logo资料库

基于小波变换图像去噪的毕业设计.doc

发布时间：2022-06-09 发布人：admin 分类：说明书 资料大小：1.30M 资料格式：doc 举报 版权申诉
第1页 / 共40页
第2页 / 共40页
第3页 / 共40页
第4页 / 共40页
第5页 / 共40页
第6页 / 共40页
第7页 / 共40页
第8页 / 共40页
资料共40页，剩余部分请下载后查看
    第1章绪论
    1.1课题背景
    1.2本文的工作
    第2章经典图像去噪技术的介绍
    2.1图像噪声
    2.1.1噪声来源
    2.1.2噪声分类
    2.2噪声模拟
    2.3经典图像去噪技术
    2.3.1均值滤波
    2.3.2维纳滤波
    2.3.3中值滤波
    第3章基于小波域的图像去噪技术的研究
    3.1小波分析概述
    3.1.1时频特性
    3.1.2多分辨率分析
    3.1.3常用小波函数
    3.2小波变换
    3.2.1连续小波变换
    3.2.2离散小波变换
    3.3小波去噪
    3.3.1去噪原理
    3.3.2去噪步骤
    第4章图像去噪技术的设计方案
    4.1混合中值滤波与小波去噪相结合
    4.1.1混合中值滤波
    4.1.2小波去噪处理
    4.2小波模极大值去噪
    4.2.1去噪原理
    4.2.2去噪步骤
    4.3小波相位去噪
    4.3.1Mallat算法
    4.3.2小波相位去噪算法
    4.3.3去噪步骤
    第5章基于MATLAB的图像去噪技术的实现
    5.1方案一
    5.1.1中值滤波程序
    5.1.2小波包去噪程序
    5.2方案二
    5.3方案三
    结 论
    参考文献
    致 谢
    附录A 小波包去噪程序
    附录B 模极大值去噪程序
    附录C 小波相位去噪程序
    图像去噪技术的研究与实现 第 1 章 绪论 由于各种各样的原因，现实中的图像都是带噪声的。噪声恶化了图像质量，使图像 变得模糊。对同时含有高斯噪声和椒盐噪声的图像先进行混合中值滤波，在滤除椒盐噪 声的同时，又很好地保留了图像中的物体细节和轮廓。小波域去噪处理具有很好的时频 特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。小波模极大 值去噪方法能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，具有较好的 图画质量，改进后可以得到更满意的图像。小波相位滤波去噪算法是基于小波变换系数 相关性去噪算法的，适于强噪声图像，去噪后也可以改善图像质量。 1.1 课题背景 图像信息以其信息量大、传输速度快、作用距离远等优点成为人类获取信息的重要 来源及利用信息的重要手段，而现实中的图像由于种种原因都是带噪声的。噪声恶化了 图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。为了去除 噪声，会引起图像边缘的模糊和一些纹理细节的丢失。反之，进行图像边缘增强也会同 时增强图像噪声。因此在去除噪声的同时，要求最小限度地减小图像中的信息，保持图 像的原貌。经典的图像去噪算法，如均值滤波、维纳滤波、中值滤波等，其去噪效果都 不是很理想。 中值滤波是由图基（Turky）在 1971 年提出的，开始用于时间序列分析，后来被用 于图像处理，在去噪复原中得到了较好的效果。它的基本原理是把数字图像或数字序列 中的一点的值，用该点的一个邻域中的各点的中值代替。中值滤波在抑制椒盐噪声的同 时又能较好地保持图像特征，图像也得到了平滑。对同时含有高斯噪声和椒盐（脉冲） 噪声的图像，先进行混合中值滤波处理。基于极值的混合中值滤波兼容了中值滤波和线 性滤波的优点，在滤除椒盐噪声的同时又对图像中的物体细节和轮廓进行了很好的保 留。基于混合中值滤波和小波去噪相结合的方法，去噪效果好于单纯地使用小波变换去 除噪声，或者单纯使用混合中值滤波去除噪声，能获得比单一使用任何一种滤波器更好 的效果。 1
