小波变换在果品图像去噪中的应用

本科生毕业设计（申请学士学位）论文题目小波变换在果品图像去噪中的应用作者姓名沈阳专业名称2009级电子信息工程指导教师石永华2013年6月学生：（签字）学号：答辩日期：2013年6月18日指导教师：（签字）目录摘要 (1)Abstract (1)1 绪论 (2)1.1选题背景和意义 (2)1.2果品图像去噪的研究现状 (2)1.3论文主要内容和组织结构 (3)2小波变换的基本理论 (3)2.1 连续小波变换 (3)2.2 离散小波变换 (4)2.3 Mallat 算法 (4)3 基于小波变换的果品图像去噪 (6)3.1 图像去噪的基本原理 (6)3.2 阈值函数的改进 (6)3.2.1 常见的阈值函数 (6)3.2.2 改进的阈值函数 (7)3.3 图像去噪新算法描述 (7)4 应用研究 (8)4.1 图像去噪质量的评价方法 (8)4.1.1 主观评价方法 (8)4.1.2 客观评价方法 (9)4.2 研究方法 (9)4.3 实验结果与数据分析 (10)5 结束语 (12)参考文献 (12)附录1 算法源代码 (14)附录2 图像来源与实验环境 (17)致谢 (18)小波变换在果品图像去噪中的应用摘要：果品图像在获取及传输过程中经常会被噪声污染，极大的影响了人们对图像中细节信息的提取。

图像去噪的目的是在去除绝大部分噪声的同时尽可能的保留图像的细节特征，为后续的处理工作提供方便，因此有必要在对果品图像进行后续处理之前去噪。

小波分析作为一种崭新的分析方法，具有多分辨率特性，在时域和频域上同时具有良好的局部化特性。

实践证明，小波变换是图像处理最强有力的工具，在果品图像去噪有着广泛的应用。

本文详细地介绍了小波变换的基本理论和果品图像去噪的原理，研究和分析了常见的阈值函数，深入探讨了阈值函数的改进办法，提出了一种新的图像去噪方法。

并利用本文方法与传统方法进行了仿真实验，通过实验结果验证了本文算法的可行性和有效性。

关键字：图像去噪；小波变换；阈值函数Application of fruit image denoise based on Wavelet TransformAbstract: Fruit image in access and transmission process will often be noise pollution, greatly influence the people to extract the image detail information. Image denoising is the purpose of for the most part in removing the noise at the same time as far as possible keep the detail of the image features, provide convenience for subsequent processing work, it is necessary before subsequent processing in fruit image denoising. Wavelet analysis as a new analysis method, the multiresolution characteristics, in the time domain and frequency domain at the same time has good localization characteristics. Practice has proved that wavelet transform is the most powerful image processing tools, has been widely used in fruit image denoising.This article in detail introduced the basic theory of wavelet transform and the principle of fruit image denoising, and studies and analyzes the common threshold function, thoroughly discusses improved threshold function method, a new image denoising method is proposed. And using the method with traditional method, the simulation experiment through the experimental results verify the feasibility and effectiveness of this algorithm.Keywords:image denoising; wavelet transform; Threshold function1 绪论1.1选题背景和意义果品分级就是根据果实的大小、色泽、形状、成熟度、病虫害及机械损伤等情况，按照国家规定的分级标准，进行严格的挑选分级。

但果品的人工分级容易受人为因素的影响，导致分级的结果很可能会有一些主观性，从而出现了效率很低、准确性差、速度慢等缺点。

由此可见，果品的科学分级直接影响到果品的销售以及在市场上的竞争力。

果品图像去噪是果品分级非常重要的预处理技术之一，图像去噪的目的是在去除绝大部分噪声的同时尽可能的保留图像的细节特征，为后续的处理工作提供方便，因此有必要在对果品图像进行后续处理之前去噪。

果品生长在自然环境中，会受到泥土、灰尘等的影响，采摘的果品常常会有灰尘等噪声。

噪声的存在，会对后续处理结果的好坏产生很大的影响。

事实上，采集到的图像上常常带有一些噪声，这些噪声主要来源于：受到诸如电子元器件等的影响造成采集、转换以及传输的过程中附带有噪声；也有可能采集到的图像在采集之前该对象就已经受到自然界中各种噪声干扰。

