一种基于小波阈值降噪方法的图像降噪效果研究
电子信息学院 赵华 2015201355
一、引言
数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。
然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所?干扰?的现象。如果图像被干扰得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。
二、基本原理
1.小波基本原理
在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数ψ(x )来构造，ψ(x )称为母小波（mother wavelet ），或者叫做基本小波。一组小波基函数， {ψa,b (x )}，可以通过缩放和平移基本小波来生成：
??
? ??-ψ=ψa b x a x b a 1)(, 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为：
()()
1222,-ψ=ψ--x x j j j i 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波ψ(x )为基的连续小波变换定义为函数f （x ）和ψa,b (x )的内积：
(
)()dx a b x a x f f x W b a b a ??
? ??-ψ=ψ=?∞
∞-1,,,
与时域函数对应，在频域上则有：
()()ωωa e a x j b a ψ=ψ-,
可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且ψa, b (x )的窗口中心向|ω|增大方向移动。这说明连续小波的局部是
变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。
2. 图像去噪综述
所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。
依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)为理想图像，n(x,y)为噪声，实际输入图像为g(x,y)，则加性噪声可表示为:
()()()y x n y x f y x g ,,,+=
其中，n(x,y)和图像光强大小无关。
图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。
我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
3. 小波阈值去噪法
3.1小波变换去噪的过程
小波去噪是小波变换较为成功的一类应用，其去噪的基本思路可用框图3-1来概括，即带噪信号经过预处理，然后利用小波变换把信号分解到各尺度中，在每一尺度下把属于噪声的小波系数去掉，保留并增强属于信号的小波系数，最后再经过小波逆变换恢复检测信号。
图3-1 小波去噪框图
因此，利用小波变换在去除噪声时，可提取并保存对视觉起主要作用的边缘信息。而传统的傅立叶变换去噪方法在去除噪声和边沿保持上存在着矛盾，原因是傅立叶变换方法在时域不能局部化，难以检测到局域突变信号，在去除噪声的同时，也损失了图像边沿信息。由此可见，与傅立叶变换去噪方法相比，小波变换去噪方法具有明显的优越性。
3.2小波阈值去噪的基本方法
3.2.1阈值去噪原理
小波阈值去噪方法的基本思想是当w j,k小于某个临界阈值时，认为这时的小波系数主要是由噪声引起的，予以舍弃。当w j,k大于这个临界阈值时，认为这时的小波系数主要是由信号引起，那么就把这一部分的w j,k直接保留下来(硬阈值方法)，或者按某一个固定量向零收缩(软阈值方法)，然后用新的小波系数进行小波重构得到去噪后的信号。此方法可通过以下三个步骤实现:
(1)先对含噪声信号f(t)做小波变换，得到一组小波分解系数w j,k。
(2)通过对分解得到的小波系数w j,k进行阈值处理，得出估计小波系数w,使得w j,k-u j,k，尽可能的小。
j
k
(3)利用估计小波系数k j w,进行小波重构，得到估计信号()t f，即为去噪之后的信号。
需要说明的是，在小波阈值去噪法中，最重要的是阈值函数和阈值的选取。
3.2.2阈值函数的选取
阈值函数关系着重构信号的连续性和精度，对小波去噪的效果有很大影响。目前，阈值的选择主要分硬阈值和软阈值两种处理方式。其中，软阈值处理是将信号的绝对值与阈值进行比较，当数据的绝对值小于或等于阈值时，令其为零;大于阈值的数据点则向零收缩，变为该点值与阈值之差。而硬阈值处理是将信号的绝对值阈值进行比较，小于或等于阈值的点变为零，大于阈值的点不变。但硬阈值函数的不连续性使消噪后的信号仍然含有明显的噪声;采用软阈值方法虽然连续性好，但估计小波系数与含噪信号的小波系数之间存在恒定的偏差，当噪声信号很不规则时显得过于光滑。为此人们又提出了半软阈值函数。
小波阈值去噪方法处理阈值的选取，另一个关键因素是阈值的具体估计，如果阈值太小，去噪后的图像仍然存在噪声，相反如果阈值太大，重要图像特征又将被滤掉，引起偏差。从直观上讲，对给定的小波系数，噪声越大，阈值就越大。
三、程序实现图像消噪
MATLAB 中实现图像的降噪，主要是阈值获取和图像降噪实现两个方面。
1.阈值获取