    图像去噪技术的研究与实现 小波分析是 20 世纪 80 年代初 Morlet 提出的，经过 20 多年的研究，小波分析目前 在图像处理等领域中得到广泛的应用。去噪处理是小波分析的一个重要应用，尤其是对 高斯噪声的滤除。小波域信号去噪在兼容去噪和保留信号有意义特征方面，具有十分诱 人的前景。其主要原因是小波变换具有很好的时频特性、多分辨分析特性等优点，可以 看成特征提取和低通滤波功能的综合。小波模极大值去噪方法主要适用于信号中混有高 斯噪声，且信号中含有较多奇异点的情况。该方法在去噪的同时能有效地保留信号的奇 异点信息，去噪后的信号没有多余振荡，是原始信号的一个非常好的估计，且具有较好 的图画质量。但是信噪比比较低时，模极大值去噪方法的效果不好，改进后则可以得到 满意的图像。由于信号与噪声的幅值在小波变换下有不同的传播特性，因此多数去噪算 法都是基于小波系数的幅值特性而设计的。小波相位去噪算法是基于小波变换系数相关 性，是一种对幅度不敏感的小波去噪算法。该去噪算法适于强噪声图像，即信噪比较高 的图像，去噪后也可以改善图像质量。 1.2 本文的工作 本文首先对当前比较成功的图像去噪算法，均值滤波、中值滤波、维纳滤波和小波 域去噪等图像去噪技术有一个较为全面的分析和比较。其次，针对实际去噪问题和去噪 要求设计出较合理的三种去噪算法：混合中值滤波和小波域去噪相结合的算法、小波模 极大值去噪、小波相位去噪。本文分析和阐述了这三种去噪方法的原理和特点，最后将 这些去噪方法用 MATLAB 程序仿真实现，完成图像的去噪处理。 2
    图像去噪技术的研究与实现 第 2 章 经典图像去噪技术的介绍 随着科学技术的发展，图像去噪的方法越来越多。经典的图像去噪算法有均值滤波、 中值滤波、维纳滤波等等。这些去噪方法都有各自的优点和不足。 2.1 图像噪声 2.1.1 噪声来源 ① 在光电、电磁转换过程中引起的人为噪声。 ② 大气层电（磁）暴、闪电、电压和浪涌等引起的强脉冲性冲击干扰。 ③ 由物理的不连续性或粒子性所引起的自然起伏性噪声。 2.1.2 噪声分类 图像是一种重要的信息源，其本质是光电信息。一幅图像在实际应用中可能存在各 种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。根据噪声和 信号的关系，可将其分为三种形式（ ,( yxf ) 表示给定原始图像， ,( yxg ) 表示图像信号， ,( yxn ) 表示噪声）： ① 加性噪声 含噪声的图像可表示为： ,( yxf )  ,( yxg )  ,( yxn ) ，即噪声与信号的关系是相加的。 不管有没有信号，噪声都会存在。加性噪声干扰有用信号，因而不可避免地对通信造成 危害，所以对图像进行相关处理前必须去除加性噪声。信道噪声及光导摄像管的摄像机 扫描图像时产生的噪声，就属这类噪声。 加性噪声中包括椒盐噪声、高斯噪声等典型的图像噪声。椒盐噪声往往由图像切割 引起的，是由图像传感器等产生的黑图像的白点、白图像上的黑点。去除脉冲干扰级椒 盐噪声可以用均值滤波、维纳滤波等经典图像去噪技术进行去噪处理，而非线性滤波技 术中值滤波是其中最常用的方法。高斯噪声就是 n 维分布都服从高斯分布，即正态分布 的概率密度函数的噪声。高斯噪声是图像含有的主要噪声，在小波域里能很好地实现去 除高斯噪声。 3
    图像去噪技术的研究与实现 ② 乘性噪声 含噪声的图像可表示为： ,( yxf )  ,( yxg )  ,( ,() yxgyxn ) ，即噪声与信号的关系是 相乘的。信号在它在，信号不在也就不在。乘性噪声一般由信道不理想引起，飞点扫描 器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。 ③ 量化噪声 此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。 这类噪声不是我们研究的方向。 一般来说，图像噪声多是与信号直接相加的。因此，原则上乘性噪声信号的去除最 好先转换为加性噪声。所以我们去噪的主要目的是去掉加性噪声的影响，即高斯噪声和 椒盐噪声。 2.2 噪声模拟 研究图像去噪技术，首先要给图像添加噪声，进行噪声的模拟。数字图像噪声产生 的途径有很多种。MATLAB 的图像处理工具箱提供 imnoise 函数，可以用该函数给图像 添加五不同种类的噪声。表 2.1 列出了 imnoise 函数能够产生的五种噪声及对应参数。 具体的应用为：首先将图像读出来，然后给图像添加噪声。 I=imread('filename.tif') J=imnoise(I, 'type', parameters) 其中，filename 为图像名称，且一般为灰度图像，参数 type 指定滤波器的种类，parameters 是与滤波器种类有关的具体参数。 表 2.1 imnoise 函数支持的噪声种类及其参数说明 type parameters 说 明 gaussian salt&pepper possion localvar speckle m,v 无 无 v v 均值为 m，方差为 v 的高斯噪声 椒盐噪声 泊松噪声 均值为 0，方差为 v 的高斯白噪声 均值为 0，方差为 v 的均匀分布随机噪声 4
