图像3尺度全小波包分解matlab,基于小波包与Otsu的含噪遥感图像分割算法

1概述图像分割是图像处理领域极为重要的内容之一,是实现图像分析与理解的基础。一般地,图像分割主要分为3类:基于边缘的分割,基于区域的分割和基于特定理论的分割。边缘可理解为依赖于不同区域分界线的一系列连接的像素,不同的区域有强烈的不连续性[1],因此,可以通过检测这些不同分割一幅图像,例如改进的Canny边缘检测算法[2],尽管计算量大,但是比传统的算法要好。基于区域的分割按照预先确定的标准把一幅图像分成不同相似的区域,包括阈值分割、区域增长、区域分裂和合并[3],例如利用图像直方图的变化自动确定图像分割的阈值数目及阈值的最优范围[4],这种方法时间复杂度较小,比经典的Otsu方法好。基于区域增长的彩色图像分割算法[5],该算法降低了时间复杂度,而且取得了较好的分割效果。很多基于特定理论的分割算法源于其他的知识领域:小波变换,形态学,模糊数学,遗传算法,人工智能等,基于小波变换和KFCM的彩色图像分割[6],基于模糊同质性和数据聚类应用于彩色图像分割的新方法[7],结合ECM和FCM应用于遥感图像的分割[8],改进的遗传算法和Otsu结合应用于图像分割[9]等。但是,目前还没有出现结合小波包分析和经典的Otsu方法应用于含噪遥感图像分割的报道。因此,本文提出一种新的含噪图像分割方法。利用小波包时-空高分辨率的特性对图像进行分解,采用自适应阈值进行去噪处理,在保留图像细节的同时消除了噪声,并应用Otsu分割方法实现图像分割。2含噪遥感图像分割新算法2.1小波包变换与自适应阈值去噪与小波分析相比,小波包分析同时对图像的低频和高频部分进行分解,而且,它能够根据信号的特征提供最优基,为信号处理中的数据压缩以及去噪处理提供一个较好的分解和重构途径。在纹理分类中,基函数的正交性和紧支性是必须的,因此,选择Daubechies正交小波函数族中的db3小波函数对图像进行小波包分解,又由于在图像分解中,分解级数与图像的边界效应呈正比。实验表明,纹理图像经过3级小波包变换后,其低频子带的细节已基本上被平滑,分解到第4级时,子带图像的能量已经很小了,因此,选择Daubechies正交小波函数族中的db3小波函数对图像进行3级小波包分解。小波阈值萎缩方法(WaveShrink)[10-11]广泛应用于各种诸如数据压缩和统计估计等相关问题,并且用软阈值消噪也获得了很好的效果。但是在每一级尺度上都采用同一阈值显然不合适,因为在较低尺度上,会去除有用信号,而到了最大尺度上,则会留下一部分噪声。与单一阈值法相比,自适应阈值法可以更有效地去除噪声并保留有用信号,它根据每级尺度上小波包系数幅值的不同特点,分别在视为相互独立的每级尺度上对小波包系数进贾振红,教授;郜青梅,助理工程师行阈值处理,寻找一个与之最匹配的阈值进行去噪,因此,可以使用SureShrink[12]自适应阈值去噪算法,它采用了Stein无偏误差估计方法,使均方误差最小的同时获得了较好的去噪效果。2.2Otsu图像分割算法Otsu方法以图像的直方图为研究对象,以目标和背景的方差最大来动态地确定图像的分割阈值,将图像变成二值图像,可以将图像分割为2类的概率分别为:1211()t(),()L()iittpitpi====+(1)均值分别为:121112()(),()()()()tLiittipitipi==t==+t(2)整幅图像的均值为:(t)=1(t)1(t)+2(t)2(t)(3)其中,1(t)、2(t)、1(t)、2(t)、(t)分别表示向量。Otsu方法通过使类间特性方差最大或者类内特性方差最小选取最佳阈值T,使