MATLAB 中实现阈值获取的函数有ddencmp 、select 、wbmpen 、和wdcbm2。这里主要介绍函数ddencmp 。
函数ddencmp 的功能是获取降噪或压缩的默认值。该函数是降噪和压缩的导向函数，它给出一维或二维信号使用小波或小波包进行降噪和压缩一般过程的所有默认值。
其语法格式为：
[THR,SORH,KEEPAPP,CRIT]=ddencmp （IN1，IN2，X ）
[THR,SORH,KEEPAPP]= ddencmp （IN1,’wv’,X ）
[THR,SORH,KEEPAPP,CRIT]= ddencmp （IN1,’wp’,X ）
2 .阈值降噪
MATLAB 中实现阈值降噪的函数有wden 、wdencmp 、wpdencmp 、wthresh 、wpthcoef 和wthcoef2。这里主要介绍函数wdencmp 。
其语法格式为：
[XC,CXC,LXC,PERF0,PERFL2] = wdencmp('gbl',X,'wname',N,THR,SO RH,KEEPAPP)
[XC,CXC,LXC,PERF0,PERFL2] = wdencmp('lvd',X,'wname',N,THR,SO RH)
[XC,CXC,LXC,PERF0,PERFL2] = wdencmp('lvd',C,L,'wname',N,THR,SORH)
函数wdencmp 的功能是使用小波进行降噪。该函数是二维小波降噪的导向函数。它使用小波对信号或图像执行降噪过程。wname 是所用的小波函数。gbl （global ）表示每层都采用同一个阈值进行处理。lvd 表示每层用不同的阈值进行处理。N 表示小波分解的层数。THR 为阈值向量，长度为N 。SORH 表示选择软阈值或硬阈值（分别取值为‘s ’和‘h ’）。参数KEEPAPP 取值为1是，则低频系数不进行阈值量化，反之，则低频系数要进行阈值量化。XC 是降噪后的信号，[CXC,LXC]是XC 的小波分解结构，PHRF0和PERFL2是恢复和压缩L2的范数百分比。如果[C ，L]是x 的小波分解结构，则PERFL2=100?（CXC 向量的范数/C 向量的范数）2；如果X 是一维信号，小波wname 是一个正交小波，则22
1002X XC PERFL =。
下面通过具体实例来说明利用小波阈值降噪进行图像去噪的问题。
I=imread('D:\aaa.jpg');
I=rgb2gray(I);
figure;
J=imnoise(I,'gaussian',0,0.01);
[thr,sorh,keepapp]=ddencmp('den','wv',J);
Gxd=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp);
subplot(2,2,1);
imshow(I,map);
title('原始图像');
subplot(2,2,2);
imshow(J,map);
title('加高斯噪声图像');
subplot(2,2,3);
imshow(Gxd,map);
title('高斯噪声滤波效果')
程序运行结果：
比较上面几幅图像，可见阈值降噪可以滤除大部分高频噪声，去噪效果较好，图像质量比原图稍差。
四、总结
随着信息时代计算机的日益普及，人们对数字图像的质量要求越来越高。但是现实中的图像多为含噪图像，当噪声较严重时，会影响图像的分割、识别和理解。传统的降噪方法在降噪的同时使图像的
细节变得模糊。小波变换由于具有?数学显微镜?的作用，在降噪的同时能保持图像细节，得到原图像的最佳恢复。
小波阈值去噪方法是小波去噪领域使用较多的方法，因为其理论相对比较成熟，而且去噪效果也比较好。它是集图像去噪和增强为一体的优秀处理方法，被广泛的应用于图像处理中，大量实践也证明该算法优于其他增强技术。
基于小波阈值的图像去噪方法研究 摘要：本文根据已有的阈值处理函数的优缺点,提出了一种新的阈值处理函数,用于图像的小 波阈值去噪.实验表明,该方法比传统的硬阈值函数与软阈值函数具有更好的去噪效果 关键字：小波阈值去噪，阈值函数 0 引言 图像在获取或传输过程中会因各种噪声的干扰使质量下降,这将对后续图像的处理产生 不利影响.所以必须对图像进行去噪处理,而去噪所要达到的目的就是在较好去除噪声的基 础上,良好的保持图像的边缘等重要细节.近年来,小波理论得到了迅速的发展和广泛的应用. 由于其具有低熵性,多分辨性,去相关性和选基灵活性等优点,在图像去噪领域得到广泛的应 用.本文提出一种新阈值函数,并将其应用于小波阈值去噪,该函数是现有软、硬阈值函数的 推广,通过调整参数,可以克服硬阈值函数不连续和软阈值函数有偏差的缺点。 1 小波阈值处理 小波阈值收缩法是Donoho 和Johnstone 提出的,其主要理论依据是,小波变换具有很强的 去数据相关性,它能够使信号的能量在小波域集中在一些大的小波系数中;而噪声的能量却 分布于整个小波域内.因此,经小波分解后,信号的小波系数幅值要大于噪声的系数幅值.可 以认为,幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声. 于是,采用阈值的办法可以把信号系数保留,而使大部分噪声系数减小至零.小波阈值收缩法 去噪的具体处理过程为:将含噪信号在各尺度上进行小波分解,设定一个阈值，幅值低于该阈 值的小波系数置为0,高于该阈值的小波系数或者完全保留,或者做相应的“收缩 (shrinkage)”处理.