为此，对果品图像进行去噪就成了一项很重要的工作，去噪的结果直接影响到分级的效果和质量。

1.2果品图像去噪的研究现状近几年，国内外众多学者将图像去噪算法成功地运用到果品图像的去噪中，并进行了广泛的研究。

1999年M.A.Shahin研究了苹果X射线图像特征提取最优滤波器的设计,其中使用高斯滤波法和中值滤波法对苹果图像去噪，2004年B.S.Bennedsen研究了苹果图像中果柄与花萼的提取, 应用常规方法对图像去噪，2005年A.M.Lefcourt在研究苹果多光谱图像时应用常规的方法对图像去噪；为了能够提高在农业机器人图像去噪滤波器的去噪性能以及更好地保留包括果品图像在内的农业图像里的边缘信息，2007年Lawrence等在分析施肥机的性能时，运用高斯滤波去除化肥散点图像中的背景噪声；2007年Yoon等在用多光谱实时检测苹果成熟度时采用了高斯滤波器消去噪声。

1998年何东健研究了利用中值滤波、邻域平滑、高斯平滑法对苹果图像去噪的问题，2003年X.Cheng等研究了在线识别苹果果柄与花萼的机器视觉系统, 应用常规的方法对图像去噪。

2005年王树文在基于计算机视觉的番茄损伤自动检测与分类研究中,应用快速中值滤波噪，2005年J.Qin和R.Lu在研究樱桃多光谱图像时也应用常规的方法对图像去噪。

2005年5月杨福增等人针对果品图像处理常用方法中不能同时在时域和频域分析图像且不具有多分辨率特性的问题,以红枣图像为例,提出了基于小波变换的去噪方法,获得了良好的效果。

2006年，杨福增等人又提出了一种基于小波变换的Wiener滤波去噪方法。

采用该方法对果品图像的加性噪声( 高斯白噪声)去噪,视觉效果清晰,优于邻域平均法、中值滤波法、小波阈值去噪法和Wiener 滤波去噪法的去噪结果, 更好于数学形态学的去噪结果；2006年杨福增等为了弥补小波阈值去噪后的图像上容易出现吉布斯现象，提出了一种将小波变换维纳滤波器相结合的去噪方法，并将该方法用来去除苹果图像上的噪声。

2011年杨福增等指出农业图像的边缘和纹理等细节信息丰富，已有的去噪方法在去噪的同时会模糊农业图像中重要的纹理以及边缘等缺陷，提出一种包括果品图像在内的农业图像去噪算法：基于杂交小波变换的去噪算法。

1.3论文主要内容和组织结构本文详细地介绍了小波变换的基本理论和果品图像去噪的原理，研究和分析了常见的阈值函数，深入探讨了阈值函数的改进办法，提出了一种新的图像去噪方法。

并利用本文方法与传统方法进行了仿真实验，通过实验结果验证了本文算法的可行性和有效性。

本文共分为5章，各章内容安排如下：第1章绪论,介绍本文的选题背景和意义，重点分析了果品图像去噪的研究现状。

第2章小波变换的基本理论,阐述小波分析的基本原理,详细探讨了Mallat 算法。

第3章基于小波变换的果品图像去噪, 研究和分析了常见的阈值函数，深入探讨了阈值函数的改进办法，提出了一种新的图像去噪方法。

第4章应用研究,重点阐述了图像去噪效果的评价指标；针对二组实验图像，利用本文方法与传统方法进行了仿真实验，使用评价指标对实验结果实施评价，获得了数据；通过对实验数据的分析得出结论：本文方法是有效的、先进的。

第5章结束语，对毕业设计所做的工作进行总结。

2小波变换的基本理论小波分析是在傅里叶变换的基础上发展起来的，它作为一种崭新的分析方法，在时域和频域上同时具有良好的局部化特性，因此，小波分析可以根据实际分析的需要，自适应地调节时频窗口，能够聚焦到信号时域和频域的任意细节，这一特性即是小波变换的“变聚焦”特性，小波变换因此被誉为信号分析的“显微镜”。

2.1 连续小波变换将任意函数)(t f 在小波基()t b a ,ψ下进行展开，称其为函数)(t f 的连续小波变换，连续小波变换的变换式为：()()()dt t f f b a WT ab t R a b a f -⋅>==<⎰ψψ1,,, （2-1） 其中小波基： ()()0;,,21,≠∈=--a R b a a t t b a τψψ。

（2-2） 当小波的容许性条件成立时，连续小波变换存在逆变换，变换式为：()()()⎰⎰+∞∞--+∞∞-⋅=db b a WT t f a b t f a da C ψψ,21(2-3)其中()t ψ的容许性条件为： ()∞=⎰ dw C R w w 2ψψ（2-4） 2.2 离散小波变换为了适合数字计算机的处理需要对连续小波变换进行离散化，需要指出的是，对连续小波变换进行离散化是针对连续的尺度参数a 和连续平移参数b 进行离散化处理的，而不是针对时间t 的。