关键字 |
| Daubechies coif-let转换均方误差和Symlet小波。 |
我的介绍。 |
| 一个图像受噪声影响的收购和加工。去噪技术是用来去除加性噪声,同时保留尽可能多的重要的图像特征。近年来已经有一个重要的研究小波阈值和阈值的选择对图像去噪[1],因为小波提供了适当的基础分离噪声信号的图像信号。的动机是,随着小波变换擅长能源压实,小系数更有可能由于重要信号由于噪声和大系数特性[1]- [3]。这些小的系数可以阈值而不影响图像的重要特征。事实上,过去的方法基于小波阈值技术理论提供一个增强的方法消除这种噪声来源[4],[5],确保更好的图像质量[6],[7]。阈值是一个简单的非线性技术,运营一个小波系数。在它的基本形式,每个系数阈值对阈值进行比较,如果小于阈值的系数,设置为0;否则它保存或修改。更换小噪声系数由0和逆小波变换结果可能导致重建与必要的信号特征和低噪音。 Since the work of Donohue & Johnston [3], there has been much research on finding thresholds, however few are specifically designed for images [14]. |
| 不幸的是,这种技术具有以下缺点: |
| 1)这取决于正确的选举阈值的类型,例如,甲骨文萎缩,Visu缩小(对振动、hardthresholding和semi-soft-thresholding),确定减少,贝叶斯软阈值、贝叶斯MMSE估计,阈值神经网络(TNN),由于张,正常收缩,等。[1]- [5],[8]。 |
| 2)它取决于正确的估计的阈值是最重要的设计参数, |
| 3)它没有微调后的阈值计算, |
| 4)应该被应用在每个层次的分解,需要几个级别 |
| 5)的具体分布信号和噪声在不同尺度可能没有很好地匹配。 |
| 因此,一种新的方法将代表升级没有这些约束。另一方面,类似的考虑应该牢记对于基于小波阈值的图像压缩的问题。 |
二世。二维离散小波变换 |
| 具有稳定离散小波变换(DWT-2D)[6],[7],[12]对应于多分辨率的近似表达式。在实践中,多分辨率分析是使用4通道滤波器(每一层的分解)组成的低通和高通滤波器和每个过滤器银行然后以一半的速度采样(1/2采样)的频率。重复这个过程,可以获得任意顺序的小波变换。下抽样程序不断扩展参数在小波域去噪和压缩通过投影近似系数(等于½)在连续小波变换为简单的计算机实现这是好处。在一个图像的情况下,过滤分离的方式实现过滤的行和列。注意,[6],[7]DWT的图像由四个频率渠道每一层分解。例如,对于区的统一性的分解: |
| LLn,我:噪声系数的近似。 |
| LHn,我:噪声系数的垂直细节, |
| HLn,我:噪声系数的水平的细节,和 |
| HH n,我:噪声系数的对角细节。 |
| 我在每个规模是递归分解一部分,如图1中所示[6],[7]。 |
 |
| 为了实现空间尺度自适应降噪,我们需要准备一维系数数据流包含二维图像的空间信息。这有点类似于“锯齿形”安排的DCT(离散余弦变换)系数在图像编码应用程序。在这个数据准备步骤,DWT-2D系数作为一系列一维系数空间顺序重新排列,相邻样品原始图像中表示相同的地方。图2显示了DWT-2D的内部转换后的图像的四子带[51],将图3中使用。每个输出的图2表示2 d系数矩阵的子群分裂过程对应于图1。 |
| 答:小波噪声阈值: |
| 小波变换的小波系数计算代表改变一个特定的分辨率的图像。通过观察图像在不同分辨率可以过滤掉噪音,至少理论上如此。然而,噪声的定义是困难的。 |
 |
| 事实上,“一个人的噪音是另一个信号”。这在一定程度上取决于分辨率观察。一个算法去除高斯白噪声是由d·l·唐纳休和i m·约翰斯顿[2],[3],图3中合成。 |
 |
| 该算法是: |
| 1)计算小波变换的系数和秩序越来越频繁。这将导致一个数组包含图像的平均长度加一组系数1,2,4,8等。最高频率的噪声阈值计算系数谱(这是最大的光谱)。 |
| 2)计算平均绝对偏差(疯狂)最大系数谱。中位数计算系数的绝对值。平均绝对偏差的方程如下所示: |
 |
| Cn,我可能LHn, HLn,我或HHn区的统一性的分解。分母系数0.6745,重新调节分子,这样疯狂的„δmadA¢也是一个适合高斯白噪声的标准差的估计量[5]。 |
| 3)计算噪声阈值„λA¢我们使用一个方程的修改版本,论文中讨论了D.L. Donohue)和贝聿铭约翰斯顿。方程是: |
 |
| 其中N是子图像的像素数量,即。、HL、LH和HH。 |
| 所有高乐队(LH、HL和HH)去噪可以通过阈值算子应用于变换域的小波系数之后,重建原始图像在空间域的信号。在我们的方法中,软收缩和平均绝对差(MAD)。按比例缩小的疯狂的噪音估计量计算(4)。 |
 |
| 其中X是高频分解后系数。从估计的噪声、非线性阈值T计算(5) |
 |
| 噪声通过使用自适应阈值分解后获得了自由。最后,噪音免费获得的图像是通过逆SWT使用修改后的高频分解后的低频子带SWT。 |
| 4)阈值算法应用于系数。 |
3所示。为正常收缩估计的参数: |
| 本节描述的方法计算各种参数用于计算阈值(TN),这是不同的子带自适应特征。 |
