基于小波的图像去噪研究综述

利用小波方法去噪,是小波分析应用于工程实际的一个重要方面。在对目前小波去噪文献进行理解和综合的基础上,通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;阐述了小波图像去噪方法的发展历程和小波去噪的机理;概括了目前小波图像去噪的主要方法:模极大值去噪法,小波萎缩法和多小波去噪等,对小波图像去噪进行了综述;最后探讨了小波图像去噪的发展方向。     

图像小波阈值去噪方法研究

该文介绍了小波阈值去噪的基本原理,描述了图像小波阈值法去噪的过程,并通过仿真实验结果比较了小波阈值去噪方法在选取不同阈值函数下的去噪效果,证明了小波阈值去噪法是一种非常有效的变换域图像去噪方法。     

图像小波阈值去噪方法研究

该文介绍了小波阈值去噪的基本原理,描述了图像小波阈值法去噪的过程,并通过仿真实验结果比较了小波阈值去噪方法在选取不同阈值函数下的去噪效果,证明了小波阈值去噪法是一种非常有效的变换域图像去噪方法。     

多尺度几何分析的图像去噪方法综述

小波图像去噪已经成为图像去噪中应用最广泛的经典方法,而随之出现的多尺度变换去噪方法也已是当前图像去噪研究的一个热点。在对目前图像去噪的现状以及小波去噪总体概括的基础上,简要介绍了多尺度几何分析的产生和发展,进一步详细分析和总结了基于多尺度变换的图像去噪方法。基于对小波去噪以及多尺度变换图像去噪问题的理解,提出了对多尺度变换图像去噪方法的一些展望。     

一种基于M带小波变换的多幅图像去噪算法

基于小波的图像去噪算法是目前图像去噪研究的一个热点。大多数的研究考虑的都是单幅图像样本的情况,在基于图像的多幅含不同均匀噪声拷贝的两带小波去噪方法的基础上,把多幅含噪图像拷贝的两带小波去噪方法推广到了M带,提出了一种基于M带小波变换的多幅图像去噪方法。实验结果表明该方法的去噪效果要优于相同条件下的两带小波的去噪效果。     

基于提升小波的自适应阈值图像去噪

介绍了提升方法（Lifting Scheme）的基本原理,给出了用提升方法构造传统小波的实现方法。在提升小波分解变换的基础上,研究一种自适应阚值的图像去噪方法——Adapt Thr Shrink去噪法。这种方法是基于Bayes框架,在不同子带和不同方向上选择不同的最佳阈值。结合软阈值法对图像进行去噪,与传统方法相比,此种方法提高了去噪后图像的峰值信噪比（PSNR）,而且使图像更加清晰。基于提升小波的自适应阈值图像去噪法实现简单、计算速度快、去噪效果好。     

基于提升小波的自适应阈值图像去噪

介绍了提升方法(Lifting Scheme)的基本原理,给出了用提升方法构造传统小波的实现方法.在提升小波分解变换的基础上,研究一种自适应阈值的图像去噪方法--AdaptThr Shrink去噪法.这种方法是基于Bayes框架,在不同子带和不同方向上选择不同的最佳阐值.结合软阈值法对图像进行去噪,与传统方法相比,此种方法提高了去噪后图像的峰值信噪比(PSNR),而且使图像更加清晰.基于提升小波的自适应阈值图像去噪法实现简单、计算速度快、去噪效果好.     

基于二阶导数算子与小波变换的图像去噪

二阶导数算子噪声定位的图像去噪法对椒盐噪声有很强的去噪能力,但对高斯噪声去噪效果较差,基于小波变换的图像去噪法能有效去除高斯噪声,但几乎不能去除椒盐噪声。针对上述问题,采用二阶导数算子降噪与小波变换去噪相结合的方法对图像去噪,利用2种方法进行优势互补,能较好地去除椒盐、高斯噪声和椒盐-高斯混合噪声,降低选择阈值的难度,有利于提高图像去噪精度。实验结果表明,该算法是有效可行的。     

小波阈值图像去噪研究与应用

目前,对于图像去噪的理论和应用都已基本完善,但是对于保留图像边缘的图像去噪的研究仍然有很多学者专家在研究。小波域阈值图像去噪是能够保留图像边缘及其他特征的去噪方法之一。本文系统地研究了最常用的几种小波阈值去噪方法及阈值函数,然后在MATLAB环境下对几种小波阈值方法进行了试验,最后对各种阈值去噪方法的去噪效果进行了比较。     

图像去噪的小波阈值法研究

介绍了小波去噪的基本理论以及小波阈值法去噪的原理。小波阈值法去噪的关键是阈值的设置和阈值函数的选择。阈值的设置主要分为全局阈值法和局部阈值法。归纳了阈值的设置方法,并针对图像去噪进行了仿真实验,将一幅混有不同噪声的图像分别采用全局阈值和局部阈值去噪。实验得出局部阈值优于全局阈值的结论。     

