本文探讨了使用小波变换进行图像去噪的方法,结合领域平均滤波和软阈值处理,着重展示了邻域平均法在降低噪声的同时带来的图像模糊问题,以及小波阈值选择的硬阈值和软阈值策略。实验部分对比了不同滤波方式对峰值信噪比的影响,结果显示融合方法优于单独应用。
前言
行文思路:
使用sym小波对图像进行3层分解。在小波域进行领域平均滤波域小波软阈值滤波,最后将两者融合。
提示:以下是本篇文章正文内容,如有错误请指正
一、领域平均滤波
邻域平均法是一种空间域局部处理算法. 在含噪图像中, 对于位置(i , j) 处的像素 , 其灰度值为 f(i , j),去噪后的灰度值为 g(i , j),则 g(i , j)由包含(i , j)邻域的若干个像素的灰度平均值所决定的 ,即 用式(1) 得到去噪图像的像素灰度值
式中 , Z 表示以(i , j)为中心的邻域的集合, M 是Z 中像素点的总数。
邻域平均法的去噪效果与邻域半径大小有关. 半径越大 ,区域所包含的像素越多 ,去噪效果越好, 信 噪比提高越大, 但是图像模糊程度也越大. 邻域平均法的优点在于算法简单、计算速度快 , 主要缺点是在 降低噪声的同时使图像产生模糊 ,特别在边缘和细节处. 总之, 邻域平均法是以图像模糊为代价来换取 噪声的减少.
二、小波阈值
小波变换在空域和频域同时具有良好的局部化特性, 不仅可将图像的结构和纹理分别表现在不同 分辨率层次上, 而且具有边缘检测的能力, 能够较好地保留图像边缘细节特征, 因而小波变换在图像去 噪中能够取得较好的效果. 含噪图像(i , j) 经过二维小波分解后, 可以得到四幅子图像 LLj 、HL j 、LH j 和 HH j , 它们分别表示 在尺度2[^j]上的低频、水平高频, 垂直高频 ,对角高频的子图像. 对于 LL j 又可以分解为一个低频分量和三 个高频分量,当小波分解层数为 N 时可以得到N 个低频分量和 3N 个高频分量. 低频子带集中了图像的 主要信息 ,反映了图像的基本轮廓 ;噪声 、图像的细节主要分布在高频区域 ,并且噪声主要集中在幅值较 小的小波系数中 ,图像的细节信息主要集中于幅值较大的小波系数中. 针对这一特点可选择一个合适的 阈值 T ,将小于 T 的小波系数置为 0 ,大于 T 的小波系数保持不变 ,最后再进行小波逆变换 ,这样就能达 到去除噪声的目的
阈值选取
目前主要的阈值选取方法有 :
- 硬阈值
T =σ 2ln(N),其中, σ为噪声的标准偏差, N 图像的大小; - 软阈值
其中, i 取值为 1 、 2 、3 分别代表 HH 、HL 、LH 三个子带图像 , ci 为常数, σ是图像噪声的标准偏差, J 为小波分解层数。
三、效果展示
领域平均滤波
使用sym小波对图片进行三层分解,对高频系数进行领域平均滤波。
小波软阈值滤波
领域平均与小波软阈值融合
峰值信噪比
方法 | 峰值信噪比 |
领域平均 | 19.812052 |
小波软阈值 | 19.578771 |
领域与小波软阈值融合 | 21.028979 |