基于
python
的小波阈值去噪算法
小波图像去噪原理
图像和噪声在经小波变换后具有不同的统计特性:图像本身的能量对应着
幅值较大的小波系数,主要集中在低频(
LL
)部分;噪声能量则对应着幅值
较小的小波系数,并分散在小波变换后的所有系数中。基于此可设置一个合
适的阈值门限,认为大于该阈值的小波系数的主要成份为有用的信号,给予
收缩后保留;小于该阈值的小波系数,主要成份为噪声,予以置零剔除;然
后经过阈值函数映射得到估计系数;最后对估计系数进行逆变换,就可以实
现去噪和重建。去噪时,通常认为低通系数含有大量的图像能量,一般不作
处理,只对剩余三个高通部分进行处理。一次阈值去噪并不能完全去除噪声,
还需要对未作处理的低频部分(
LL
)再次进行小波分解和阈值去噪,直到实
际图像与估计图像的偏差达到最小值。但是,随着分解和去噪次数的增加,
小波系数中的噪声能量越来越小,并且趋于分散,去噪的效果将逐渐降低。
一般来说,进行
3-4
层小波分解和去噪就可以达到满意的去噪效果。
小波阈值去噪步骤
(
1
)二维信号的小波分解。选择一个小波(
sym8
)和小波分解的层次
N
(
3
)
,然后计算信号
S
到第
N
层的分解。