《小波包分析在信号处理中的应用_毕业论文.docx》由会员分享,可在线阅读,更多相关《小波包分析在信号处理中的应用_毕业论文.docx(27页珍藏版)》请在三一文库上搜索。
1、毕业设计(论文)附录题 目: 小波包分析在信号处理中的应用目 录附件1:开题报告.共 3页附件2:计算机程序.共6页附件3:外文文献译文.共 6页附件4:外文文献原文.共7页开题报告附录一:小波包分析在信号处理中的应用开题报告 班级(学号) 姓名:正正 指导老师 周杰伦 一. 综述(一) 意义众所周知,由于图像在采集、数字化和传输过程中常受到各种噪声的干扰,从而使数字图像中包含了大量的噪声。能否从受扰信号中获得去噪的信息,不仅与干扰的性质和信号形式有关,也与信号的处理方式有关。在实际应用中,针对不同性质的信号和干扰,寻找最佳的处理方法降低噪声,一直是信号处理领域广泛讨论的重要问题。(二) 现状
2、小波包分析的应用是与小波包分析的理论研究紧密地结合在一起的。现在,它已经在科技信息产业领域取得了令人瞩目的成就。电子信息技术是六大高新技术中重要的一个领域,它的重点方面是图像及信号处理。如今,信号处理已经成为当代科学技术工作的重要组成部分,信号处理的目的就是:准确的分析、诊断、编码、压缩和量化、快速传递或存储、精确的恢复(或重构)。从数学的角度来看,信号与图像处理可以统一看作是信号处理,在小波包分析的许多分析的许多应用中,都可以归结为信号处理问题。(三) 应用领域小波包分析的应用领域十分广泛,它包括:信号分析、图象处理、量子力学、理论物理、军事电子对抗与武器的智能化、计算机分类与识别、音乐与语
3、言的人工合成、医学成像与诊断、地震勘探数据处理、大型机械的故障诊断等方面。例如,在数学方面,它已用于数值分析、构造快速数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪、压缩、传递等。在图像处理方面的图象压缩、分类、识别与诊断,去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间,提高分辨率等。小波包分析用于信号与图像压缩是小波包分析应用的一个重要方面。它的特点是压缩比高,压缩速度快,压缩后能保持信号与图像的特征不变,且在传递中可以抗干扰。基于小波包分析的压缩方法很多,比较成功的有小波包最好基方法,小波域纹理模型方法,小波变换零树压缩,小波变换向量压缩等。小波包在
4、信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。二. 研究内容(一) 研究方向:小波包分析在图像去噪处理中的应用。(二) 研究内容:利用小波包的基本原理实现含噪信号的分析及信号中噪声的去除处理。图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质,这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响,噪声种类很多,如:电噪声、机械噪声、信道噪声和其他噪声。在图像处理中,图像去噪是一个永恒的主题,为了抑制噪声,改善图像质量,便于更高层次的处理,必须对图像进行去噪处理。(三) 系统功能:如
5、图1,小波包分析对信号进行去噪处理的功能模板图1 系统功能模块1) 对图像进行小波包分解选择合适的小波和恰当的小波分解的层次N,然后对图像进行N层小波包分解计算。2) 确定最优小波包基在对图像进行小波分解时,可以最优基的选择标准是熵标准。在MATLAB的小波工具箱中,可通过besttree函数进行最优基的选择 ,也就是计算最佳树。3) 小波包分解系数的阈值量化对于每一个小波包分解系数,选择一个适当的阈值并对系数进行阈值量化。阈值的选取,采用给定阈值方式进行,因为这种阈值比默认阈值的可信度高。小波包图形工具给出一个初值,然后用户根据需要重新选择阈值以满足要求。4) 图像的小波包重构根据最低层的小
6、波包分解系数和经过量化处理的系数,进行图像的小波包重构。三. 实现方法及预期目标(一) 初步实现方案对二维图像信号的去噪方法同样适用于一维信号,尤其是对于几何图像更适合。二维模型可以表述为: s(i,j)=f( i,j)+e(i,j) i,j=0,1,,m-1 (3.1)其中,e是标准偏差不变的高斯白噪声。二维信号用二维小波分析的去噪步骤有3步:1) 二维信号的小波分解。选择一个小波和小波分解的层次N,然后计算信号s到第N层的分解。2) 对高频系数进行阈值量化。对于从1到N的每一层,选择一个阈值,并对这一层的高频系数进行软阈值量化处理。3) 二维小波的重构。根据小波分解的第N层的低频系数和经过