最后将处理后获得的小波系数用逆小波变换进行重构,得到去噪后的图 像. 2 阈值函数的选取 阈值去噪中,阈值函数体现了对超过和低于阈值的小波系数不同处理策略，是阈值去噪中 关键的一步。 设w 表示小波系数,T 为给定阈值,sign(*)为符号函数,常见的阈值函数有： 硬阈值函数： ? ??<≥=T w T w w w new ,0, （1） 软阈值函数： ? ??<≥-=T w T w T w w w new ,0),)(sgn( （2） 分析(1)(2)式可以得出:硬阈值函数在阈值点是不连续的,软阈值函数，原系数和分解得 到的小波系数总存在着恒定的偏差,这将影响重构的精度.同时这两种函数不能表达出分解 后系数的能量分布。因此,寻找一种新阈值函数,使它既能实现阈值函数的功能,又具有高阶 导数,同时可以体现出分解后系数的能量分布，将是我们的目标。我们提出一种新的阈值函 数为：
1 阈值获取 MATLAB 中实现信号阈值获取的函数有ddencmp 、thselect 、wbmpen 和wdcbm ，下面对它们的用法进行简单的说明。 函数Ddencmp 的调用格式 (1)[THR ，SORH ，KEEPAPP ，CRIT]=ddencmp(IN1，IN2，X) (2)[THR ，SORH ，KEEPAPP ，CRIT]=ddencmp(IN1，'wp'，X) (3)[THR ，SORH ，KEEPAPP]=ddencmp(IN1，'wv'，X) 函数ddencmp 用于获取在消噪或压缩过程中的默认阈值。输入参数X 为一维或二维信号；IN1取值为'den'或'crop'，den 表示进行去噪，crop 表示进行压缩；IN2取值为'wv'或'wp'，wv 表示选择小波，wp 表示选择小波包。返回值THR 是返回的阈值；SORH 是软阈值或硬阈值选择参数；KEEPAPP 表示保存低频信号；CRIT 是熵名(只在选择小波包时用)。 函数thselect 的调用格式 THR=thselect(X ，TPTR) THR=thselect(X ，TPTR)根据字符串TPTR 定义的阈值选择规则来选择信号X 的自适应阈值。 自适应阈值选择规则包括下面四种： " （1）TPTR='rigrsure'，自适应阈值选择使用Stein 的无偏风险估计原理。 （2）TPTR='heursure'，使用启发式阈值选择。 （3）TPTR='sqtwolog'，阈值等于sqrt(2*log(1ength(X)))。 （4）TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型e t f y +=)(，e 是高斯A 噪声N(O ，1)。 函数wbmpen 的调用格式 THR=wbmpen(C ，L ，SIGMA ，ALPHA) THR=wbmpen(C ，L ，SIGMA ，ALPHA)返回去噪的全局阈值THR 。THR 通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart 的处罚算法。[C ，L]是进行去噪的信号或图像的小波分解结构；SIGMA 是零均值的高斯白噪声的标准偏差；ALPHA 用于处罚的调整参数，它必须是一个大于1的实数，一股取ALPHA=2。 设t*是crit(t)=-sum(c(k)^2，k<=t)+2*SIGMA^2*t*(ALPHA+log(n/t))的最
科技论文写作大作业小波变换图像去噪综述 院系： 班级： 学号： 姓名：
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词：小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时，不仅能采集或接收到与所研究的问题相关的有效信号，同时也会观测到各种类型的噪声。在实际应用中，为降低噪声的影响，不仅应研究信号采集的方式方法及仪器的选择，更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器，滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号，这些信号可以近似的认为是一个高斯过程，同时由于信号的平稳性假设，傅立叶交换是一个很好的信号分析工具。但也有其不足之处，给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破，它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法，它具有这样的特性；在低频段具有较高的频率分辨率及较低的时间分辨率，在高频段具有较高的时间分辨率及较低的频率分辨率，实现了时频窗口的自适应变化，具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪，它能在去噪的同时而不损坏信号的突变部分。在过去的十多年，小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理，概括目前的小波图像去噪的主要方法，最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化，即:
自适应图像分析与识别 课程论文 题目基于小波变换的图像去噪中的阈值研究学院电子工程学院 专业电路与系统
