CN112634164A - 一种基于多尺度哈尔小波变换的图像去噪方法 - Google Patents
一种基于多尺度哈尔小波变换的图像去噪方法 Download PDFInfo
- Publication number
- CN112634164A CN112634164A CN202011596024.XA CN202011596024A CN112634164A CN 112634164 A CN112634164 A CN 112634164A CN 202011596024 A CN202011596024 A CN 202011596024A CN 112634164 A CN112634164 A CN 112634164A
- Authority
- CN
- China
- Prior art keywords
- block
- image
- haar wavelet
- frequency component
- wavelet transform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 abstract description 6
- 235000002566 Capsicum Nutrition 0.000 abstract description 5
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 5
- 235000017804 Piper guineense Nutrition 0.000 abstract description 5
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 150000003839 salts Chemical class 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 abstract description 3
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 17
- 241000722363 Piper Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于多尺度哈尔小波变换的图像去噪方法，包括：S1、针对含有噪声的原图像
进行哈尔小波变换；S2、对低频分量LL对应图块gLL1再次进行哈尔小波变换；S3、采用软硬阈值对对角线方向上的高频分量HH图块gHH2去噪，形成图块
S4、对图块
图块gHL2、图块gLH2及图块gLL2做哈尔小波逆变换，得到图像为去噪处理后的图块
S5、将图块
图块gHL1、图块gLH1及图块gHH做哈尔小波逆变换，得到的图像即为去噪处理后的原图像。波分解后的各层细节系数采用自适应软硬阈值处理，可保留大部分边缘信号系数的同时去除大部分噪声的同时且能较好地保持图像轮廓、边缘等细节信息，对图像中的椒盐噪声、高斯噪声均有较好的处理效果。
Description
技术领域
本发明属于图像去噪技术领域，更具体地，本发明涉及一种基于多尺度哈尔小波变换的图像去噪方法。
背景技术
数字图像去噪技术一直以来都是数字图像处理研究领域的一个热点问题，该技术在当代越来越重要，并广泛应用到人们生活的方方面面。在数字化发展的今天，信息在人们生活和工作中作用越来越突出，并逐渐改变着人们的生活和工作方式，其中最主要、最直接的信息就是图像信息。然而，在实际应用中数字图像经常会由于元器件、电阻、电磁干扰等设备因素，温度光照等外界因素以及认为因素的影响产生图像噪声，从而使得图像质量不理想，偏离了原始图片。因此，数字图像去噪就成为一个急需解决的，具有很像的现实意义。
常用的图像去噪方法有均值滤波和中值滤波。其中均值滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)。均值滤波相当于低通滤波，有将图像模糊化的趋势，对椒盐噪声基本无能为力。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。中值滤波的优点是可以很好的过滤掉椒盐噪声，缺点是易造成图像的不连续性。
发明内容
本发明提供了一种基于多尺度哈尔小波变换的图像去噪方法，旨在改善上述问题。
本发明是这样实现的，一种基于多尺度哈尔小波变换的图像去噪方法，所述方法具体包括如下步骤：
S1、针对含有噪声的原图像
进行哈尔小波变换，获取哈尔小波变换后的图像g在低频分量LL、在水平方向上的高频分量HL、在竖直方向上的高频分量LH及对角线方向上的高频分量HH上的图块gLL1、图块gHL1、图块gLH1及图块gHH1；
S2、对图块gLL1再次进行哈尔小波变换，获取哈尔小波变换后的图像g′LL1在低频分量LL、在水平方向上的高频分量HL、在竖直方向上的高频分量LH及对角线方向上的高频分量HH上的图块gLL2、图块gHL2、图块gLH2及图块gHH2是图像g在对应的图块；
S3、采用软硬阈值对图块gHH2去噪，形成图块gHH2*；
S4、对图块gHH2*、图块gHL2、图块gLH2及图块gLL2做哈尔小波逆变换，得到图像为去噪处理后的图块gLL1*；