7、修改的从第一层到第N层的各层高频系数计算二维信号的小波重构。(二)重点与难点:如何选取阈值及如何进行阈值的量化。(三)设计环境本次毕设所用的工具是MATLAB7.0软件。MATLAB是Math Works公司开发的一种跨平台的,用于矩阵数值计算的简单高效的数学语言,与其它计算机高级语言如C, C+, Fortran, Basic, Pascal等相比,MATLAB语言编程要简洁得多,编程语句更加接近数学描述,可读性好,其强大的功能和可视化数据处理能力也是其他高级语言望尘莫及的。四. 对进度的具体安排第12周:调研,查找资料;英文资料的翻译。第3周:撰写开题报告;开题。第46周:小波包去除信号中
8、噪声实现方案的设计;相关软件的学习。第710周:小波包去除信号中噪声的设计与实现;期中毕业设计检查。第1113周:小波包去除信号中噪声的实现;撰写毕业设计论文;整体调试。第1415周:修改毕业设计论文;准备毕业设计答辩。第1617周:毕业设计答辩。五.参考文献1李世雄.小波变换及应用M.北京:高等教育出版社,19972彭玉华.小波变换与工程应用M.北京:科学出版社,19993赵瑞珍.小波理论及其在图像信号处理中的算法研究M.西安:西安电子科技大学,2002.4章毓晋.图像处理和分析基础M.北京:高等教育出版社,2002.5李弼程,罗建书.小波分析及其应用M.北京:电子工业出版社,2003.6陈
9、武凡.小波分析及其在图像处理中的应用M.北京:科学出版社,2002.7张兆礼,梅晓丹.现代图像处理技术及Matlab实现M.北京:人民邮电出版社,2001.8刘贵忠,邸双亮.小波分析及其应用M.西安:西安电子科技大学出版社,1992.9奉前清,杨宗凯.实用小波分析M.西安:西安电子科技大学出版社,2000. 10 Cohen A. Wavelets and Multiscale Signal ProcessingM. Chapman and Hall,1995.11 Donoho D L.De-noising via soft-thresholdingJ.IEEE Trans.Inform.T
10、heory,199512 Jansen M , Bultheel A. Multiple wavelet threshold estimation by generalized cross validation for images with correlated noise J.IEEE Trans. Image Processing,1999.13 YA Wu, R.Du.Feature Extraction and Assessment Using Wavelet Packet for Monitoring of Machining ProcessesJ.Me-chanical Syst
11、ems and Signal Processing,1996指导老师:(签署意见并签字) 年 月 日督导老师:(签署意见并签字) 年 月 日领导小组审查意见: 审查人签字: 年 月 日7程序源代码附录二:程序源代码1.研究分解层次的程序:load flujet;subplot(2,3,1);image(X);colormap(map);title(原始图像);axis square;init=2055615866;randn(seed,init);X1=X+20*randn(size(X);subplot(2,3,2);image(X1);colormap(map);title(含噪图像);a
12、xis square;T=wpdec2(X1,1,sym4);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(2,3,3);image(X2);colormap(map);title(小波分解1层);axis square;T=wpdec2(X1,2,sym4);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(2,3,4);image(X2);colormap(map);title(小波分解2层);axis square;T=wpdec2(X1,3,sym4)
13、;thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(2,3,5);image(X2);colormap(map);title(小波分解3层);axis square;T=wpdec2(X1,4,sym4);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(2,3,6);image(X2);colormap(map);title(小波分解4层);axis square;2. 研究不同小波基的程序:load flujet;subplot(3,3,1);image(X)