摘要：图像去噪是对图像进行高级处理的重要基础，已经成为当今数字图像处理的热门领域之一。基于小波多尺度分解的阈值方法是一种有效的信号去噪方法．本文详细介绍了阈值的选取方法，并列举了几种常用的阈值函数，并对它们进行了比较，以期给小波图像处理研究者一些参考。 关键字：图像去噪；阈值；阈值函数；小波变换
Abstract：Image denoising is an important foundation for advanced image processing，and is the hot research area in digital image processing．The thresholding denoising based on the multi-scales wavelet is an effective way.This text intuoduced the way how to choose the threshold, listed some common thresholding function and compared them,in the hope of giving some references for the researcher in image processing with wavelet. Key words：image denoising，thresholding,thresholding function,wavelet transform
小波阈值图像降噪及MATLAB仿真 图像信号在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行降噪预处理。 小波降噪的方法有多种，如利用小波分解与重构的方法滤波降噪、利用小波变换模极大值的方法去噪、利用信号小波变换后空域相关性进行信噪分离、非线性小波阈值方法去噪、平移不变量小波降噪法，以及多小波降噪等等。归结起来主要有三类:模极大值检测法、阈值降噪法和屏蔽(相关)降噪法。其中最常用的就是阈值法去噪，其基本思想就是利用图像小波分解后，各个子带图像的不同特性选取不同的阈值，从而达到较好的降噪目的。而且，小波变换本身是一种线形变换，因而对于类似于高斯噪声的效果较好。线性运算往往还会造成边缘模糊，小波分析技术正因其独特的时频局部化特性在图像信号和噪声信号的区分以及有效去除噪声并保留有用信息等方面较之传统的降噪具有明显的优势，且在降噪的同时实现了图像一定程度的压缩和边缘特征的提取。所以小波降噪具有无可比拟的优越性。小波降噪主要优点有： 低熵性，小波系数的稀疏分布，使得图象变换后的熵降低； 多分辨率，由于采用了多分辨率的方法，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； 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，所以小波频域比时域更利于降噪； 选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合、不同的研究对象，可以选用不同的小波函数，以获得最佳的效果。 一、阈值去噪法简述 1992年，斯坦福大学的Donoho D L和Johnstone教授提出一种具有良好的统计优化特性的降噪方法，称作“Wavelet Shrinkage”（即阈值收缩法）。 该方法的主要思想是：基于图像和噪声在经小波变换后具有不同的统计特性：图像本身的能量对应着幅值较大的小波系数,主要集中在高频（LL）；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。根据该特征，设
小波去噪 [xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,'wname') 式中： 输入参数x 为需要去噪的信号； 1.tptr ：阈值选择标准. 1)无偏似然估计（rigrsure）原则。它是一种基于史坦无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值t，得到它的似然估计，再将似然t 最小化，就得到了所选的阈值，它是一种软件阈值估计器。 2）固定阈值（sqtwolog）原则。固定阈值thr2 的计算公式为：thr 2log(n) 2 = (6)式中，n 为信号x（k）的长度。 3）启发式阈值（heursure）原则。它是rigrsure原则和sqtwolog 原则的折中。如果信噪比很小，按rigrsure 原则处理的信号噪声较大，这时采用sqtwolog原则。 4）极值阈值（minimaxi）原则。它采用极大极小原理选择阈值，产生一个最小均方误差的极值，而不是没有误差。 2.sorh ：阈值函数选择方式，即软阈值(s) 或硬阈值(h). 3.scal ：阈值处理随噪声水平的变化，scal=one 表示不随噪声水平变化，scal=sln 表示根据第一层小波分解的噪声水平估计进行调整，scal=mln 表示根据每一层小波分解的噪声水平估计进行调整. 4.n 和wname 表示利用名为wname 的小波对信号进行n 层分解。输出去噪后的数据xd 及xd 的附加小波分解结构[cxd,lxd]. 常见的几种小波：haar，db，sym，coif，bior haar db db1 db2 db3 db4 db5 db6 db7 db8 db9 db10 sym sym2 sym3 sym4 sym5 sym6 sym7 sym8 coif coif1 coif2 coif3 coif4 coif5 coif6 coif7 coif8 coif9 coif10 bior bior1.1 bior1.3 bior1.5 bior2.2 bior2.4 bior2.6 bior2.8 bior3.5 bior3.7 bior3.9 bior4.4
