小波总结

小波学习

小波去噪

方法一

原理：因为噪声通常位于图像的高频部分，去除图像的高频部分，使用低频部分恢复图像。
方法：对图像进行多级小波分解，舍去图像的水平细节子带，垂直细节子带，和对角线细节子带，只使用图像的近似子带去重构图像。
缺点：因为舍弃了细节子带的一些信息，也容易引起图像的模糊。

代码

%装载原始图像信号并图示 
X = imread('7.png') ;
subplot(2,2,1); 
image(mat2gray(X)); 
title('原始图像'); 
axis square; 
%============================== 
%生成含噪图像并图示 
init=2055615866; 
rand('seed',init); 
noise = 12*randn(size(X));
XX=uint8(double(X)+noise);
subplot(2,2,2); 
image(mat2gray(XX)); 
title('含噪图像'); 
axis square; 
%============================== 
%首先用sym4小波函数对XX进行2层分解 
[c,l]=wavedec2(XX,2,'sym4'); 
%实现低通滤波消噪 
a1=wrcoef2('a',c,l,'sym4',1); 
%再次实现低通滤波消噪 
a2=wrcoef2('a',c,l,'sym4',2); 
%============================== 
%图示消噪处理后的结果 
subplot(2,2,3); 
image(mat2gray(a1)); 
title('第一次消噪图像'); 
axis square; 
subplot(2,2,4); 
image(a2); 
title('第二次消噪图像'); 
axis square;

方法二

原理：因为噪声的集中在高频阶段，对高频部分进行阈值处理，使用wthcoef2函数。
方法：对图像进行多级小波分解，对每级的细节进行阈值处理。
缺点：阈值的设置需要人手动调节，往往是经验值，或者选取高频部分的幅值的百分比进行裁剪。

代码

load gatlin2; 
subplot(2,2,1); 
image(X); 
colormap(map); 
title('原始图像'); 
axis square; 
%生成含噪图像并图示 
init=2055615866; 
randn('seed',init); 
XX=X+8