14、;colormap(map);title(原始图像);axis square;init=2055615866;randn(seed,init);X1=X+20*randn(size(X);subplot(3,3,2);image(X1);colormap(map);title(含噪图像);axis square;T=wpdec2(X1,1,sym2);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,4);image(X2);colormap(map);title(sym2小波去噪图像);axis square;T=wp
15、dec2(X1,1,sym4);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,5);image(X2);colormap(map);title(sym4小波去噪图像);axis square;T=wpdec2(X1,1,haar);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,6);image(X2);colormap(map);title(haar小波去噪图像);axis square;T=wpdec2(X1,1,bior2.2);thr
16、=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,7);image(X2);colormap(map);title(bior2.2小波去噪图像);axis square;T=wpdec2(X1,1,coif2);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,8);image(X2);colormap(map);title(coif2小波去噪图像);axis square;T=wpdec2(X1,1,db10);thr=8.342;NT=wpthcoe
17、f(T,0,s,thr);X2=wprcoef(NT,1);subplot(3,3,9);image(X2);colormap(map);title(db10小波去噪图像);axis square;3.研究不同阈值的程序load flujet;subplot(2,2,1);image(X);colormap(map);title(原始图像);axis square;init=2055615866;randn(seed,init);X1=X+20*randn(size(X);subplot(2,2,2);image(X1);colormap(map);title(含噪图像);axis squar
18、e;T=wpdec2(X1,1,sym2);thr=8.342;NT=wpthcoef(T,0,s,thr);X2=wprcoef(NT,1);subplot(2,2,3);image(X2);colormap(map);title(软阈值去噪后的图像);axis square;T=wpdec2(X1,1,sym2);thr=8.342;NT=wpthcoef(T,0,h,thr);X2=wprcoef(NT,1);subplot(2,2,4);image(X2);colormap(map);title(硬阈值去噪后的图像);axis square;4.研究噪声选取的程序a=imread(漫画
19、.jpg);subplot(2,2,1);imshow(a);axis off;title(处理前图像);p1=0;p2=0.02;y1=imnoise(a,gaussian,p1,p2);%高斯噪声y2=imnoise(a,salt & pepper,p2);%椒盐噪声y3=imnoise(a,speckle,p2);%乘性噪声subplot(2,2,2);imshow(y1);title(添加高斯噪声后的图像);subplot(2,2,3);imshow(y2);title(添加椒盐噪声后图像);subplot(2,2,4);imshow(y3);title(添加乘性噪声后图像);5. 小