哈尔滨工业大学华德应用技术学院毕业设计（论文） 摘要 小波分析理论是一种新兴的信号处理理论，它在时间上和频率上都有很好的局部性，这使得小波分析非常适合于时—频分析，借助时—频局部分析特性，小波分析理论已经成为信号去噪中的一种重要的工具。利用小波方法去噪，是小波分析应用于实际的重要方面。小波去噪的关键是如何选择阈值和如何利用阈值来处理小波系数，通过对小波阈值化去噪的原理介绍,运用MATLAB 中的小波工具箱，对一个含噪信号进行阈值去噪，实例验证理论的实际效果，证实了理论的可靠性。本文设计了几种小波去噪方法，其中的阈值去噪的方法是一种实现简单、效果较好的小波去噪方法。 关键词：小波变换；去噪；阈值 -I-
哈尔滨工业大学华德应用技术学院毕业设计（论文） Abstract Wavelet analysis theory is a new theory of signal process and it has good localization in both frequency and time do-mains.It makes the wavelet analysis suitable for time-frequency analysis.Wavelet analysis has played a particularly impor-tant role in denoising,due to the fact that it has the property of time- frequency analysis. Using wavelet methods in de-noising, is an important aspect in the application of wavelet analysis. The key of wavelet de-noising is how to choose a threshold and how to use thresholds to deal with wavelet coefficients. It confirms the reliability of the theory through the wavelet threshold de-noising principle, the use of the wavelet toolbox in MATLAB, carrying on threshold de-noising for a signal with noise and actual results of the example confirmation theory.In this paper,the method of Wavelet Analysis is analyzed.and the method of threshold denoising is a good method of easy realization and effective to reduce the noise. Keywords：Wavelet analysis；denoising；threshold -II-
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
一种基于小波阈值降噪方法的图像降噪效果研究 电子信息学院 赵华 2015201355 一、引言 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所?干扰?的现象。如果图像被干扰得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、基本原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数ψ(x )来构造，ψ(x )称为母小波（mother wavelet ），或者叫做基本小波。一组小波基函数， {ψa,b (x )}，可以通过缩放和平移基本小波来生成： ?? ? ??-ψ=ψa b x a x b a 1)(, 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波ψ(x )为基的连续小波变换定义为函数f （x ）和ψa,b (x )的内积： ( )()dx a b x a x f f x W b a b a ?? ? ??-ψ=ψ=?∞ ∞-1,,,