    图像去噪技术的研究与实现 2.3 经典图像去噪技术 现有的经典的图像去噪方法大致可以划分为两类：一类是空间域方法，主要采用各 种图像平滑模板对图像进行卷积处理，以达到压抑或去除噪声的目的；另一类是频域方 法，主要通过对图像进行变换以后，选用适当的频率带通滤波器进行滤波处理，经反变 换后获得去噪声图像。常见的空域滤波有均值滤波、中值滤波和维纳滤波等方法。它们 的基本特点都是让图像在傅里叶空间的某个范围内的分量受到抑制，同时保持其他分量 不变，从而改变输出图像的频率分布，达到图像增强的目的。常见的频域滤波则有高通 滤波和低通滤波等方法。 2.3.1 均值滤波 ⒈ 基本原理 均值滤波器，是一种最常用的线性低通滤波器。这种方法的基本思想是，用几个像 素灰度的平均值来代替每个像素的灰度值。均值滤波器所有的系数都是正数，为了保持 输出图像仍在原来的灰度范围内，模板与像素邻域的乘积和都要除以 9[1]。以 33 邻域 为例，假设当前的待处理像素为 ), ( nmf ，最简单的一种均值滤波模板为： 1H  9 111     111     111   将以上的均值滤波器加以修正，可以得到加权平均滤波器。例如： 1H  1 10 111     121     111   2H  1 16 121 242 121           3H  1 8 111     101     111   设一幅数字图像 ,( yxf ) 为 NM  的阵列，平滑后的图像为 ,( yxg ) ，它的每个像素的 灰度由包含 ) yx 的预定邻域的几个像素的灰度级的平均值所决定，如式（2.1）， ,( ,( yxg )  1 k  ,( i sj  ),( i j f ) （2.1） 式（2.1）中，S是 ) ,( yx 像素点的不包含 ) yx 像素点的预定邻域，K是S内的坐标点总数。 ,( 5
    图像去噪技术的研究与实现 ⒉ 滤波效果 对图像进行均值滤波处理，相当于让图像信号通过一低通滤波器。这种方法通过把 突变点的灰度分散在其相邻点中，然后达到平滑作用。原始图像经过均值滤波后噪声得 到了抑制，图像也得到了平滑。但是均值滤波对极限像素值（与周围像素灰度值相差较 大的像素）比较敏感，同时也使图像边缘变得模糊[2]。 2.3.2 维纳滤波 维纳滤波是一种自适应滤波，它能根据图像的局部方差调整滤波器的输出。维纳滤 波的最终目标是使恢复图像  ,( yxf ) 与原始图像 ,( yxf ) 的均方误差 MSE 最小。维纳滤波 器以最小均方误差 MSE min 作为最优准则。 min MSE  min  eE 2 ,( yx )   min E  f      ,( yx )  ,( yxf ) 2      （2.2） 因为对误差进行平方运算，使得大误差的分量远远小于小误差的分量，选择 min MSE 就可以限制滤波输出的主要误差，也可以使用其他的最优原则进行分析（例如 平均误差等）。但是这些准则将使得分析过程变得较为复杂，而且效果也不是很好。我 们可以用 MATLAB 中的 wiener2 函数对一幅图像进行自适应滤波，wiener 2 函数的调用 格式为： J = wiener2(I,[M N],NOISE) I 表示输入图像，[M N]表示卷积使用的邻域大小，缺省值为[3 3]；NOISE 为噪声强 度，如果不指定此参数，那么 wiener2 函数将返回一个估计的噪声强度。 2.3.3 中值滤波 ⒈ 基本原理 中值的定义为：有一组数 , xx 1 2 , x 3 ,  ，把各数值按大小顺序排列于下， , nx x x x  1 3 i i , xxMed y   ( 2 i 1  , 2 x  in , x  3 , x n ) 其中， y 就称为序列 , xx 1 2 , x 3 ,  的中值。 nx , 6
