c语言小波分解csdn,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*randn(size(X));

subplot(2,2,2);

image(XX);

colormap(map);

title('含噪图像');

axis square;

%对图像进行消噪处理

%用小波函数coif2对图像XX进行2层分解

[c,l]=wavedec2(XX,2,'coif2');

n=[1,2];%设置尺度向量

p=[10.28,24.08];%设置阈值向量

%对三个高频系数进行阈值处理

nc=wthcoef2('h',c,l,n,p,'s');

nc=wthcoef2('v',nc,l,n,p,'s');

nc=wthcoef2('d',nc,l,n,p,'s');

X1=waverec2(nc,l,'coif2');

subplot(2,2,3);

image(X1);

colormap(map);

title('第一次消噪后的图像');

axis square;

%再次对三个高频系数进行阈值处理

nc=wthcoef2('h',nc,l,n,p,'s');

nc=wthcoef2('v',nc,l,n,p,'s');

nc=wthcoef2('d',nc,l,n,p,'s');

%对更新后的小波分解结构进行重构并图示结果

X2=waverec2(nc,l,'coif2');

subplot(2,2,4);

image(X2);

colormap(map);

title('第二次消噪后的图像');

axis square;

方法三

盲去噪，使用默认值进行图像去噪或压缩，函数ddencmp(Default values for denoising or compression)

语法：[THR,SORH,KEEPAPP,CRIT] = ddencmp(IN1,IN2,X)

当IN1是‘den’该函数式去噪，当‘cmp’该函数是压缩。IN2是‘wv’和‘wp’是小波包，x是数据。THR是阈值，SORH是软或硬阈值方法。KEEPAPP是允许保留的近似系数。

小波和小波包的区别

软阈值和硬阈值方法

matlab中有wthresh(Soft or hard thresholding)的方法，

语法如下：Y = wthresh(X,SORH,T)

Y = wthresh(X,SORH,T) returns the soft (if SORH = ‘s’) or hard (if

SORH = ‘h’) thresholding of the input vector or matrix X. T is the

threshold value.

Y = wthresh(X,’s’,T) returns , soft thresholding is wavelet shrinkage ( (x)+ = 0 if x < 0; (x)+ = x, if x ≥ 0 ).

Y = wthresh(X,’h’,T) returns , hard thresholding is cruder.

代码

%装载原始图像

img=imread('11.png');

x = img ;

%x包含原始图像

%产生噪声图像

init=2055615866;

rand('seed',init);

noise = 12*randn(size(x));

x=uint8(double(x)+noise);

subplot(1,3,1),image(mat2gray(x));

title('含噪图像');

%使用wdencmp进行图像去噪

%得到x的小波分解结构

n=2;

w='db5';

[c,l]=wavedec2(x,n,w);

%小波系数的阈值处理

[thr,sorh,keepapp]=ddencmp('den','wv',x);

[xd,cxd,lxd,perf0,perfl2]=wdencmp('gbl',c,l,w,n,thr,'s',l);

%画出去噪后的图象

subplot(1,3,2),image(mat2gray(xd));

title('去噪后的图像');

小波增强

思想：

Make the small coefficients very small and the large coefficients very

large. Apply a nonlinear mapping function to the coefficients.

这应该是一篇论文的效果，但是我还没看到论文，是在密歇根大学的关于小波PPT上面找到的：

小波图像去雾

这是看到一些中文文章给出的一些小波增强的方法，但试了效果不好，虽然可以消除一些噪声，但会引起图像模糊。(囧，暂时不方便传代码)

效果

附哈尔小波的C语言实现

#include

#include

using namespace std;

/** The 1D Haar Transform **/

void haar1d(float *vec, int n)

{

int i=0;

int w=n;

float *vecp = new float[n];

for(i=0;i

vecp[i] = 0;

while(w>1)

{

w/=2;

for(i=0;i

{

vecp[i] = (vec[2*i] + vec[2*i+1])/sqrt(2.0);

vecp[i+w] = (vec[2*i] - vec[2*i+1])/sqrt(2.0);

}

for(i=0;i

vec[i] = vecp[i];

}

delete [] vecp;

}

/** A Modified version of 1D Haar Transform, used by the 2D Haar Transform function **/

void haar1(float *vec, int n, int w)

{

int i=0;

float *vecp = new float[n];

for(i=0;i

vecp[i] = 0;

w/=2;

for(i=0;i

{

vecp[i] = (vec[2*i] + vec[2*i+1])/sqrt(2.0);

vecp[i+w] = (vec[2*i] - vec[2*i+1])/sqrt(2.0);

}

for(i=0;i

vec[i] = vecp[i];

delete [] vecp;

}

/** The 2D Haar Transform **/

void haar2(float **matrix, int rows, int cols)

{

float *temp_row = new float[cols];

float *temp_col = new float[rows];

int i=0,j=0;

int w = cols, h=rows;

while(w>1 || h>1)

{

if(w>1)

{

for(i=0;i

{

for(j=0;j

temp_row[j] = matrix[i][j];

haar1(temp_row,cols,w);

for(j=0;j

matrix[i][j] = temp_row[j];

}

}

if(h>1)

{

for(i=0;i

{

for(j=0;j

temp_col[j] = matrix[j][i];

haar1(temp_col, rows, h);

for(j=0;j

matrix[j][i] = temp_col[j];

}

}

if(w>1)

w/=2;

if(h>1)

h/=2;

}

delete [] temp_row;

delete [] temp_col;

}

/** Here's an example on how to use these functions **/

int main(int argc, char **argv)

{

int i=0;

float vec3[4] = {4,2,5,5};

haar1d(vec3,4);

cout << "The 1D Haar Transform: " << endl;

for(i=0;i<4;i++)

cout << vec3[i] << " ";

cout << endl;

cout << "\n\nThe 2D Haar Transform: " << endl;

float **mat = new float*[4];

for(int m=0;m<4;m++)

mat[m] = new float[4];

mat[0][0] = 5; mat[0][1] = 6; mat[0][2] = 1; mat[0][3] = 2;

mat[1][0] = 4; mat[1][1] = 2; mat[1][2] = 5; mat[1][3] = 5;

mat[2][0] = 3; mat[2][1] = 1; mat[2][2] = 7; mat[2][3] = 1;

mat[3][0] = 6; mat[3][1] = 3; mat[3][2] = 5; mat[3][3] = 1;

haar2(mat,4,4);

for(i=0;i<4;i++)

{

for(int j=0;j<4;j++)

cout << mat[i][j] << " ";

cout << endl;

}

cout << endl;

return 0;

}

参考资料

关于小波，我这里有一个多伦多大学的PPT讲义，以哈尔小波为例，讲的十分通俗易懂。点此下载

An Introduction to Wavelets and the Haar Transform by Musawir Ali

转载保留声明

作者

日期

联系方式

风吹夏天

2015年7月31日

wincoder@qq.com