30 李剑等：局部放电在线监测中小波阈值去噪法的最优阈值自适应选择 its application in partial discharge detection[J] ． IEEE Trans on Dielectrics and Electrical Insulation，2002，9(3：446-457． Vol. 30 No. 8 wavelet polarity of modulus maxima[J]．Power System Technology， 2003，27(5：55-57,71． [12] Saito N，Beylkin G．Multiresolution representations using the autocorrelation functions of compactly supported wavelets[J] ． IEEE Trans on Signal Processing，1993，41(12：3584-3590． [13] 徐冰雁，黄成军，钱勇，等．多小波相邻系数法在局部放电去噪中的应用[J]．电网技术，2005，29(15：61-64,70． Xu Bingyan， Huang Chengjun，Qian Yong，et al．Application of multiwavelet based neighboring coefficient method in denoising of partial discharge[J]． Power System Technology，2005 ，29(15： 61-64,70． [14] Donoho D L ． De-noising by soft- thresholding[J]． IEEE Trans on Information Theory，1995，41(3：613-627． [15] 王立欣，诸定秋，蔡维铮．局部放电在线监测中基于小波变换的阈值消噪算法研究[J]．电网技术，2003，27(4：46-48,78． Wang Lixin ， Zhu Dingqiu ， Cai Weizheng ． Wavelet transform based de-noise algorithm by thresholding in on-line
1.阈值获取 MATLAB中实现阈值获取的函数有ddencmp、thselect、wbmpen和wwdcbm，下面对它们的用法进行简单的说明。 （1）ddencmp的调用格式有以下三种： （1）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,IN2,X) （2）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wp',X) （3）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wv',X) 函数ddencmp用于获取信号在消噪或压缩过程中的默认阈值。输入参数X为一维或二维信号；IN1取值为'den'或'cmp'，'den'表示进行去噪，'cmp'表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名（只在选择小波包时使用）。 （2）函数thselect的调用格式如下： THR=thselect(X,TPTR); THR=thselect(X,TPTR)根据字符串TPTR定义的阈值选择规则来选择信号X的自适应阈值。 自适应阈值的选择规则包括以下四种： *TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。 *TPTR='heursure'，使用启发式阈值选择。 *TPTR='sqtwolog'，阈值等于sqrt(2*log(length(X))).
*TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型 y = f(t) + e，e是高斯白噪声N(0,1)。（3）函数wbmpen的调用格式如下： THR=wbmpen(C,L,SIGMA,ALPHA); THR=wbmpen(C,L,SIGMA,ALPHA)返回去噪的全局阈值THR。THR 通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart的处罚算法。{C,L]是进行去噪的信号或图像的小波分解结构；SIGMA是零均值的高斯白噪声的标准偏差；ALPHA是用于处罚的调整参数，它必须是一个大于1的实数，一般去ALPHA=2。 设t*使crit(t)=-sum(c(k)^2,k<=t) + 2 * SIGMA^2 * t*(ALPHA+log(n/t))的最小值，其中c(k)是按绝对值从大到小排列的小波包系数，n是系数的个数，则THR=|c(t*)|。 wbmpen(C,L,SIGMA,ALPHA,ARG)计算阈值并画出三条曲线。 2 * SIGMA^2 * t*(ALPHA+log(n/t)) sum(c(k)^2, k<=t) crit(t) （4）wdcbm的调用格式有以下两种： （1）[THR,NKEEP]=wdcbm(C,L,ALPHA); （2）[THR,NKEEP]=wdcbm(C,L,ALPHA,M); 函数wdcbm是使用Birge-Massart算法获取一维小波变换的阈值。返回值THR是与尺度无关的阈值，NKEEP是系数的个数。[C,L]是要进行压缩或消噪的信号在j=length(L)-2层的分解结构；LAPHA