    图像去噪技术的研究与实现 若 n 为奇数，则中值 y 为排在第 n 的数与 2 n 的数之和的平均值。例如有一序列为(80，90，200，110，120)，那么这个 2 1n 的数；n 为偶数时，则中值为排在第 2 排在第 1 序列的中值为 110。 中值滤波的基本原理是，把数字图像或数字序列中的一点用该点的一个邻域中各点 值的中值代替[3]。把一个点的特定长度或者形状的邻域称做窗口。在一维情况下，中值 滤波器是一个含有奇数个像素的滑动窗口，窗口正中间的那个像素的值用窗口中各像素 的中值代替。 设输入序列为 ixi , I ， I 为自然数合集或子集，n 为窗口长度。则滤波器输出为 x i  [ xMed ui  , 式中， i ，  I u  n 1 2 。  x i , , , x ui  ] （2.3） 中值滤波的概念很容易推广到二维，此时可以利用某种形式的二维窗口。二维窗口 的形状可以取方形，也取近似圆形或十字形。一维、二维窗口内各点对输出的作用是相 同的。如果希望强调中间点或距中间点最近的几个点的作用，可以采用加权中值滤波。 ⒉ 滤波效果 中值滤波的主要功能是，让周围象素灰度值的差比较大的像素改取与周围的像素值 接近的值，从而可以消除孤立的噪声点。中值滤波的滤波原理与均值滤波方法相似，但 其输出值是由邻域像素的中间值而不是平均值决定的，因此中值对极限像素值远不如平 均值那么敏感。中值滤波的效果比均值滤波好，对滤除图像的椒盐噪声尤其有效。 中值滤波在衰减噪声的同时不会使图像的边界模糊，从而获得比较满意的图像复原 效果。而且在实际运算过程中不需要图像的统计特性，它的效果依赖于邻域的空间范围 和中值计算中模板所覆盖的像素数。因此，改变滤波器的长度或者模板均可改变滤波器 的性能。一般来说，小于中值滤波器面积的一半的亮或暗的物体基本上会被滤掉，而较 大的物体会几乎不变地保存下来。中值滤波对图像中的细节处理不理想，对许多点、线 等细节较多的图像不大适用。 7
    图像去噪技术的研究与实现 第 3 章 基于小波域的图像去噪技术的研究 本文用到的去噪方法主要是基于小波域的，小波域里的图像去噪技术有很多种。现 如今，小波去噪技术已经广泛地应用在图像去噪领域。 3.1 小波分析概述 小波(Wavelet)又称为子波，是一个有限的、均值为零的振荡波形。小波分析是当前 应用数学和工程学科中一个迅速发展的新领域。经过近 20 年的探索研究，重要的数学 形式体系已经建立，理论基础更加扎实。 小波分析(Wavelet Analysis)的概念是 1984 年法国的地球物理学家 J.Morlet 在分析处 理地球物理勘探资料时提出来的。小波变换的数学基础是 19 世纪的傅里叶变换，其后， 理论学家 A.Grossman 采用平移和伸缩不变性建立了小波变换的理论体系。1985 年，法 国数学家 Y.Meyer 第一个构造出具有一定衰减性的光滑小波。1988 年，比利时的数学家 Daubechies 证明了紧支集正交标准小波基的存在，使得离散小波分析成为可能。1989 年 S.Mallat 提出多分辨分析概念，统一了在此之前的各种构造小波的方法，使小波变换完 全走向实用性。 信号分析专家 S.Mallat 提出的多分辨分析的概念，给出了构造正交小波基的一般方 法，并以多分辨分析为基础提出了著名的快速小波算法——Mallat 算法。Mallat 算法的 提出标志着小波理论获得突破，开创了小波理论应用于信号处理领域的新局面[4]。 小波分析是时间-尺度分析与多分辨率分析的一种新技术，应用领域十分广泛。小 波分析方法成功地应用在去噪领域，是由于小波变换具有如下特点[5]： ① 低熵性：小波系数的稀疏分布，使得图像变换后的熵降低。 ② 多分辨性：由于采用了多分辨分析，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。 ③ 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， 所以小波域比空域更利于去噪。 ④ 选基灵活性：由于小波变换可以灵活选择变换基，从而对不同的应用场合，对 不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。 8
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料