S5、将图块gLL1*、图块gHL1、图块gLH1及图块gHH做哈尔小波逆变换，得到的图像即为去噪处理后的原图像。
进一步的，所述步骤S3具体包括如下步骤：
S31、计算图块gHH2的硬阈值，采用如下公式行计算：
λ＝σ·2log N
其中，N代表图块gHH2中的像素数量，σ代表噪声的标准差，标准差的计算公式如下：
σ＝MAD/0.6745
其中，MAD代表图块gHH2的像素值中位数；
S32、基于硬阈值来对图块gHH2进行去噪处理，处理过程具体如下：
其中，gHH2*代表图块gHH2去噪处理后形成的图块。
进一步的，哈尔小波变换表示具体如下：
其中，
表示哈尔小波变换前的原图像，G表示图像
经哈尔小波变换形成的图像，H为哈尔变换矩阵，
gLL是图像G的低频分量LL对应的图块，gHL是图像G在水平方向上的高频分量HL对应的图块，gLH是图像G在竖直方向上的高频分量LH对应的图块，gHH是图像G在对角线方向上的高频分量HH对应的图块。
本发明图像去噪方法不仅更好保留了图像细节，而且计算量和算法复杂度较小。小波分解后的各层细节系数采用自适应软硬阈值处理，可保留大部分边缘信号系数的同时去除大部分噪声的同时且能较好地保持图像轮廓、边缘等细节信息，对图像中的椒盐噪声、高斯噪声均有较好的处理效果。
附图说明
图1为本发明实施例提供的基于多尺度哈尔小波变换的图像去噪方法流程图；
图2为本发明实施例提供的基于多尺度哈尔小波变换的图像去噪过程的示意图；
图3为本发明实施例提供的去噪效果对比图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
图1为本发明实施例提供的基于多尺度哈尔小波变换的图像去噪方法流程图，图2为本发明实施例提供的基于多尺度哈尔小波变换的图像去噪过程的示意图；
该方法具体包括如下步骤：
S1、针对含有噪声的原图像
进行第一次哈尔小波变换；
将含有噪声的原图像分解为不同尺度下的频域分量图块，用哈尔变换矩阵
对含有噪声的图像进行如下变换：
其中，
表示含有噪声的原图像，g表示图像
经第一次哈尔小波变换形成的图像，由四个图块组成，gLL1是图像g的低频分量LL对应的图块，gHL1是图像g在水平方向上的高频分量HL对应的图块，gLH1是图像g在竖直方向上的高频分量LH对应的图块，gHH1是图像g在对角线方向上的高频分量HH对应的图块；
S2、对含有噪声的图像进行第二层哈尔小波变换：
用哈尔变换矩阵
对低频系数LL1对应的图块gLL1再次进行哈尔小波变换，表示如下：
g′LL1表示图块gLL1经哈尔小波变换形成的图像，gLL2是图块g′LL1的低频分量LL对应的图块，gHL2是图块g′LL1在水平方向上的高频分量HL对应的图块，gLH2是图块g′LL1在竖直方向上的高频分量LH对应的图块，gHH2是g′LL2在对角线方向上的高频分量HH对应的图块。
S3、计算图块gHH2的阈值，采用如下公式行计算：
λ＝σ·2log N
其中，N代表图块gHH2中的像素数量，σ代表噪声的标准差，标准差的计算公式如下：
σ＝MAD/0.6745
其中，MAD代表图块gHH2的像素值中位数。
S4、对图块gHH2进行去噪处理，其过程进行以下处理：
其中，gHH2*代表图块gHH2去噪处理后形成的图块。
S4、对图块gHH2*、图块gHL2、图块gLH2及图块gLL2做哈尔小波逆变换，得到图像为去噪处理后的图块gLL1*；
S5、将图块gLL1*、图块gHL1、图块gLH1及图块gHH做哈尔小波逆变换，得到的图像即为去噪处理后的原图像。
本发明方法不仅更好保留了图像细节，而且计算量和算法复杂度较小。小波分解后的各层细节系数采用自适应软硬阈值处理，可保留大部分边缘信号系数的同时去除大部分噪声的同时且能较好地保持图像轮廓、边缘等细节信息。经实验证明，该方法对图像中的椒盐噪声、高斯噪声均有较好的处理效果效。通过Matlab实验仿真验证，经该算法去噪后的图像信噪比要远大于采用均值滤波、中值滤波去噪的图像，如图3所示，左上角图像为加入椒盐噪声后的图像，右上角图像为均值滤波处理后的图像，左下角图像为中值值滤波处理后的图像，右下角图像为采用本发明的去噪方法去噪后形成的图形，且与不含噪声图像的MSE最小。在保持细节特征的同时，有效地实现了平滑图像降低噪声的目的。实验证明该方法在滤除噪声时,无论从视觉角度还是数据恢复角度都比常规的滤波去噪方法效果有明显改善。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (3)
1.一种基于多尺度哈尔小波变换的图像去噪方法，其特征在于，所述方法具体包括如下步骤：
S1、针对含有噪声的原图像
进行哈尔小波变换，获取哈尔小波变换后的图像g在低频分量LL、在水平方向上的高频分量HL、在竖直方向上的高频分量LH及对角线方向上的高频分量HH上的图块gLL1、图块gHL1、图块gLH1及图块gHH1；
S2、对图块gLL1再次进行哈尔小波变换，获取哈尔小波变换后的图像g′LL1在低频分量LL、在水平方向上的高频分量HL、在竖直方向上的高频分量LH及对角线方向上的高频分量HH上的图块gLL2、图块gHL2、图块gLH2及图块gHH2是图像g在对应的图块；
S3、采用软硬阈值对图块gHH2去噪，形成图块gHH2*；
