小波变换后的图像如何去噪
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了小波变换后的图像如何去噪相关的知识,希望对你有一定的参考价值。
小波变换去噪的基本思路可以概括为:利用小波变换把含噪信号分解到多尺度中,小波变换多采用二进型,然后在每一尺度下把属于噪声的小波系数去除,保留并增强属于信号的小波系数,最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数,增强属于信号的部分。 参考技术A 将经过阈值处理后的小波系数重构,就可以得到去噪后的信号。 常用的软阈值说了这么多,忘了关键的一点,如何估计小波域噪声方差sigma的估计,这个很小波变换用于图像去噪
load julia
%画出原始图像
subplot(221);image(X);colormap(map);
title('原始图像');
axis square
%产生含噪图像
init=2055615866;randn('seed',init)
x=X+38*randn(size(X));
%画出含噪图像
subplot(222);image(x);colormap(map);
title('含噪声图像');
axis square;
%下面进行图像的去噪处理
%用小波函数sym4对x进行2层小波分解
[c,s]=wavedec2(x,2,'sym4');
%提取小波分解中第一层的低频图像,即实现了低通滤波去噪
a1=wrcoef2('a',c,s,'sym4');
%画出去噪后的图像
subplot(223);image(a1);
title('第一次去噪图像');
axis square;
%提取小波分解中第二层的低频图像,即实现了低通滤波去噪
%相当于把第一层的低频图像经过再一次的低频滤波处理
a2=wrcoef2('a',c,s,'sym4',2);
%画出去噪后的图像
subplot(224);image(a2);title('第二次去噪图像');
axis square;
以上是关于小波变换后的图像如何去噪的主要内容,如果未能解决你的问题,请参考以下文章
图像去噪基于小波变换(软阈值硬阈值半软阈值改进阈值)的图像去噪matlab源码