基于边缘增强的自适应阈值图像去噪

摘要

由于小波变换后的图像能量主要分布在低频部分，噪声基本上分布在高频部分，而图像的边缘信息是图像最为有用的高频信息。因此，利用传统的方法去噪时，虽然能较好的去除图像中的噪声，但不能较好的保留图像的边缘信息，而且全局阈值法会“过扼杀”小波系数，使图像的信息被去除。 该文使用边缘检测的方法检测出图像的边缘和纹理细节，对检测出的边缘和纹理细节图像进行处理后，将它和含噪图像分别进行小波变换，然后将其小波系数对应叠加，最后对叠加之后的小波系数进行小波自适应软阈值去噪。由于在阈值去噪前叠加了边缘信息，因此边缘和细节部分得到了增强，虽然在阈值处理过程中由于边缘和细节均处于高频部分，在随后的软阈值去噪过程中存在被平滑的危险，但是增强后边缘和纹理的小波系数的幅值被放大，在阈值处理时可以得以保留。实验证明该方法比较传统方法在视觉效果和信噪比方面都有较大的改善。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题背景及研究意义

1.2本文的主要内容及结构安排

第二章小波变换理论

2.1傅里叶变换

2.2小波变换

2.3连续小波变换

2.4离散小波变换

2.5多分辨分析

2.6 Mallat算法

2.7平稳小波变换

第三章小波变换在图像去噪中的应用

3.1传统去噪方法

3.2小波域去噪方法

3.2.1小波域图像去噪准则和小波基选取

3.2.2奇异点检测去噪

3.2.3阈值法去噪

3.2.4贝叶斯方法去噪

3.3图像去噪质量的评价

第四章图像的边缘检测技术

4.1边缘及边缘检测的定义

4.2边缘检测的方法

4.3几种边缘检测算法

4.3.1 RobertS算子

4.3.2 Prewitt算子和Sobel算子

4.3.3 Canny算法

4.3.4小波变换的模极大值边缘检测方法

第五章基于边缘增强的自适应阈值去噪法

5.1去噪原理

5.2实现方法

5.2.1边缘检测

5.2.2边缘增强

5.2.3自适应小波阈值去噪

5.3仿真结果及讨论

5.3.1用四种去噪方法对受高斯噪声污染的图像进行去噪

5.3.2用四种去噪方法对受斑点噪声污染的图像进行去噪

5.3.3用四种去噪方法对受椒盐噪声污染的图像进行去噪。

5.4结论

第六章总结与展望

参考文献

攻读学位期间发表的论文

致谢