1:基于小波变换摸极大值原理
2:基于小波变换系数的相关性
3:基于小波阈值的去噪。
基于小波阈值的去噪方法3个步骤:
1: 计算含噪声图像的小波变换。选择合适的小波基和小波分解层数J,运用Matlab 分解算法将含有噪声图像进行J层小波分解,得到相应的小波分解系数。
2:对分解后的高频系数进行阈值量化,对于从1 到J的每一层,选择一个适当的阈值和合适的阈值函数,将分解得到的高频系数进行阈值量化,得到估计小波系数。
3:进行小波逆变化,根据图像小波分解后的第J层,低频 系数(尺度系数)和经过阈值量化处理的各层高频系数(小波系数),运用Matlab重构算法进行小波重构,得到去噪后的图像。
程序是下面这样,但只能处理长宽一样的方形图像,灰度和彩色图像都可,要用其他图像只需把Lena.bmp改为其他图像,但图像要保存在m文件所在路径下。下面还有一个运行后的图像(之一),希望能对你有所帮助。clearclc
%%%%%%%%%%测试图像只能是方形图像,长宽像素一样。
f=imread('Lena.bmp')%%读取图像数据,图像只能保存在m文件所在的路径下
d=size(f)
if length(d)>2
f=rgb2gray((f))%%%%%%%%如果是彩色图像则转化为灰度图
end
T=d(1)
SUB_T=T/2
% 2.进行二维小波分解
l=wfilters('db10','l') % db10(消失矩为10)低通分解滤波器冲击响应(长度为20)
L=T-length(l)
l_zeros=[l,zeros(1,L)] % 矩阵行数与输入图像一致,为2的整数幂
h=wfilters('db10','h') % db10(消失矩为10)高通分解滤波器冲击响应(长度为20)
h_zeros=[h,zeros(1,L)] % 矩阵行数与输入图像一致,为2的整数幂
for i=1:T % 列变换
row(1:SUB_T,i)=dyaddown( ifft( fft(l_zeros).*fft(f(:,i)') ) ).' % 圆周卷积<->FFT
row(SUB_T+1:T,i)=dyaddown( ifft( fft(h_zeros).*fft(f(:,i)') ) ).' % 圆周卷积<->FFT
end
for j=1:T % 行变换
line(j,1:SUB_T)=dyaddown( ifft( fft(l_zeros).*fft(row(j,:)) ) ) % 圆周卷积<->FFT
line(j,SUB_T+1:T)=dyaddown( ifft( fft(h_zeros).*fft(row(j,:)) ) ) % 圆周卷积<->FFT
end
decompose_pic=line % 分解矩阵
% 图像分为四块
lt_pic=decompose_pic(1:SUB_T,1:SUB_T) % 在矩阵左上方为低频分量--fi(x)*fi(y)
rt_pic=decompose_pic(1:SUB_T,SUB_T+1:T) % 矩阵右上为--fi(x)*psi(y)
lb_pic=decompose_pic(SUB_T+1:T,1:SUB_T) % 矩阵左下为--psi(x)*fi(y)
rb_pic=decompose_pic(SUB_T+1:T,SUB_T+1:T) % 右下方为高频分量--psi(x)*psi(y)
% 3.分解结果显示
figure(1)
subplot(2,1,1)
imshow(f,[]) % 原始图像
title('original pic')
subplot(2,1,2)
image(abs(decompose_pic)) % 分解后图像
title('decomposed pic')
figure(2)
% colormap(map)
subplot(2,2,1)
imshow(abs(lt_pic),[]) % 左上方为低频分量--fi(x)*fi(y)
title('\Phi(x)*\Phi(y)')
subplot(2,2,2)
imshow(abs(rt_pic),[]) % 矩阵右上为--fi(x)*psi(y)
title('\Phi(x)*\Psi(y)')
subplot(2,2,3)
imshow(abs(lb_pic),[]) % 矩阵左下为--psi(x)*fi(y)
title('\Psi(x)*\Phi(y)')
subplot(2,2,4)
imshow(abs(rb_pic),[]) % 右下方为高频分量--psi(x)*psi(y)
title('\Psi(x)*\Psi(y)')
% 5.重构源图像及结果显示
% construct_pic=decompose_matrix'*decompose_pic*decompose_matrix
l_re=l_zeros(end:-1:1) % 重构低通滤波
l_r=circshift(l_re',1)' % 位置调整
h_re=h_zeros(end:-1:1) % 重构高通滤波
h_r=circshift(h_re',1)' % 位置调整
top_pic=[lt_pic,rt_pic] % 图像上半部分
t=0
for i=1:T % 行插值低频
if (mod(i,2)==0)
topll(i,:)=top_pic(t,:)% 偶数行保持
else
t=t+1
topll(i,:)=zeros(1,T) % 奇数行为零
end
end
for i=1:T % 列变换
topcl_re(:,i)=ifft( fft(l_r).*fft(topll(:,i)') )' % 圆周卷积<->FFT
end
bottom_pic=[lb_pic,rb_pic] % 图像下半部分
t=0
for i=1:T % 行插值高频
if (mod(i,2)==0)
bottomlh(i,:)=bottom_pic(t,:) % 偶数行保持
else
bottomlh(i,:)=zeros(1,T) % 奇数行为零
t=t+1
end
end
这个只是一级分解,matlab自带的函数可以实现多级分解,级数由编程者自己确定。
是的,是一样的。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)