20、波包去噪成果展示%装载并显示原始图像load flujet;subplot(1,3,1);image(X);colormap(map);title(原始图像);axis square;%在图像中加入噪声init=2055615866;randn(seed,init);X1=X+10*randn(size(X);subplot(1,3,2);image(X1);colormap(map);title(含噪图像);axis square;%基于小波包的消噪处理thr=10;sorh=s;crit=shannon;keepapp=0;X2=wpdencmp(X1,sorh,3,sym4,crit,t
21、hr,keepapp);%画出消噪后的图像subplot(1,3,3);image(X2);colormap(map);title(消噪后的图像);axis square;外文文献译文附录三:外文文献译文一种新型基于小波图像去噪法(一) 基础知识介绍近年来,小波理论得到了非常迅速的发展,而且由于其具备良好的时频特性,实际应用也非常广泛。这里希望利用小波的自身特性,在降低噪声影响的同时,尽量保持图像本身的有用细节和边缘信息,从而保证图像的最佳效果。其中图像的小波阈值去噪方法可以说是众多图像去噪方法的佼佼者。1.1小波理论:一种数学方法本节介绍了小波分析理论的主要思想,这也可以认为是对信号分析技术
22、,最根本的概念。FT定义使用基函数的傅里叶分析和重建功能。向量空间中的每一个向量可以写成在该向量空间基础上的向量的线性组合,即一些常数乘以数的向量,然后通过采取求和的产品。信号的分析牵涉到这些常量数字(变换系数,或傅立叶系数,小波系数等)的合成,或重建,对应的计算公式的线性组合。 这个主题中所有的定义及相关定理都可以在Keiser的书中找到,是一个很好的指导,但是要想对小波函数是如何工作的有一个专业的理解,必须要了解小波理论的基本原则,入门级的知识。因此,这些信息将提交本节。 1.2小波合成连续小波变换是一种可逆的变换,只要满足方程2。幸运的是,这是一个非限制性规定。如果方程2得到满足,连续小
23、波变换是可逆的,即使基函数一般都是不正交的。重建可能是使用下面的重建公式:公式1小波逆变换公式其中C_psi是一个常量,取决于所使用的小波。该重建的成功取决于这个叫做受理的常数,受理满足以下条件:公式2受理条件方程这里 psihat(xi) 是 FT 的psi(t),方程2意味着psihat(0) = 0,这是:公式3如上所述,公式3并不是一个非常严格的要求,因为许多小波函数可以找到它的积分是零。要满足方程3,小波必须振荡。1.3连续小波变换连续小波变换作为一种替代快速傅里叶变换办法来发展,克服分析的问题 。小波分析和STFT的分析方法类似,在这个意义上说,就是信号和一个函数相乘,它的小波,类
24、似的STFT的窗口功能,并转换为不同分段的时域信号。但是,STFT和连续小波变换二者之间的主要区别是:1、Fourier转换的信号不采取窗口,因此,单峰将被视为对应一个正弦波,即负频率是没有计算。 2、窗口的宽度是相对于光谱的每一个组件变化而变化的,这是小波变换计算最重要的特征。 连续小波变换的定义如下:公式4从上面的方程可以看出,改变信号功能的有两个变量,和s,分别是转换参数和尺度参数。psi(t)为转化功能,它被称为母小波。母小波一词得名是由于如下所述的两个小波分析的重要性质:这个词意味着小波浪。小指的条件是本(窗口)函数的有限长度的(紧支持)。波指的条件是这个函数是振荡的。这个词意味着母
25、波在支持不同类型波的转型过程中起主要作用,或者叫母小波。换句话说,母小波是产生其他窗口功能的原型。这个术语的解释和它在STFT中的意义一样,它关系到窗口的位置,因为窗口是通过信号转换而来的。这个词,很明显,对应变换域的时间信息。但是,我们没有一个频率参数,因为我们之前STFT。相反的我们具有放缩参数,它定义为$ 1/frequency$。这个词的频率是留给STFT的。下一节对放缩参数进行了更详细的描述。1.4多分辨率分析虽然时间和频率分辨率的问题是一种物理现象(海森堡测不准原理)无论是否使用变换,它都存在,但是它可以使用替代方法分析,称为信号多分辨率分析(MRA)。MRA,如它的名字一样,分析
26、了不同分辨率不同频率的信号。每个频谱分量不能得到同样的解决是因为在STFT的情况下。MRA是为了在高频率时,能够得到良好的时间分辨率和较差的频率分辨率,而在低频率时,能够得到良好的频率分辨率和较差的时间分辨率而设计的。这种方法是十分有意义的,特别是当手头的信号高频成分持续时间短和低频成分持续时间长时。幸运的是,在实际应用中所遇到的信号往往是这种类型。例如,下面显示了这种类型的信号。它有一个贯穿整个信号相对较低的频率分量,而在信号中间有一个短暂的、相对较高的频率成分。1.5小波包在特定的信号分析中任何性能的变化都是高度基于基础功能的变换。在小波包分析中正交镜像滤波器(QMF)的选择应该在选取方案