 |
| ,规模参数„βA¢是计算每个规模一旦使用以下方程: |
 |
| Yij中等∈Yij子乐队HH1和„σyA¢是考虑子带的标准偏差计算通过使用标准的MATLAB命令。总而言之,该方法被命名为正常收缩执行软阈值的数据驱动子带阈值TN的依赖。 |
| 图像去噪算法: |
| 本节描述图像去噪算法,实现了附近的最优软阈值小波域恢复原始信号的噪声。该算法非常简单的实现和计算效率更高。它有以下步骤: |
| 1。执行图像的多尺度分解[11]被高斯噪声使用小波变换。 |
| 2。估计噪声方差σ2使用方程(3)。 |
| 3所示。对于每一个级别,计算尺度参数β使用方程(2)。 |
| 4所示。为每个子带(低通残余除外) |
| 一)计算标准差σy。b)计算阈值TN使用方程(1)。 |
| c)软阈值应用到噪声系数。 |
| 5。反多尺度分解重构fˆ去噪图像。 |
| 实验结果: |
| 该算法检测256 x256图像。检测各种水平的噪音值也与不同类型的小波技术。图2显示了该算法的去噪性能。提出方法和基于软收缩和不同的小波技术方法与不同的噪声方差。 |
| 软阈值导致的图像: |
 |
 |
| 下面的表格形式显示,均方误差(MSE)和峰值信噪比(PSNR)的每种方法的不同类型的小波技术。 |
 |
 |
结论 |
| 在这里,我们计算简单的软阈值和一个图像的正常收缩。对图像的去噪阈值的值是强制性的。因此,我们使用简单的软阈值技术。一旦阈值计算值,就需要找到正常收缩的价值。这是使用不同类型的小波技术像Haar小波,Daubechies 1和2,Coif-let小波1和5。在所有这些coif-let 5将给最好的峰值signal-tonoise比率(PSNR)。因此在所有这些小波coif-let 5是最好的方法去噪图像。而与剩余的小波产生的均方误差(MSE)和峰值信噪比(PSNR)仅对coif-let小波是最好的。这将给最好的结果计算图像去噪。同样,如果剩下的其他去噪小波支持计算可能会有一个机会更好的均方误差(MSE)和峰值信噪比(PSNR)。 Which will gives the best MSE and PSNRs that particular wavelet technique will be the best for calculating the best image de-noising. |
引用 |
- d·l·唐纳休”,通过对振动去噪”,IEEE反式。通知。理论,第41卷。。3、613 - 627年,1995页。
- d·l·唐纳休,i m·约翰斯顿“适应未知的平滑通过小波收缩,”《美国统计协会。,卷90,不。432,pp. 1200-1224., 1995.
- Daubechies。十小波专题,暹罗,费城,宾夕法尼亚州。1992年。
- Daubechies”,在小波不同的观点,“在应用数学学报座谈会中,47卷,美国数学学会,美国,1993。
- 美国Mallat”,多分辨率信号分解的一个理论:小波表示,“IEEE反式。模式肛门。机英特尔11卷,pp.674 - 693, 1989年7月。
- s . g . Mallat”多分辨率逼近L2 (R)和小波正交基地,“事务的美国数学学会,315 (1),pp.69 - 87, 1989。
- X.-P。张,m·德赛“基于小波变换的非线性自适应噪声抑制,“ICASSP98学报,3卷,第1592 - 1589页,1998年西雅图。
- X.-P。张“阈值神经网络自适应降噪,IEEE神经网络,第12卷,不。3,pp.567 - 584, 2001。
- X.-P。张和q罗”,一个新的时间尺度自适应去噪方法基于小波收缩,“在ICASSP99学报,凤凰城。,1999年3月15 - 19日。
- m·朗h .郭j . Odegard c . Burrus和r .井,“用一个抽取离散小波变换降噪,“Proc.Letters IEEE信号,3卷,没有。1,10 - 12,1996页。
- h . Chipman,大肠Kolaczyk, R。麦克洛克,”贝叶斯自适应小波收缩,“j·阿。中央集权。Assoc。,vol. 92, pp. 1413–1421, 1997.
- s . g . Chang, b . Yu和m . Vetterli”空间与上下文建模的图像自适应小波阈值去噪,“IEEE反式。ImageProcessing, 9卷,第1531 - 1522页,2000年9月。
- s . g . Chang, b . Yu和m . Vetterli”自适应小波阈值图像去噪和压缩,“IEEE反式。图像处理,9卷,页。1532 - 1546年,2000年9月。
- s . g . Chang和m . Vetterli”空间自适应小波阈值图像去噪,”在Proc。ICIP, 1卷,1997年,页374 - 377。
- m . s .克劳斯,r·d·诺瓦克和r . g . Baraniuk”小波统计信号处理使用隐马尔科夫模型”,IEEE反式。SignalProcessing, 46卷,第902 - 886页,1998年4月。
- C.S. Burrus, R.A. Gopinath h .郭,介绍小波和小波变换:底漆,Prentice Hall,新泽西,1998
|
菜单