基于多小波的图像去噪技术研究

多小波是小波理论的进一步发展，在实际应用中它可把十分重要的光滑性、紧支性、正交性、对称性等完美的结合起来。鉴于现有多小波去噪方法只谈及去噪思想，没给出具体的实现方法，为此，将多小波变换与单小波去噪方法中的HeurShrink去噪法结合起来，提出了一种切实可行的基于多小波的HeurSure图像去噪方法(muhiwavelet—based image denoising with HeurSure)，简称MDH去噪法。并将D4单小波去噪法中的HeurShrink法与MDH法的去噪效果进行了比较。实验结果表明，MDH法的去噪效果优于D4单小波的HeurShrink法去噪效果。     

基于离散小波阈值的偏微分图像去噪

小波方法和偏微分方程方法是图像去噪中的主要方法。该文提出基于离散小波变换对图像进行阈值去噪,得出了小波阈值的偏微分方程表示形式,在此基础上研究偏微分方程的解法,采用分数步的小波阈值方法对图像去噪,得到了较好的去噪效果,同时可以保护边缘。数值试验结果表明,该方法具有比小波方法更好的去噪效果,能获得较高的信噪比。     

一种基于第2代曲波变换的尺度相关图像去噪方法

从第2代曲波变换为基础,提出了一种利用尺度相关性进行自适应阈值收缩的图像去噪方法。通过实验比较小波与第2代曲波图像去噪,采用峰值信噪比对去噪结果进行了客观评价,实验结果表明,本文提出的图像去噪方法明显优于小波图像去噪方法,并且相对于单纯的阈值收缩去噪也有很大提高。     

基于Matlab的小波阈值图像去噪方法研究

小波阈值去噪是一种效果较好的变换域图像去噪方法,该文采用Matlab实现了一种典型的小波阈值图像去噪方法,分别设计了函数来进行阈值函数的选取和阈值的计算,并对去噪效果进行了分析。     

基于小波域高斯混合模型与中值滤波的图像去噪研究

分析了基于高斯混合模型的小波去噪方法,并结合中值滤波提出一种新的图像去噪方法。仿真实验表明,将两种方法结合起来用于含混合噪声的图像去噪,比单独使用中值滤波或小波去噪的效果更好。     

基于小波变换的图像去噪

近年来,采用小波变换进行图像去噪已成为一个活跃的研究课题。针对传统去噪方法的缺陷,从理论上推导了二维小波分解和重构具体算法,研究了小波图像去噪的基本理论和方法,在此基础上利用Matlab7．0．1对含有两种不同高斯白噪声的图像进行了仿真实验,实验表明,基于小波变换的图像去噪可以有效地提高图像的去噪效果。     

基于HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时，可提取并保存对视觉起主要作用的边缘信息，但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足，在小波域隐Markov树模型（HMT）的基础上给出了一种图像去噪新方法。实验结果表明，与普通的小波去噪方法相比，该方法不但可以保留图像的边缘信息，而且能提高去噪后图像的峰值信噪比。     

基于小波变换的自适应多阈值图像去噪

小波图像去噪是小波应用较成功的一个方面，其中最重要的一个环节是最优阈值的确定，为此，提出了一种新的基于小波变换的自适应多阈值图像去噪方法——Multi—Threshold shrink去噪法，这种方法是在不同子带和不同方向上选择不同的最佳阈值，而最佳阈值的选取是基于Bayes理论，并认为图像的小波系数是服从广义高斯分布的(generalized Gaussian distribution)。通过实验证明，这种方法能很好地对图像去噪，与Donoho等人提出的Visu shrink去噪方法和Chang等人提出的Bayes shrink去噪方法相比，不仅提高了去噪后图像的信噪比(SNR)和最小均方误差(MSE)，而且也使图像更加清晰，并能更好地适合人眼的视觉特性，从而可在客观和主观上同时获得更佳的去噪效果。     

二进小波变换的图像去噪

由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,基于二进小波变换的图像去噪效果会好于基于小波级数变换的图像去噪效果。基于这个思想,该文提出了DWID方法,将基于小波级数的图像去噪方法推广到基于二进小波变换的图像去噪,比较了DWID同基于小波级数去噪效果。实验表明,DWID比小波级数去噪效果有明显改善。     

基于小波模极大值和Neyman-Pearson准则阈值的图像去噪

首先给出了2维噪声的小波变换特性,分析图像小波变换模的极大值与小波分解级数j和李氏指数之间的关系,指出如何确定和保护图像的边缘;接着阐述了基于软、硬阈值的图像正交小波变换去噪法,然后提出一种基于Neym an-Pearson准则的小波阈值的确定,从而又提出了一种基于小波模极大值和Neym an-Pearson准则阈值的图像去噪方法,解决了图像去噪和保护图像边缘这个“两难”问题。针对期望图像叠加了不规则噪声的假设,对几种去噪方法做了定性比较,并给出了去噪性能的定量分析,仿真结果表明,此方法能提高去噪后图像的信噪比,使评价原图像与去噪后的图像近似程度的方差和相对熵为最小,同时能很好地保留原始图像的边缘信息。