【图像去噪】基于自适应小波阙值算法实现图像去噪附matlab代码

1 内容介绍

基于 Ｄｏｎｏｈｏ经典小波阈值去除图像噪声基本思路，分析常用硬阈值法和软阈值法在图像去噪中的缺陷。针对这些缺陷，提出一种改进的阈值去噪法，该方法不仅可克服硬阈值不连续的缺点，还能够有效解决小波分解预估计系数与真实小波系数间存有的恒定误差。通过 Ｍａｔｌａｂ仿真实验，使用改进的小波阈值法对图像去噪处理后，除 噪效果比较理想，在去噪性能指标上，ＰＳＮＲ（峰值信噪比）和 ＥＰＩ（边缘保护指数）均好于传统阈值方法。

采集、编码或者传输图像时，图像容易遭受噪声污染，因此图像去噪尤为重要。随着对小波理论研究的深入，其应用也日趋广泛，利用小波变换进行图像去噪成为研究热点。目前，小波图像去噪 基 本 方 法 有：①利用小波变换模极大值方法进行图像去噪；②利用小波变换尺度相关性方法进行图像去 噪；③利用小波阈值去噪法进行图像去噪。上述３种基 本 方 法 中，小波阈值去噪法相对于小波模极大值法与小波变换尺度相关性法，其 运 算 量 小，实现简单且使用广泛。小波阈值去噪法也有其不足：在小波硬阈值去噪处理过程中，获取的小波系 数 预 估 计 连 续 性 差，会 造 成 重 构 信号波动，而软阈值法算出的估计小波系数虽然连续性较好，但其与真实小波系数有恒定偏差，造成重构信号精度变低，导致图像模糊。本文结合经典硬阈值和软阈值法各自的优缺点，提出一种改进的小波阈值图像去噪算法。

2 仿真代码

% Function to calculate Threshold for BayesShrink

function threshold=bayes(X,sigmahat)

len=length(X);
sigmay2=sum(X.^2)/len;
sigmax=sqrt(max(sigmay2-sigmahat^2,0));
if sigmax==0 threshold=max(abs(X));
else threshold=sigmahat^2/sigmax;
end

​​

clear;
display('           ');
display('           ');
display('IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 9, NO. 9, SEPTEMBER 2000');
display('           ');
display('Adaptive Wavelet Thresholding for Image Denoising and Compression');
display('           ');
display('S. Grace Chang, Student Member, IEEE, Bin Yu, Senior Member, IEEE, and Martin Vetterli, Fellow, IEEE');

display('           ');
display('----- liujiabin   ');

f=imread('lena512.bmp');
f = double(f);
figure,subplot(131); imshow(f,[]);title('original image');
noise = randn(size(f));
noise = noise/sqrt(mean2(noise.^2));
% add Gaussian noise
g = double(f)+ 20*noise;
subplot(132);imshow(g,[]);title('noisy image');
filtertype = 'db8';
tic;out = BaysShrink(g,filtertype,4);toc;
subplot(133);imshow(out,[]);title('denoisy image');
PSNR(out,f);
MSE(out,f)
 

3 运行结果

4 参考文献

[1] F. Abramovich, T. Sapatinas, and B. W. Silverman, “Wavelet thresholding via a Bayesian approach,” J. R. Statist. Soc., ser. B, vol. 60, pp.725–749, 1998.

[2] M. Antonini, M. Barlaud, P. Mathieu, and I. Daubechies, “Image coding using wavelet transform,” IEEE Trans. Image Processing, vol. 1, no. 2,pp. 205–220, 1992.

[3] J. Buckheit, S. Chen, D. Donoho, I. Johnstone, and J. Scargle, “WaveLabToolkit,”, http://www-stat.stanford.edu:80/~wavelab/.[4] A. Chambolle, R. A. DeVore, N. Lee, and B. J. Lucier, “Nonlinear

wavelet image processing: Variational problems, compression, andnoise removal through wavelet shrinkage,” IEEE Trans. Image Processing, vol. 7, pp. 319–335, 1998.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

​