27、中重点考虑。在一个特定的信号分析中选择适当的正交镜像滤波器的不仅取决于信号,也取决于它的分辨率。概括的讲,对每一级分解时对最佳正交镜像滤波器的选取进行探入探究的过程称为混合小波包分析。计算结果表明,优化的混合小波包基可更好的进行数字信号压缩,同时提供开发选取这些最优基的方法,离散小波变换(小波变换)的特点可以看做一对递归应用的高通和低通滤波器形成了一个镜像滤波器。小波变换的计算由高通和低通滤波器过滤信号开始的,然后进行下采样输出。应用正交镜像滤波器计算所得的结果对该低通滤波器进行输出。之后的递归算法只不过是一个反复应用正交镜象滤波器的低通滤波输出,在这些略有变化的操作中,小波包逐渐产生了。计算
28、小波包分解。在程序开始之前,镜像的数据与下采样保持一致。然而,此时正交镜象滤波器的计算输出不仅是低通输出,同时也是高通输出。递归算法可简化过滤,也可在原先的水平下简化采样输出。小波包计算特点是靠二叉树的每个分支代表高通和低通滤波器的输出滤波根节点形成十进制图示完成计算的。表0.1定义为一个小波包树。对小波包的递归应用结构来讲,它是一个组织输出的单一镜像。1.6混合小波包正交镜象滤波器的选择依赖于初始条件,,是对性能无大影响的十大标准小波包库。由于实验研究者对给定小波选择问题有一些经验,所以他们对于开发选择可靠适合的特定信号表示基的方法可参考曾经的试验经验。是进行子带信号分解的一种相当普遍的方法
29、。一般设计的正交镜像滤波器组目标是压缩对单独一个子带的带宽需求,使得信息可以借助于多个物理上带限的信道流过滤波器组。两通道系统的基本结构如图所示,包括两个输人输出路径,每个路径的带宽需求是原始带宽指标的一半。选择适当的正交镜像滤波器实质上影响压缩方案的性能,对于不同的正交镜像滤波器最好最简单的解决方案是选择最好中的最好的。这提供了改进压缩的可行性,但这种简单的方法很少使用,基本上只用在多个正交镜象滤波器组中。(二) 复杂脊波图像去噪2.1介绍小波变换已成功地应用于许多科学领域,仅举几例,如图像压缩,图像去噪,信号处理,计算机图形和模式识别。Donoho和他的同事们提出了小波阈值去噪通过软阈值和
30、阈值.这种方法的出现对于大量的应用程序是一个好的选择。这是因为一个小波变换能结合的能量,在一小部分的大型系数和大多数的小波系数中非常小,这样他们可以设置为零。这个阈值的小波系数是可以做到的只有细节的小波分解子带。我们有一些低频波子带不能碰触,让他们不阈值。众所周知,Donoho提出的方法的优势是光滑和自适应。然而,Coifman和Donoho指出,这种算法展示出一个视觉产出:吉布斯现象在邻近的间断。因此,他们提出对这些产出去噪通过平均抑制所有循环信号。实验结果证实单目标识别小波消噪优于没有目标识别的情况。Bui和Chen扩展了这个目标识别计划,他们发现多小波的目标识别去噪的结果比单小波去噪的结
31、果要好。蔡和西尔弗曼提出了一种阈值方案通过采取相邻的系数。他们结果表现出的优势超于了传统的一对一小波消燥。Chen和Bui扩展这个相邻小波阈值为多小波方法。他们声称对于某些标准测试信号和真实图像相邻的多小波降噪优于相邻的单一小波去噪。陈等人提出一种图像去噪是考虑方形相邻的小波域。陈等人也尝试对图像去噪自定义小波域和阈值。实验结果表明:这两种方法产生更好的去噪效果。 研究脊波变换的数多年来打破了小波变换的局限性。将小波变换产生的二维图像在每个规模大的小波系数的分解。有这么多的大系数,对于图像去噪有很多困难。我们知道脊波变换已经成功用于分析数字图像。不像小波变换,脊波变换过程首先计算积分在不同的方
32、向和位置的数据。沿着“x1cos_ + x2sin_ = 常数” 一条线的脊波是不变的。在这些脊的方向正交小波变换是一。最近脊波已成功应用于图像去噪。在本文中,我们结合dual-tree complex wavelet in the ridgelet transfo二元树复小波的脊波变换中并将其应用到图像降噪。这种近似二元树性能的复杂变性小波和良好性能的脊波使我们有更好的方法去图像去噪。实验结果表明,采用二元树复杂脊波在所有去噪图像和许多不同噪音中我们的算法获得较高的峰值信噪比(PSNR)。这篇文章大体是这样的。在第二部分,我们将解释如何将二元树复杂的波变换成脊波去图像去噪。实验结果在第2.3
