基于小波变换的阈值图像去噪.ppt

基于小波变换的阈值图像去噪
第十四组 组员：XXX XXX
XXX XXX
演讲：XXX
前沿
图像在传输和采集过程中，不可避免的会受到噪声的影响。对于噪声干扰较小的图像，可以根据人们的经验识别出图像内容；对于受到噪声干扰较大的图像时，往往需要专业图像处理技术去除干扰后才能对图像进行识别。
怎样有效地消除图像噪声是图像处理中的一个重要问题!
1
2
分类
1
3
2
目前图像上存在的噪声可分为如下几类：
椒盐噪声
高斯噪声
斑点噪声
举例
从图像可以看出，被噪声污染的信号的特征信息很难从肉眼中得到提取。
且由于噪声的覆盖，图像的边缘信息以及细节特征信息也被污染，从而图像无法被使用，会给人们造成很大的损失。
所以如何有效的去除图像中的噪声是现在主要的研究目的。
引入
01
03
02
04
以上的图像处理都或多或少的存在着局部细节特征丢失的问题！
对于这种问题的处理，我们可以引入小波变换去噪的方法
去除图像噪声的方法
均值滤波器
自适应维纳滤波器
中值滤波器
形态学噪声滤除器
小波变换
小波变换
小波变换 是以傅立叶分析为基础发展起来，同时也是继承了傅立叶分析的优点，也拟补了傅立叶分析不能局部分析的缺陷。
其广泛应用于图像跟信号处理，模式识别等众多应用领域。
原理：
小波变换具有数据去相关性，经过小波变换处理之后的图像信号能量集中在少量大的小波系数中
图像中噪声信号能量分布却在整个小波域，对应大量小波系数，经过小波分解后，信号的小波系数绝对值大于噪声小波系数的绝对值，
再经过选择特定的阈值可以将噪声的小波系数缩小为0，达到去噪的效果。
理论
小波变换
它的去噪方式较好地弥补以往方法的局部细节特征丢失的缺陷
小波变换从图像的细节考虑
在去除噪声的同时保留了图像的细节信息
基于小波变换的去噪方法
将待处理图像经过小波变换之后
有效地分别出图像系数和噪声系数
将其分离
经过小波重构之后得到去噪之后的图像
阈值去噪
基于小波变换的阈值去噪算法
软阈值法
01
小波系数分类
一种是重要的、规则的小波系数
02
一种是被看作无规则性或者被噪声干扰之后的小波系数
去除方法
01
02
硬阈值法
通常我们以小波系数的绝对值来当作小波系数的分类准则。
当小波系数的绝对值较小且趋向于0时，此类小波系数包含的有效信息量少且被噪声影响程度大。
在用此方法进行图像去噪工作时，往往会给定一个阀值δ，当系数小于δ的信号时，将此类信号称为“噪声”，并将他们的系数归0。
而超过阀值的小波系数，用δ缩减之后再重新取值，从而达到去除噪声的目的，因此小波去噪的阈值算法也称为小波缩减法。
在去除超过阈值的系数时，有软阈值和硬阈值两种去除方法。
噪声方差估计
内容
噪声方差的估计直接影响到阈值的选择，也对图像的去噪效果起到重要的作用。
在估计噪声方差中，一般直接采用第一层细节信号分析，这种估计方法在操作上比较简
单，并且估计效果也能满足需求，所以在小波去噪中此方法的适用性较广。
此方法针对含噪图像中的信息较少时的情况，可以准确的估计出噪声方差，从而去
噪的效果较为理想。但是含噪图像中的细节比较多时，此方法的噪声估计会具有不
确定性，容易出现非常大的误差。
阈值选择
重要性
阈值选取方法
阈值估计过小，处理之后的图像与原图像差别也越小，有的图像相当于未处理 ; 当阈值选取过大时，处理之后的图像虽然把噪声信号去除地很清楚，但是也将原图像的特征信息给消除了，违背了图像去噪的目的与意义。
全局阈值
局部阈值