1.前言：

圖像去噪是信號處理的一個經典問題，傳統的去噪方法多采用平均或線性法法進行，最常用到的就是維納濾波，但是他的降噪效果并不是很明顯。小波分析法開辟了非線性降噪的先河，小波能夠降噪得益于小波變換的以下特點：低熵性（小波系數稀松分布，使圖像變換后的熵降低）、多分辨率特性（極好的刻畫了信號的非平穩性）、去相關性（噪聲在變換后有白化趨勢，小波域更有利于去噪）

目前，主流的小波去噪方法主要集中在三個方面：基于小波變換模極大值降噪、基于相鄰尺度小波系數相關性去燥、基于小波變換域閾值去噪（硬閾值與軟閾值、全局閾值與局部自適應閾值）。

2.小波圖像去燥實現的步驟：

1.二維信號的小波分解。選擇一個小波和小波分解的層次N，然后計算信號s到第N層的分解。

2.對高頻系數進行閾值量化，對于從1~N的每一層，選擇一個閾值，并對這一層的高頻系數進行軟閾值量化處理。

3.二維小波重構

3.小波系數閾值降噪

<span style="font-size:18px;">clear all; load facets; subplot(221);image(X); colormap(map); xlabel('(a)原始圖像'); axis square %產生含噪聲圖像 init=2055615866;randn('seed',init) x=X+50*randn(size(X)); subplot(222);image(x); colormap(map); xlabel('(b)含噪聲圖像'); axis square %下面進行圖像的去噪處理 %用小波畫數coif3對x進行2層小波分解 [c,s]=wavedec2(x,2,'coif3'); %提取小波分解中第一層的低頻圖像，即實現了低通濾波去噪 %設置尺度向量n n=[1,2]; %設置閾值向量p p=[10.12,23.28]; %對三個方向高頻系數進行閾值處理 nc=wthcoef2('h',c,s,n,p,'s'); nc=wthcoef2('v',c,s,n,p,'s'); nc=wthcoef2('d',c,s,n,p,'s'); %對新的小波分解結構[nc，s]進行重構 x1=waverec2(nc,s,'coif3'); subplot(223);image(x1); colormap(map); xlabel('(c)第一次去噪后的圖像'); axis square; xx=wthcoef2('v',nc,s,n,p,'s'); x2=waverec2(xx,s,'coif2');%圖像的二維小波重構 subplot(2,2,4);image(x2); colormap(map); xlabel('(d)第二次消噪后圖解'); axis square; </span>降噪結果：

4.全局軟閾值降噪

<span style="font-size:18px;"><span style="font-size:18px;">clear all; load detfingr; subplot(131);image(X); colormap(map); xlabel('(a)原始圖像'); axis square; init=255615866; randn('state',init); %添加隨機值 x=X+20*randn(size(X)); subplot(132);image(x); colormap(map); xlabel('(b)含噪圖像'); axis square; [thr,sorh,kep]=ddencmp('den','wv',x); %使用全局閾值選項進行圖像消噪處理 xd=wdencmp('gbl',x,'sym5',2,thr,sorh,kep); subplot(133);image(xd) colormap(map); xlabel('(c)消噪圖像'); axis square;</span><span style="font-size:24px;"> </span></span>降噪結果：

總結

以上是生活随笔為你收集整理的小波的秘密8_图像处理应用:图像降噪的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。