小波阈值图像降噪及MATLAB仿真
图像信号在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质,这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。为了抑制噪声,改善图像质量,便于更高层次的处理,必须对图像进行降噪预处理。
小波降噪的方法有多种,如利用小波分解与重构的方法滤波降噪、利用小波变换模极大值的方法去噪、利用信号小波变换后空域相关性进行信噪分离、非线性小波阈值方法去噪、平移不变量小波降噪法,以及多小波降噪等等。归结起来主要有三类:模极大值检测法、阈值降噪法和屏蔽(相关)降噪法。其中最常用的就是阈值法去噪,其基本思想就是利用图像小波分解后,各个子带图像的不同特性选取不同的阈值,从而达到较好的降噪目的。而且,小波变换本身是一种线形变换,因而对于类似于高斯噪声的效果较好。线性运算往往还会造成边缘模糊,小波分析技术正因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的降噪具有明显的优势,且在降噪的同时实现了图像一定程度的压缩和边缘特征的提取。所以小波降噪具有无可比拟的优越性。小波降噪主要优点有:
低熵性,小波系数的稀疏分布,使得图象变换后的熵降低;
多分辨率,由于采用了多分辨率的方法,所以可以非常好地刻画信号的非平稳特征,如边缘、尖峰、断点等;
去相关性,因为小波变换可以对信号进行去相关,且噪声在变换后有白化趋势,所以小波频域比时域更利于降噪;
选基灵活性,由于小波变换可以灵活选择变换基,从而对不同应用场合、不同的研究对象,可以选用不同的小波函数,以获得最佳的效果。
一、阈值去噪法简述
1992年,斯坦福大学的Donoho D L和Johnstone教授提出一种具有良好的统计优化特性的降噪方法,称作“Wavelet Shrinkage”(即阈值收缩法)。
该方法的主要思想是:基于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,主要集中在高频(LL);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。根据该特征,设