(shù)。收集于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系管理員刪除精品文檔對于小波包而言( 3 個輸出量):格式返回降噪的默認值(IN1為 den),或 X 的壓縮( IN1 為 cmp)。這些值可以用于wdencmp函數(shù)。函數(shù) wdcbm2的功能是使用 Birge_Massart的策略的二維小波閾值。其語法格式為: THR,NKEEP=wdcbm2(C,S,ALPHA) THR,NKEEP=wdcbm2(C,S,ALPHA,M)使用說明 : 格式對于降噪或壓縮,返回尺度相關(guān)的閾值 T

6、HR和系數(shù)的個數(shù)NKEEP。THR使用基于 Birge_Massart策略的小波系數(shù)選擇規(guī)則得到。C,S 是待降噪或壓縮圖像在j=size(S,1)-2層的小波分解結(jié)構(gòu); ALPHA和 M必須是大于 1 的實數(shù); THR是關(guān)于 J 的向量, THR(i )是第 i 層在水平、垂直和對角方向的閾值; NKEEP也是關(guān)于 J 的向量, NKEEP(i )是 i 層的系數(shù)個數(shù)。一般壓縮時, ALPHA取 1.5 ,降噪時 ALPHA取 3。( 2)閾值降噪MATLAB中實現(xiàn)閾值降噪的函數(shù)主要有wden、wdencmp、wpdencmp、 wthresh 、wpthcoef 和 wthcoef2 。這

7、里主要介紹函數(shù)wdencmp。函數(shù) wdencmp的功能是使用小波進行降噪和壓縮。其語法格式為:XC,CXC,LXC,PERF0,PERFL2=wdencmp(gbl ,X, wname,N,THR,SORH,KEEP APP) XC,CXC,LXC,PERF0,PERFL2 =wdencmp(gbl ,X, wname,N,THR,SORH) XC,CXC,LXC,PERF0,PERFL2 =wdencmp(gbl ,C,L, wname,N,THR,SORH)收集于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系管理員刪除精品文檔使用說明: wdencmp是二維小波降噪和壓縮的導(dǎo)向函數(shù)。它使用小波,對信號或圖像執(zhí)行降

8、噪或壓縮過程。Wname是所用的小波函數(shù)。 Gbl 表示每層都采用同一個閾值進行處理。Lvd 表示每層用不同的閾值進行處理。N表示小波分解得層數(shù)。 THR為閾值向量,對于格式和每層都要求有一個閾值,因此閾值向量THR的長度為 N。SORH表示選擇軟閾值或硬閾值(分別取值為s和 h)。參數(shù) KEEPAPP取值為 1時,則低頻系數(shù)不進行閾值量化,反之,則低頻系數(shù)要進行閾值量化。XC是降噪或壓縮后的信號, CXC,LXC是 XC的小波分解結(jié)構(gòu), PERF0和 PERFL2是恢復(fù)和壓縮 L 平方的范數(shù)百分比。2. 二維小波降噪的步驟和方法對二維圖像信號的噪聲方法同樣適用于一維信號,尤其對于幾何圖像更適

9、合。二維模型可以表述為s(i,j)=f(i,j)+e(i,j)i,j=0,1,2,m_1其中, e 是標準偏差不變的高斯白噪聲。二維信號用二維小波分析的降噪步驟有 3步:( 1)二維圖像的小波分解。選擇一個小波和小波分解的層次,然后計算圖像從 1 到第 層的分解。( 2)對高頻系數(shù)進行閾值量化。對于從1 到 的每一層,選擇一個閾值,并對這一層的高頻系數(shù)進行閾值量化處理。( 3)二維小波的重構(gòu)。根據(jù)小波分解的第層的低頻系數(shù)和經(jīng)過修改的從第1層到第層的各層高頻系數(shù),來計算二維圖像的小波重構(gòu)。在這三個步驟中,重點內(nèi)容就是如何選取閾值和如何進行閾值的量化。小波降噪的方法一般有3 種:收集于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系管理員刪除精品文檔( 1)默認閾值消噪處理。該方法利用函數(shù) ddencmp生成信號的默認閾值,然后利用函數(shù) wdencmp進行消噪處理。( 2)給定閾值消噪處理。在實際的消噪處理過程中,閾值往往可以通過經(jīng)驗公式獲得,且這種閾值

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論