一種改進(jìn)小波閾值的圖像去噪算法＊

喬林峰 王 俊

（1.陸軍軍官學(xué)院研管大隊(duì)1隊(duì) 合肥 230031）（2.陸軍軍官學(xué)院數(shù)學(xué)教研室 合肥 230031）

1 引言

隨著小波理論研究的深入，其應(yīng)用也日趨廣泛，其中，利用小波變換進(jìn)行去噪始終是一個(gè)熱點(diǎn)。在圖像去噪領(lǐng)域，小波圖像去噪方法已成為一個(gè)重要的分支和主要的研究方向。目前小波去噪方法大致有三類：第一類是基于小波變換模極大值原理進(jìn)行去噪；第二類是對(duì)含噪聲信號(hào)作小波變換之后，計(jì)算相鄰尺度間小波系數(shù)的相關(guān)性，根據(jù)相關(guān)性區(qū)別小波系數(shù)的類型，進(jìn)行取舍，然后重構(gòu)信號(hào)；第三類是小波閾值去噪方法。上述三類去噪方法中最早被提出的是小波閾值去噪方法，它是一種實(shí)現(xiàn)簡單而且效果較好的去噪方法。本文對(duì)其閾值函數(shù)進(jìn)行了改進(jìn)，通過實(shí)驗(yàn)仿真，其能較好地保留圖像的邊緣細(xì)節(jié)信息，去噪效果很明顯。

2 小波閾值去噪的基本原理

1）理論依據(jù)

設(shè)有含噪模型：f（k）＝s（k）＋n（k），k＝0，1，2，…，N－1，其中，s（k）為原始圖像信號(hào)，n（k）為方差為σ2，服從 N（0，σ2）分布的高斯白噪聲。

對(duì)f（k）作離散小波變換得：wj，k＝Ws（j，k）＋Wn（j，k），j＝0，1，2，…，J；k＝0，1，2，…，N其中，ωj，k，Ws（j，k）和 Wn（j，k）分別為含噪圖像，原始圖像和噪聲信號(hào)在第j層上的小波系數(shù)；J和N 分別為小波變換的最大分解層數(shù)和圖像的總像素?cái)?shù)。由小波變換的線性性質(zhì)知，對(duì)f（k）作離散小波變換后，得到的小波系數(shù)wj，k，仍然由兩部分組成，即原始圖像s（k）對(duì)應(yīng)的小波系數(shù)Ws（j，k），記uj，k，和噪聲信號(hào)n（k）對(duì)應(yīng)的小波系數(shù) Wn（j，k），記vj，k。

小波閾值去噪的主要理論依據(jù)為：有用的圖像信息表現(xiàn)為低頻信號(hào)或是比較平穩(wěn)的信號(hào)，而噪聲信號(hào)則表現(xiàn)為高頻信號(hào)。因此經(jīng)小波分解后，信號(hào)的小波變換系數(shù)要大于噪聲的小波變換系數(shù)。于是可以找到一個(gè)合適的數(shù)作為閾值（門限），當(dāng) wj，k小于該閾值時(shí)，認(rèn)為這時(shí)的 wj，k主要是由噪聲引起的，可將其置為零；當(dāng)wj，k大于該閾值時(shí)，認(rèn)為這時(shí)的wj，k主要是由信號(hào)引起的，可對(duì)其進(jìn)行保留或收縮，從而實(shí)現(xiàn)了信噪的分離。

2）具體步驟

（1）含噪聲圖像的小波分解。對(duì)含噪圖像信號(hào)f（k）進(jìn)行離散小波變換，得到各尺度小波系數(shù)wj，k。

（2）小波分解高頻系數(shù)的閾值處理。對(duì)各尺度小波系數(shù)wj，k進(jìn)行閾值處理，得出估計(jì)小波系數(shù)＾wj，k，使‖＾ωj，k－uj，k‖盡可能的小。

（3）圖像的小波重構(gòu)。利用＾wj，k進(jìn)行小波重構(gòu)，得到含噪圖像信號(hào)f（k）的估計(jì)信號(hào)＾f（k），即為去噪后的信號(hào)。

3）閾值函數(shù)的選取

最常用的閾值函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)兩種。

（1）硬閾值函數(shù)：

（2）軟閾值函數(shù)：

其原理圖如下：

圖1 硬、軟閾值函數(shù)

硬閾值和軟閾值函數(shù)雖然在實(shí)際中得到了廣泛的應(yīng)用，也取得了比較好的去噪效果，但這些方法本身還存在著一些潛在缺陷。利用硬閾值方法進(jìn)行圖像處理，得到的估計(jì)小波系數(shù)值連續(xù)性差，即在±λ處是不連續(xù)的，利用進(jìn)行重構(gòu)得到的圖像可能會(huì)產(chǎn)生振蕩、Gibbs效應(yīng)（截?cái)嘈?yīng)）等視覺失真；而利用軟閾值方法估計(jì)出的小波系數(shù)雖然整體連續(xù)性很好，但是由于當(dāng)小波系數(shù)較大時(shí)，即當(dāng)時(shí)和 wj，k之間總會(huì)存在恒 定的偏差，這將會(huì)直接影響重構(gòu)圖像和真實(shí)圖像的逼近度，給重構(gòu)圖像帶來不可避免的誤差。另外，傳統(tǒng)的軟閾值函數(shù)導(dǎo)數(shù)不連續(xù)，然而在實(shí)際的應(yīng)用中經(jīng)常要對(duì)一階甚至是高階導(dǎo)數(shù)進(jìn)行運(yùn)算處理，所以其具有一定的局限性。

3 改進(jìn)的小波閾值算法

本文根據(jù)上述兩種函數(shù)的不同優(yōu)點(diǎn)，結(jié)合斜坡閾值技術(shù)［10～11］（Ramp threshold function），提出了一種新的閾值函數(shù)，用于小波系數(shù)的估計(jì)運(yùn)算，其計(jì)算公式如下：

圖2 新閾值函數(shù)（m＝1／2，n＝3）

改進(jìn)后的閾值函數(shù)（取m＝1／2，n＝3）如圖2所示。

由以上表達(dá)式和原理圖可知，該函數(shù)有以下幾個(gè)特點(diǎn)：

（3）具有與軟閾值函數(shù)相同的連續(xù)性。

g利用了斜坡閾值技術(shù)，可以有效地克服Gibbs效應(yīng)。

4 算法流程

本文改進(jìn)小波閾值算法的流程圖見圖3，具體步驟如下所示：

圖3 改進(jìn)小波閾值算法流程圖

5 仿真實(shí)驗(yàn)結(jié)果與分析

下面采用噪聲方差為0.01的高斯白噪聲，以lena512×512圖像為例，為了驗(yàn)證改進(jìn)小波閾值算法的去噪效果，選取SYM4小波對(duì)含噪圖像進(jìn)行三層分解，然后分別用軟閾值函數(shù)，硬閾值函數(shù)和本文提出的改進(jìn)的閾值函數(shù)計(jì)算小波系數(shù)，再用SYM4小波進(jìn)行重構(gòu)，得到去噪圖像。

圖4是以lena512×512圖像為例的實(shí)驗(yàn)結(jié)果，從圖4（e）可以看出圖像的含噪量得到明顯地減少，并且能夠很好地保留圖像的紋理細(xì)節(jié)。

圖4 lena圖像去噪結(jié)果

表1 lena圖像去噪結(jié)果比較

從表1的數(shù)據(jù)可以看出，本文提出的算法與傳統(tǒng)的軟、硬閾值方法相比，均方誤差MSE明顯下降，信噪比SNR和峰值信噪比PSNR方面都有明顯的提高，能夠較好地保留圖像的邊緣和細(xì)節(jié)信息，去噪效果很好。

6 結(jié)語

本文介紹了小波閾值去噪的基本原理以及軟、硬閾值方法去噪的優(yōu)缺點(diǎn)，并結(jié)合斜坡閾值技術(shù)提出了一種改進(jìn)小波閾值的圖像去噪新算法。仿真實(shí)驗(yàn)表明：該算法對(duì)圖像進(jìn)行去噪，得到了較低的均方誤差和較高的信噪比，并且有效地去除了Gibbs效應(yīng)，保留了較多的邊緣和細(xì)節(jié)信息，達(dá)到了很好的去噪效果。

［1］程正興.小波分析算法與應(yīng)用［M］.西安：西安交通大學(xué)出版社，2004.

［2］姚敏.數(shù)字圖像處理［M］.北京：機(jī)械工業(yè)出版社，2006.

［3］高志，余嘯海.小波分析與應(yīng)用［M］.北京：國防工業(yè)出版社，2007.

［4］賈杏托.基于多小波變換的圖像降噪算法的研究［D］.［燕山大學(xué)碩士學(xué)位論文］.2009：40－44.

［5］栗艷艷.基于小波變換和偏微分方程的圖像去噪算法研究［D］.［西安理工大學(xué)碩士學(xué)位論文］.2010：18－24.

［6］游林儒，謝俊斌.基于鄰域多樣本系數(shù)估計(jì)的小波圖像去噪［J］.計(jì)算機(jī)與數(shù)字工程，2008（3）.

［7］姚晉麗，王霞.一種基于小波變換的顯微圖像去噪算法研究與實(shí)現(xiàn)［J］.計(jì)算機(jī)與數(shù)字工程，2008（7）.

［8］唐琳，晏海華，蔡德榮，等.一種基于最優(yōu)小波包基的圖像去噪算法［J］.計(jì)算機(jī)與數(shù)字工程，2008（4）.

［9］Tien D.Bui，Guangyi chen.Translation－Invariant Denoising U－sing Multiwavelets［J］.IEEE Transactions on Signal Processing，1998，46（12）：3414－3420.

［10］P.M.Patil，T.R.Sontakke.Rotation，scale and translation invariant handwritten Devanagari numeral character recognition using general fuzzy neural network［J］.Pattern Recogntion，2007，（40）：2110－2117.

［11］Say Song Goh，Qingtang Jiang，Tao Xia.Construction of Biorthogonal Multiwavelets Using the Lifting Scheme［J］.Applied and Computational Harmonic Analysis，2000，（9）：336－352.

［12］Tai－Chiu Hsung，Daniel Pak－kong Lun.Optimizing the Multiwavelet Shrinkage denoising［J］.IEEE Transcations on Signal Processing，2005，53（1）：240－250.

［13］T.R.Downie，B.W.Sliverman.The Discrete Multiple Wavelet Transform and Thresholding Methods［J］.IEEE Trans.Signal Process，1998，（46）：2558－2561.