matlab 使用小波变换和方差性质处理带状噪声

本文对slena.jpg进行了单层和多层的分解与重构，利用方差或小波变换的性质对带状噪声进行了去除。实验处理的图片为slena.jpg

代码如下：

1. 基于小波变换性质的带状噪声去除

通过小波变换分离出竖直分量，移除后即可减缓竖线影响，但是会丢失大量细节，当N较大时，会使得图像模糊不清

function U()
    clear;
    clc;
    Wavelet_decomposition_Banded_nois_removal()

% 用小波变换处理带状噪声
function Wavelet_decomposition_Banded_nois_removal()
    [X,map] = imread('slena.jpg');  % 读取文件
%     [X,map] = imread('football.jpg');
    figure('Name','小波变换');  % 开一个叫小波变换的窗口
    subplot(2,2,1);imshow(X);title('slena.jpg原图');   % 显示原图
    N=3;
    wname = 'sym5';
    X_1=Wavelet_decomposition(X(:,:,1),N,wname);
    X_2=Wavelet_decomposition(X(:,:,2),N,wname);
    X_3=Wavelet_decomposition(X(:,:,3),N,wname);
    subplot(2,2,2),imshow(cat(3,X_1,X_2,X_3),[]),title(wname);
    wname = 'db1';
    X_1=Wavelet_decomposition(X(:,:,1),N,wname);
    X_2=Wavelet_decomposition(X(:,:,2),N,wname);
    X_3=Wavelet_decomposition(X(:,:,3),N,wname);
    subplot(2,2,3),imshow(cat(3,X_1,X_2,X_3),[]),title(wname);
    wname = 'haar';
    X_1=Wavelet_decomposition(X(:,:,1),N,wname);
    X_2=Wavelet_decomposition(X(:,:,2),N,wname);
    X_3=Wavelet_decomposition(X(:,:,3),N,wname);
    subplot(2,2,4),imshow(cat(3,X_1,X_2,X_3),[]),title(wname);
end

% 对RGB每个片的单独处理
function img = Wavelet_decomposition(X,N,wname)
    [C,S] = wavedec2(X, N, wname);  % 小波分解
    CA = appcoef2(C,S, wname,N);  % 提取直通分量
    for i = N:-1:1
        CH = detcoef2('h',C,S,i);  % 提取水平分量
%         CV = detcoef2('v',C,S,i);  % 提取垂直分量
        CV = [];
        CD = detcoef2('d',C,S,i);  % 提取对角分量
        CA = idwt2(CA,CH,CV,CD,wname);
%         CA = idwt2([],[],CV,[],wname);
    end
    img = uint8(CA);
    return
end

实验结果：

2.基于方差的带状噪声去除

通过对图片的分析，我们可以看出，图像中的带状噪声部分，像素值差异明显比正常部分要小，所以我们可以通过方差来确定噪声具体位置，并用左右相邻正常像素值来代替它，这样丢失的细节相比上一种更少。

function U()
    clear;
    clc;
    Banded_nois_removal()

% 基于方差实现的带状噪声处理
function Banded_nois_removal()
    [X,map] = imread('slena.jpg');  % 读取文件
    figure('Name','基于方差的带状噪声处理');  % 开一个叫带状噪声处理的窗口
    subplot(1,2,1);imshow(X);title('slena.jpg原图');   % 显示原图
    wname = 'haar';
    X_1=Variance(X(:,:,1),wname);
    X_2=Variance(X(:,:,2),wname);
    X_3=Variance(X(:,:,3),wname);
    
    subplot(1,2,2),imshow(cat(3,X_1,X_2,X_3),[]),title('方差处理');
end

function X = Variance(X,wname)
    [cA,cH,cV,cD]=dwt2(X,wname);
    A=idwt2(cA,[],[],[],wname);
    H=idwt2([],cH,[],[],wname);
    V=idwt2([],[],cV,[],wname);
    D=idwt2([],[],[],cD,wname);
    [x,y]=size(cA);
    img = zeros(x,y);
    v_cA = var(cA);  % 算出方差
    v1=0;
    v2=0;
    for j =1:y
        if v_cA(j)<5000 % 方差太小，应该是竖线
            % 左右找找方差大的列，取它俩平均值
            v1=0;
            v2=0;
            for i = j+1:y
                if v_cA(i)>700
                    v2 = i;
                    break;
                end
            end
            for i = j-1:-1:1
                if v_cA(i)>700
                    v1 = i;
                    break;
                end
            end
            if v1==0 
                v1  = v2;
            end
            if v2==0 
                v2=v1;
            end
            for i = 1:x
                img(i,j)=(cA(i,v1)+cA(i,v2))/2;
            end
        else
            for i = 1:x
                img(i,j)=cA(i,j);
            end
        end
    end
%     img =medfilt2(img);   % 中值滤波
%     h = 1/16.*[1 2 1 ;2 4 2 ;1 2 1];
%     img = filter2(h,img);   % 高斯滤波
    X=uint8(idwt2(img,cH,[],cD,wname));
end

实验结果：

其他：

对于小波变换的垂直分量，可以不完全去除，而对其进行滤波处理，可以减少细节丢失。

方差具体值的选取比较依赖于经验和试错，普适性较差。