小波降噪阈值选取的研究 余晃晶 (三明学院,福建 三明365004) 摘 要:小波分析用于信号降噪的过程中,核心的算法就是在小波系数上作用阈值,因为阈值的选取直接影响降噪的质量.笔者就阈值的选取做了一些理论分析并在MATLAB 环境下进行仿真研究,得出应用小波降噪过程中阈值选取的一些实际结论. 关键词:小波变换;阈值;降噪 中图分类号:TP301.6 文献标识码:A 文章编号:1008-293X (2004)09-0034-05 实际采集的信号中常含有噪声,只有作降噪处理才能有效地表现原信号中有用的信息.信号降噪方法有时域和频域两种方法,但是归根到底是利用噪声和信号在频域上分布的不同进行的:信号主要分布在低频区域,而噪声主要分布在高频区域,但同时信号的高频区域也存在被检测对象的某些重要特征.传统的Fourier 分析方法可将信号的高频成分滤除,虽然也能够达到降低噪声的效果,但却影响了信号的某些重要特征.如何构造一种既能够降低信号噪声,又能够保持信号某些重要特征的降噪方法是此项研究的目标,而这在小波变换这种强有力的信号分析工具出现以后已经成为可能.由于小波变换同时具有时域和频域上的局部性特性,优于傅立叶变换,所以它一出现,就很快被普遍应用于信号处理中.本文就小波分析用于信号降噪的过程中阈值的选取做一些理论分析,并在MATL AB 环境下做了仿真研究,得出应用小波降噪过程中阈值选取的一些实际结论. 1 小波变换用于降噪的基本原理 1988年,文献〔1〕提出了多分辨分析的概念,并给出了小波分解与重构的快速算法,即Mallat 算法.根据这一算法,若f k 为信号f (t )的离散采样数据,f k =c 0,k ,则信号f (t )的正交小波变换分解公式为 c j ,k =∑n c j -1,n h n -2k ; d j ,k =∑d j -1,n g n -2k .(k =0,1,2,…n -1)(1) 式中:c j ,k 为尺度系数;d j ,k 为小波系数;h ,g 为一对正交镜像滤波器组(QMF );j 为分解层数;N 为离散采样点数.小波重构过程是分解过程的逆运算,相应的重构公式为 c j -1,n =∑n c j ,n h k -2n +∑n d j ,n g k -2n (2) 小波的多分辨分析特性可将信号在不同尺度下进行多分辨率的分解,并将交织在一起的各种不同频率组成的混合信号分解成不同频段的子信号,因而对信号具有按频带处理的能力. 对于一个含噪声的一维信号的基本模型通常表示成如下的形式: s (n )=f (n )+σe (n ) (n =0,1,2,…n -1)(3) 式中:f (n )为原始信号;e (n )为噪声信号;s (n )为含噪声信号;σ为噪声强度.在最简单的情况下可以假设e (n )为高斯白噪声,且σ=1.小波变换的目的就是要抑制e (n )以恢复f (n ).在f (n )的分解系数比较稀疏(非零项很少)的情况下,这种方法的效率很高.为了从含噪信号s (n )中还原出真实信号f (n ),可以利用信号和噪声在小波变换下的不同特性,通过对小波分解系数进行处理来达到信号和噪声分离的目的.在实际工程应用中,有用信号通常表现为低频信号或是一些比较平稳的信号,而噪声信号则通常表现为高第24卷第9期2004年9月 绍 兴 文 理 学 院 学 报JOUR NAL OF SHAOXING UNIVERSITY Vol .24No .9Sep .2004 收稿日期:2004-07-06 作者简介:余晃晶(1965-),男,福建连江人,讲师.研究方向:单片机和信号处理等. DOI :10.16169/j .issn .1008-293x .s .2004.09.009
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 阈值获取 MATLAB中实现信号阈值获取的函数有ddencmp、thselect、wbmpen和wdcbm，下面对它们的用法进行简单的说明。 1.1 函数Ddencmp的调用格式 (1)[THR，SORH，KEEPAPP，CRIT]=ddencmp(IN1，IN2，X) (2)[THR，SORH，KEEPAPP，CRIT]=ddencmp(IN1，'wp'，X) (3)[THR，SORH，KEEPAPP]=ddencmp(IN1，'wv'，X) 函数ddencmp用于获取在消噪或压缩过程中的默认阈值。输入参数X为一维或二维信号；IN1取值为'den'或'crop'，den表示进行去噪，crop表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR 是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名(只在选择小波包时用)。 1.2 函数thselect的调用格式 THR=thselect(X，TPTR) THR=thselect(X，TPTR)根据字符串TPTR定义的阈值选择规则来选择信号X 的自适应阈值。 自适应阈值选择规则包括下面四种： （1）TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。（2）TPTR='heursure'，使用启发式阈值选择。 （3）TPTR='sqtwolog'，阈值等于sqrt(2*log(1ength(X)))。 （4）TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型e =) y+ (，e是高斯A噪声N(O，1)。 t f 1.3 函数wbmpen的调用格式 THR=wbmpen(C，L，SIGMA，ALPHA) THR=wbmpen(C，L，SIGMA，ALPHA)返回去噪的全局阈值THR。THR通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart的处罚算法。[C，L]是进行去噪的信号或图像的小波分解结构；SIGMA是零均值的高斯白噪声的标准偏差；ALPHA用于处罚的调整参数，它必须是一个大于1的实数，一股取ALPHA=2。 设t*是crit(t)=-sum(c(k)^2，k<=t)+2*SIGMA^2*t*(ALPHA+log(n/t))的最小值，其中c(k)是按绝对值从大到小排列的小波包系数，n是系数的个数，则
