1 简介
数字图像作为人类活动中常用的信息载体，在日常生活中扮演着重要的角色，数字图像处理是医疗及科研教学中必不可少的技术手段。然而受相关条件影响，数字图像在生成、传输以及压缩过程中容易受到外来噪声干扰，使图像边缘和纹理细节变得模糊，不 利 于 图 像 信 息 的 识 别 和 读 取。因此，为进一步提升图像视觉效果和图像质量，挖掘和利用图像内部信息，必须尽量降低图像噪声的影响。
目前常用的图像去噪算法可以分为空间域去噪算法和变换域去噪算法。常见的空间域去噪算法主要有均值滤波、中值滤波、双边滤波、非局部均值滤波以及它们的改进算法等。由于算 法 原 理的限制，空间域去噪算法容易模糊图像的边缘和纹理 等 细 节，且 对 于 不 同 种 类 的 噪 声 去 除 效 果 不同。变换域去噪算法主要有傅里叶变换算法、小波变换去噪算法、曲波变换去噪算法和块匹配三维滤波 ＢＭ３Ｄ（Ｂｌｏｃｋ－Ｍａｔｃｈｉｎｇａｎｄ３Ｄｆｉｌｔｅｒｉｎｇ）算法等。变换域去噪算法由于参数多且很 难 选 取合适的数值，导致去噪结果不理想，或者由于算法的复杂性导致算法效率低。还有目前较为流行的基于字典学习的去噪算法和基于深度学习的去噪算法等，然而深度学习和字典学习算法对噪声较为敏感，在强噪声情况下容易引入外来噪声，不利于细节信息的保护。
小波变换以傅里叶分析为基础，采用固定基对图像信号进行分解，具有较好的去噪效果和细节保持能力。然而合适的阈值和阈值函数的选取较为困难，从而限制了该方法在图像处理与信号分析等领域中的应用。针对上述情况，国内外学者先后提出硬阈值函数 ＨＴＦ（ＨａｒｄＴｈｒｅｓｈｏｌｄＦｕｎｃｔｉｏｎ）小波 变 换、软 阈 值 函 ＳＴＦ（ＳｏｆｔＴｈｒｅｓｈｏｌｄＦｕｎｃｔｉｏｎ）数小波变换以及半软阈值函数 Ｓ－ＳＴＦ（Ｓｅｍｉ－ＳｏｆｔＴｈｒｅｓｈｏｌｄＦｕｎｃｔｉｏｎ）小波变换方法。
2 部分代码
function [h0,h1]=wave1(x)[m,n]=size(x);for i=1:m for j=1:n if(j==n) %低频 x1(i,j)=(x(i,j)+x(i,1))/2; %高频 x2(i,j)=(x(i,1)-x(i,j))/2; else %低频 x1(i,j)=(x(i,j)+x(i,j+1))/2; %高频 x2(i,j)=(x(i,j+1)-x(i,j))/2; end end end%取奇for i=1:m for j=1:n if(2*j-1<=n) hL(i,j)=x1(i,2*j-1); hH(i,j)=x2(i,2*j-1); end endendh0=hL;h1=hH;
3 仿真结果
4 参考文献
[1]李晓飞, 邱晓晖. 基于小波变换的改进软阈值图像去噪算法[J]. 计算机技术与发展, 2016, 26(5):3.
