python小波变换_基于python的小波阈值去噪算法

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。