S4、对图块gHH2*、图块gHL2、图块gLH2及图块gLL2做哈尔小波逆变换，得到图像为去噪处理后的图块gLL1*；
S5、对图块gLL1*、图块gHL1、图块gLH1及图块gHH做哈尔小波逆变换，得到的图像即为去噪处理后的原图像。
2.如权利要求1所述基于多尺度哈尔小波变换的图像去噪方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、计算图块gHH2的硬阈值，采用如下公式行计算：
λ＝σ·2logN
其中，N代表图块gHH2中的像素数量，σ代表噪声的标准差，标准差的计算公式如下：
σ＝MAD/0.6745
其中，MAD代表图块gHH2的像素值中位数；
S32、基于硬阈值来对图块gHH2进行去噪处理，处理过程具体如下：
其中，
代表图块gHH2去噪处理后形成的图块。
3.如权利要求1或2所述基于多尺度哈尔小波变换的图像去噪方法，其特征在于，哈尔小波变换表示具体如下：
其中，
表示哈尔小波变换前的原图像，G表示图像
经哈尔小波变换形成的图像，H为哈尔变换矩阵，
gLL是图像G的低频分量LL对应的图块，gHL是图像G在水平方向上的高频分量HL对应的图块，gLH是图像G在竖直方向上的高频分量LH对应的图块，gHH是图像G在对角线方向上的高频分量HH对应的图块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011596024.XA CN112634164B (zh) | 2020-12-29 | 2020-12-29 | 一种基于多尺度哈尔小波变换的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011596024.XA CN112634164B (zh) | 2020-12-29 | 2020-12-29 | 一种基于多尺度哈尔小波变换的图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634164A true CN112634164A (zh) | 2021-04-09 |
| CN112634164B CN112634164B (zh) | 2022-09-30 |
Family
ID=75286729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011596024.XA Active CN112634164B (zh) | 2020-12-29 | 2020-12-29 | 一种基于多尺度哈尔小波变换的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634164B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113365082A (zh) * | 2021-07-12 | 2021-09-07 | 北京爱芯科技有限公司 | 哈尔小波变换硬件装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854264A (zh) * | 2014-03-28 | 2014-06-11 | 中国石油大学(华东) | 一种基于改进型阈值函数的小波变换图像去噪方法 |
| US20160284067A1 (en) * | 2013-11-08 | 2016-09-29 | Huawei Device Co., Ltd. | Image Denoising Method and Terminal |
| CN109242806A (zh) * | 2018-10-30 | 2019-01-18 | 沈阳师范大学 | 一种基于高斯核函数的小波域值去噪方法 |
| CN111242854A (zh) * | 2020-01-03 | 2020-06-05 | 深圳市京湾量子遥感科技有限公司 | 一种图像去噪方法 |
-
2020
- 2020-12-29 CN CN202011596024.XA patent/CN112634164B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160284067A1 (en) * | 2013-11-08 | 2016-09-29 | Huawei Device Co., Ltd. | Image Denoising Method and Terminal |
| CN103854264A (zh) * | 2014-03-28 | 2014-06-11 | 中国石油大学(华东) | 一种基于改进型阈值函数的小波变换图像去噪方法 |
| CN109242806A (zh) * | 2018-10-30 | 2019-01-18 | 沈阳师范大学 | 一种基于高斯核函数的小波域值去噪方法 |
| CN111242854A (zh) * | 2020-01-03 | 2020-06-05 | 深圳市京湾量子遥感科技有限公司 | 一种图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| JUN-HAI ZHAI，AND ETC: "Image denoising via wavelet threshold: single wavelet and multiple wavelets transform", 《2005 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
