基于边缘增强的自适应阈值图像去噪
论文摘要
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。
论文目录
中文摘要Abstract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详细摘要
相关论文文献
本文来源: https://www.lw50.cn/article/025be5f96957a7773b096069.html