资源描述：
《毕业论文基于小波图像去噪的方法研究值得参考》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、毕业论文基于小波变换的图像去噪方法的研究学生姓名：兰瑞青学号：07050441X55信息与通信工程系学院：信息商务学院电气工程及其自动化系名：郎文杰专业：指导教师：2011年5月21.15基于小波变换的图像去噪方法的研究摘要图像是人类传递信息的主要媒介。然而,图像在生成和传输的过程中会受到各种噪声的干扰,对信息的处理、传输和存储造成极大的影响。寻求一种既能有效地减小噪声,又能很好地保留图像边缘信息的方法,是人们一直追求的目标。小波分析是局部化时频分析,它用时域和频域联合表示信号的特征,是分析非平稳信号的有力工具。它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提
2、取信息。随着小波变换理论的完善,小波在图像去噪中得到了广泛的应用,与传统的去噪方法相比小波分析有着很大的优势,它能在去噪的同时保留图像细节,得到原图像的最佳恢复。本文对基于小波变换的图像去噪方法进行了深入的研究分析,首先详细介绍了几种经典的小波变换去噪方法。对于小波变换模极大值去噪法,详细介绍了其去噪原理和算法,分析了去噪过程中参数的选取问题,并给出了一些选取依据;详细介绍了小波系数相关性去噪方法的原理和算法;对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。最后对这些方法进行了分析比较,讨论了它们各自的优缺点和适用条件,并给出了仿真实验结果。在众多基于小波变换的图像去噪方
3、法中,运用最多的是小波阈值萎缩去噪法。传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用,而且取得了较好的效果。但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。鉴于此,本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。该方法利用小波阈值去噪基本原理,在基于最小均方误差算法LMS和Stein无偏估计的前提下,引出了一个具有多阶连续导数的阈值函数,利用其对阈值进行迭代运算,得到最优阈值,从而得到更好的图像去噪效果。最后,通过仿真实验结果可以看到,该方法去噪效
4、果显著,与硬阈值、软阈值方法相比,信噪比提高较多,同时去噪后仍能较好地保留图像细节,是一种有效的图像去噪方法。关键词：小波变换，图像去噪，阈值，阈值函数21.15ThemethodBasedonthewaveletimagedenoisingAbstractImageisanimportantinformationsourceforhumanbeings.However,inthecourseofitsacquisitionandtransmission,noiseisoftenintroduced,whichmakesgreatinfluencetotheprocessing,d
5、eliveringandsavingofinformation.Therefore,huntingforamethodofdenoisingeffectivelyandkeepingtheedgeinformationsimultaneouslyisagoalpeoplehavebeenpursuingallthetime.Waveletanalysisislocalanalysisinthetimedomainandfrequencydomain,whichrepresentsthesignalpropertyusingcombinationofthetimedomainandf
6、requencydomain,whichrepresentsthesignalpropertyusingcombinationofthetimedomainandfrequencydomain.Itisausefultooltoanalyzetheunstationarysignalthatimportantmulti-scaleanalysistothesignalbythetranslationanddiatomofthemoocherwavelet,soitcaneffectivelyextractinformationfromsignal.Recently,withthei
7、mprovementofwavelettheory,waveletanalysishasappliedtoimagedenoisingsuccessfullyComparedwithtraditionalmethods,wavelethasincomparableadvantageinimagedenoising.Itcannotonlywipeoffnoisebutalsoretaintheimagedetails.Basedontheprofoundanalysi