| 邬才斌等: "基于小波变换和模糊隶属度的红外图像增强算法", 《电气自动化》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113365082A (zh) * | 2021-07-12 | 2021-09-07 | 北京爱芯科技有限公司 | 哈尔小波变换硬件装置 |
| CN113365082B (zh) * | 2021-07-12 | 2023-06-27 | 北京爱芯科技有限公司 | 哈尔小波变换硬件装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634164B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20130022288A1 (en) | Image processing apparatus and method for reducing edge-induced artefacts | |
| Dixit et al. | A comparative study of wavelet thresholding for image denoising | |
| CN104182939B (zh) | 一种医疗影像图像细节增强方法 | |
| CN108109123B (zh) | 一种图像去噪方法 | |
| Liu et al. | Image denoising with multidirectional shrinkage in directionlet domain | |
| CN113222853B (zh) | 一种基于噪声估计的渐进式红外图像降噪方法 | |
| Singh et al. | A new computationally improved homomorphic despeckling technique of SAR images | |
| CN111242854A (zh) | 一种图像去噪方法 | |
| Sree Sharmila et al. | Efficient analysis of hybrid directional lifting technique for satellite image denoising | |
| CN112634164B (zh) | 一种基于多尺度哈尔小波变换的图像去噪方法 | |
| CN109118440B (zh) | 基于透射率融合与自适应大气光估计的单幅图像去雾方法 | |
| CN111311508B (zh) | 一种带噪路面裂缝图像的降噪方法 | |
| CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及系统 | |
| CN110706186B (zh) | 基于压缩感知及Renyi熵的水下信息抗干扰方法 | |
| CN107590781B (zh) | 基于原始对偶算法的自适应加权tgv图像去模糊方法 | |
| CN104754183B (zh) | 一种实时监控视频自适应滤波方法及其系统 | |
| CN112801897A (zh) | 一种基于宽卷积神经网络的图像去噪方法 | |
| CN108629740A (zh) | 一种图像去噪的处理方法及装置 | |
| CN110827209A (zh) | 一种联合颜色与深度信息的自适应深度图像修复方法 | |
| Bouhali et al. | Combination of spatial filtering and adaptive wavelet thresholding for image denoising | |
| CN107154019B (zh) | 一种基于lr-几何插值的电磁成像超分辨方法 | |
| Siddeq et al. | Using Discrete Wavelet Transform and Wiener filter for Image De-nosing: Discrete Wavelet Transform | |
| Pakdelazar et al. | Improvement of BM3D algorithm and Employment to satellite and CFA images Denoising | |
| Selvi et al. | Dehazing of natural images using non-linear wavelet filter | |
| Hsia et al. | Adaptive Wavelet Shrinkage Based On Intelligent FIS Learned Thresholding |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |