小波阈值的图像去噪.doc

小波阈值的图像去噪
Lakhwinder Kaur CSE SLIET,Longowal Punjab(148106),India
Savita Gupta CSE SLIET,Longowal
Punjab(148106),India
CSE SLIET,Longowal Punjab(148106),India
摘要
这篇论文提出了一种图像去噪的自适应阈值估计方法,该方法是基于小波域中子带系数的推广高斯分布(GGD)模型。这种方法称为:NormalShrink,它的计算更加有效并且具有自适应性。这是因为用来阈值估计的参数要求依赖于子带数据。阈值通过下式获得,,这里和分别是噪声的标准差和相应的噪声图像的子带标准差数据。是参数规模,这个参数依赖于子带大小和分解的数量。几幅测试图像的实验结果与各种去噪方法比如维纳滤波,BayesShrink和SureShrink做比较。为了与可能最好的阈值估计性能基准做比较,我们的对比也加入了Oracleshrink方法。实验结果表明提出的阈值能有效的去除噪声,运行时间上性能超过SureShrink ,BayesShrink以及维纳滤波。
关键字:小波阈值,图像去噪,离散小波变换
介绍
在图像的获取与传输中,经常受到噪声的污染。图像去噪用于去除加性噪声,同时尽大可能的保留重要的信号特征。在最近这几年,关于小波阈值,已经有了相当数量的研究,为信号去噪而选择阈值[1],[3]-[10],[12],因为将噪声信号从图像信号中分离,小波提供了合适的基。小波变换有很好的能量紧支,小系数
表示噪声,大系数表示重要的信号特征[8]。这些小系数可能阈值化处理而不影响图像重要的特征。
阈值化是简单的非线性技术,它是在单个小波系数上执行。在它的许多基形式上,通过与阈值比较,每个系数阈值化处理,如果系数小于阈值,将该系数设置为零;否则该系数保留或进行修改。用零替换小的噪声系数,然后小波逆变换就可能会产生重建,此时有基本的信号特征以及较少的噪声。自从Donoho以及Johnstone的研究以来[1],[4],[9],[10],在寻找阈值方面有很多研究,但是几乎没有专门为图像设计的。在这篇论文中,提出了一个新的优化阈值估计技术用于图像去噪,这个阈值是依赖于子带的,也就是用来计算阈值的参数是从观察数据中得到估计,每一个子带有一个设置。
这篇论文的组织如下:第二部分介绍了小波阈值的概念。第三部分解释了用于NormalShrink方法中估计的参数。第四部分描述了提出的去噪算法。实验结果以及讨论在第五部分中给出,用了三幅在各种噪声水平下的测试图像。最后结论性的评论在第六部分中给出。
小波阈值
使代表要恢复的原始图像,它是的矩阵,是2的幂
整数。在传输过程中,信号受到独立同分布的零均值的噪声污染,高斯白噪声有标准方差即。最终得到的观察噪声信号是。最终的目的是从观察噪声信号中估计信号使得均方误差(MSE)最小化。和分别表示二维正交离散小波变换(DWT)矩阵和它相应的逆变换。表示的是的小波系数矩阵,有四个子带(LL,LH,HL,HH)[7],[11]。,,子带称为细节子带,这里k是从1,2,…J的各种尺度,J是分解的总尺度。在k尺度下子带的大小为。子