33、节。2.2用复杂脊波图像去噪离散脊波变换提供接近理想的稀松代表光滑的物体边缘。高斯去噪是一个接近最优的方法。脊波变换能够压缩图像能量成为少量的脊波系数。在另一方面,利用小波变换产生的多大的小波系数对每个尺度边缘二维小波分解。这句话的意思是说许多小波系数进行重构在图像的边缘。我们知道近似氡转化为数字数据可以基于离散傅立叶变换。普通的脊波变换即可达到如下:1.计算出二维FFT的图像。2.替补的采样傅里叶广域上变换得到晶格和极性格的采样值。3.计算一维逆FFT每一个角的线。4.执行一维标量小波对角线结果,获取脊波系数。众所周知,普通的离散小波变换在变换期间是不移位和不转变的。输入信号的一个小小的改变
34、能够引起输出小波系数很大的变化。为了克服这个问题,Kingsbury发明了一种新型的小波变换,叫做二元树复杂小波变换,它能够转移性能和提高近似角分辨率不变。由于标量波不是转移不变的,在脊波变换中就更好的应用二元树复杂小波变换这样我们就可以叫我们的复杂脊波。这样可以通过取代一维标量小波的一维二元树复杂小波在最后一步进行脊波变换。用这种方法我们可以优秀品质的脊波变换用来替换二元树发杂脊波。这个复杂的脊波变换可以应用到整体图像,或者我们可以应用到分割图像大量重叠的平方或者在每一平方上运用脊波变换。我们分解一组n*n的影像重叠顺利进入边长R的象素是重叠的是两个相邻长方形的数组大小为R/2*R两者之间重
35、叠的相邻区域就是一个长方形的大小R*R/2。对于一个n*n的图像,我们能够计数2n=R对于不同方向的模块,这个分区就引入了4倍的冗余。为了得到降噪的复杂脊波系数我们通常在当前象素地位对降噪的复杂脊波系数进行平均4份。复杂的脊波变换阈值类似于曲波阈值。当我们求阈值时一个不同是我们采取的是复杂的脊波系数。当y是带噪的脊波系数。我们使用下列硬阈值规则估算未知的脊波系数。当y k, 我们令= .否则,y_ = 0.在这里,是通过用蒙特卡罗模拟接近。采用的系数k是依赖于噪声系数。当这个小于30时,我们用k=5首先分解尺度和k=4分解其他尺度。当这个噪音系数大于30时,我们用k=6首次分解尺度和k=5分解
36、其他尺度。这个复杂的脊波去噪算法能够被描述如下:1.图像分割成R*R块,两个垂直相邻的R/2*R重叠,两个水平象素块R*R/2重叠。2.对于每一块,应用所提出的复杂脊波,复杂脊波系数的阈值,复杂脊波的逆换算。3.在同一位置以平均象素对图像去噪。我们称这种算法叫,同时我们使用普通的脊波。这个计算复杂度的ComRidgeletShrink是和小波RidgeletShrink的标量相似。唯一的区别是我们取代了一维小波变换与一维二元树发杂小波变换。这个数量的计算是一维二元树复数小波的变换是一维小波变换的两倍。该算法的其他计算步骤保持相同。我们的实验结果显示ComRidgeletShrink优于V is
37、uShrink, RidgeletShink, and 过滤器wiener2等所有测试案例。在某些情况下,我们在RidgeletShink中能够提高0.8db的信噪比。通过V isuShrink,能够改善更大的去噪图像。这表明ComRidgeletSrink对于自然图像去噪是一个很好的选择。2.3实验结果我们通过对众所周知的蕾娜进行处理,通过Donoho等人我们得到了这种图片的自由软体包WaveLab。带有不同噪音的噪音图像时通过对原无噪音图像添加高斯白噪音得到的。与之相比,我们实行VisuShrink, RidgeletShrink, ComRidgeletShrink and wiener
38、2。VisuShrink是通用软阈值去噪技术。这个wiener2函数是可以从MatLab图像工具箱得到,我们用一个5*5的相邻图像在每个象素中。该wiener2适用于一个维纳滤波器(一种线性的滤波器)图形自适应。剪裁自己的图像局部方差。峰值信噪比的实验结果显示的表1.我们发现对于分区块的大小32*32或者64*64是最好的选择。表1是对蕾娜图像进行去噪,根据不同的噪声水平固定分区和一素块为32*32。表格中的第一栏是原来带噪图片的信噪比,其他列是通过不同去噪方法得到的去噪图像信噪比。这个信噪比被定义PSNR = 10 log10Pi;j (B(i; j) A(j)2n22552;其中B是去噪图
39、像A是无噪音图像。从表1.我们可以看出VisuShrink ,ComRidgeletShrink是优于不同RidgeletShrink和wiener2在所有案例中。当噪音低时VisuShrink没有去噪能力。在这样的情况下,VisuShrink将产生比原来的去噪图像更糟的结果。然而,ComRidgeletShrink在这种情况下取得较好的效果。在某些情况下,ComRidgeletShrink能够比普通RidgeletShrink多提供给我们0.8db。这表明,我们把二元树结合复数的小波变换成脊波变换能够明显的改善我们图像去噪的效果。ComRidgeletShrink超越VisuShrink的表