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：
1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数(即母小波)和缩放函数(也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类：离散小波变换(DWT) 和连续小波转换(CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。
小波阈值去噪的基本原理_小波去噪阈值如何选取 小波阈值去噪的基本原理小波阈值去噪的基本思想是先设置一个临界阈值，若小波系数小于，认为该系数主要由噪声引起，去除这部分系数;若小波系数大于，则认为此系数主要是由信号引起，保留这部分系数，然后对处理后的小波系数进行小波逆变换得到去噪后的信号。具体步骤如下： （1）对带噪信号f（t）进行小波变换，得到一组小波分解系数Wj，k; （2）通过对小波分解系数Wj，k进行阈值处理，得到估计小波系数Wj，k，使Wj，k－uj，k尽可能的小; （3）利用估计的小波系数Wj，k进行小波重构，得到估计信号f（t），即为去噪后的信号。提出了一种非常简洁的方法对小波系数Wkj，进行估计。对f（k）连续做几次小波分解后，有空间分布不均匀信号s（k）各尺度上小波系数Wkj，在某些特定位置有较大的值，这些点对应于原始信号s（k）的奇变位置和重要信息，而其他大部分位置的Wkj，较小；对于白噪声n（k），它对应的小波系数Wkj，在每个尺度上的分布都是均匀的，并随尺度的增加Wkj 把低于的小波函数Wkj，（主要由信号n（k Wkj，（主要由信号s（k）引起），则予以保留或进行收缩，从而得到估计小波系数Wkj，它可理解为基本由信号s（k）引起，然后对Wkj进行重构，就可以重构原始信号。 本文提出的小波阈值去噪方法可以分为5步描述：（1）对带噪图像g（i，j）进行s层正交冗余小波变换，得到一组小波分解系数Wg（i，j）（s，j），其中j=1，2，s，s表示小波分解的层数。 小波阈值去噪法有着很好的数学理论支持，实现简单而又非常有效，因此取得了非常大的成功，并吸引了众多学者对其作进一步的研究与改进。这些研究集中在两个方面：对阈值选取的研究以及对阈值函数的研究。 阈值的确定在去噪过程中至关重要，目前使用的阈值可以分为全局阈值和局部适应阈值两类。其中，全局阈值是对各层所有的小波系数或同一层内不同方向的小波系数都选用同一
小波变换的概念 1.这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为小波(Wavelet)频“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)逐步进行多尺度细化，最终达到高频处时间细分，低()函数率的局部化分析，它通过伸缩平移运算对信号变换的频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier 科学方法上的重大突破。有人把小波变换称为“数学显微镜”。困难问题，成为继Fourier变换以来在具体用哪种，为什么？?2.小波有哪几种形式?常用的有哪几种: 或者小波族)的方法有几种定义小波(的滤波器——来和为长度为1小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)2N缩放滤波器:定义。在双正交小波的情况，分解和重建的滤波器分别定义。SymletDaubechies和高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如。小波 。来定义也称为父小波)(即母小波)和缩放函数(缩放函数:小波由时域中的小波函数 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 。小波g。例如对于有Meyer紧支撑的小波，可以视为有限长，并等价于缩放滤波器 。例如墨西哥帽小波。小波函数:小波只有时域表示，作为小波函数3.小波变换分类 小波变换分成两个大类：离散小波变换(DWT) 和连续小波转换(CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小 波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常 常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值小波分析是目前数学中一个迅速发展的新领网域，它同时具有理论深刻