40、现更重要的是所有噪音水平和图像测试。图一显示的是在无噪音图像,添加噪音的图像,用VisuShrink去噪的图像,用RidgeletShrink去噪的图像,用ComRidgeletShrink去噪的图像,用wiener2去噪的图像,在一个分区大小为32*32的象素块中。ComRidgeletShrink在视觉上产生的效果比VisuShrink ,wiener2 RidgeletShrink更清晰具有高线性和恢复曲线的特点。(三) 总结本文基于小波变换对信号去噪进行了深入地分析和研究,结合去噪原理讨论和比较了实际应用中对小波基及阈值规则的合理选取问题。实验结果表明,利用小波去噪能实现对各种信号的去
41、噪,且效果比较明显。 外文文献原文附录四:外文文献原文A New Ways Of Signals Denoised By Wavelet() BASIC THEORYIn recent years,wavelet theory has been very rapid development,but also because of its good time-frequency character istics of awide range of practical applications. Here wish to take advantage of the self-wavelet fea
42、tures,in the reduction of noise at the same time,to keep the details of the image itself and the edge of useful information,thus ensuring the best image.one of image wavelet thresholding denoising method can be said that many image denoising methods are the best.1.1 THE WAVELET THEORY: A MATHEMATICA
43、L APPROACHThis section describes the main idea of wavelet analysis theory, which can also be considered to be the underlying concept of most of the signal analysis techniques. The FT defined by Fourier use basis functions to analyze and reconstruct a function. Every vector in a vector space can be w
44、ritten as a linear combination of the basis vectors in that vector space , i.e., by multiplying the vectors by some constant numbers, and then by taking the summation of the products. The analysis of the signal involves the estimation of these constant numbers (transform coefficients, or Fourier coe
45、fficients, wavelet coefficients, etc). The synthesis, or the reconstruction, corresponds to computing the linear combination equation.All the definitions and theorems related to this subject can be found in Keisers book, A Friendly Guide to Wavelets but an introductory level knowledge of how basis functions work is necessary to understand the underlying principles of th