基于小波图像去噪及融合技术—刘

《基于小波图像去噪及融合技术—刘》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于小波的图像增强和融合技术1、什么是小波变换它是一种数据处理算法，以某些特殊函数为基将数据过程或数据系列变换为级数系列以发现它的类似频谱的特征，从而实现对数据的处理。2、小波变换特点及应用领域小波变换具备良好的时频特性，在信号分析和处理中得到了很好的运用；平面图像可以看成二维信号，小波分析很自然地被运用到图像处理领域；1冃前小波分析已经被运用到图像处理的几乎所有的分支，如：图像融合、边缘检测，图像压缩，图像分割等。从图像处理角度看，小波变换有以下优点：(1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述)(2)小波

2、变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征Z间的相关性(3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)(4)小波变换实现上有快速算法(Mallat小波分解算法)3、小波变换在图像增强中的应用在进行图像融合之前，有必要对图像进行增强。这是因为图像在获取和传输过程屮，往往受到噪声的干扰，而降噪的冃的是尽可能保持原始图像主要特征的同时，除去图像中的噪声。是采用低通滤波方式进行去噪的方法，存在的问题是它在消除图像噪声的同

3、时,，也会消除图像部分有用的高频信息。因此，各种图像去噪方法其实就是在去噪和保留图像细节上保持平衡。小波变换由于在时域和频域同时具有良好的局部化性质，且对于高频成分采用逐渐精细的时频取样步长，从而可以充分突出研究对彖的任何细节。因而实际应用也非常广泛•因此小波方法成功地应用于去噪领域。常见的去噪方法：1、基于小波变换模极大值去噪2、基于相邻尺度小波系数相关性去噪3、基于小波变换域阈值去噪介绍种常用的阈值去噪方法：基于边缘检测的图像小波阈值去噪方法。图像经过小波变换后，能量主要集中在最低分辨率子带图像上，而图像的加性随机噪声

4、经过小波变换后，能量则分散在各个高分辨率子带图像上.因此，可以设定一个阈值，将绝对值小于阈值的小波系数当作噪声去除，从而达到去噪的效果.阈值去噪的关键是阈值的设定，因为过大的阈值，会造成有用的高频信息(如边缘信息)丢失，使图像变得模糊；而过小的阈值，又会保留过多的噪声,使去噪效果不明显.为了解决阈值设定的两难处境，先通过小波边缘检测，确定边缘特征在各个子带图像中的位置，在这些位置上的小波系数将不受阈值去噪的影响.由于预先保护了图像的边缘特征，因此，在阈值去噪的时候，尽可以根据噪声方差来设定阈值而不必担心损害图像的边缘特征.

5、二维图像信号的去噪步骤：(1)二维图像信号的小波分解。选择合适的小波与恰当的分解层次N,并对待压缩的二维图像信号进行N层分解计算。(2)对分解后的每一层高频系数，选择一个恰当的阈值，并对该层高频系数进行软阈值量化处理。(3)二维图像信号的小波重构。用小波分解后的第N层近似(低频系数)和经过阈值量化处理后的各层细节(高频系数)，对二维信号进行小波重构。4、什么是图像融合图像融合技术在采集多源信息的基础上，将两幅或多幅图像融合在一起，采用融合算法对原始图像信息进行处理，从而获得同一事物或冃标的更丰富，更全而的图像信息。其中采用

6、的融合算法应该充分利用齐原图像的互补信息，使融合后的图像更适合人的视觉感受。最早采用的图像融合方法是空间域法，即将两幅或多幅图像在空间坐标下直接进行运算和叠加。这种方法操作简单，直观，但精确度不够。到了90年代，提出变换域方法，基于小波变换的图像融合方法得到广泛的应用。5、图像融合的优点及应用领域图像融合技术具有：冗余，互补，降低成本等优点。冗余：融合后得到的大量冗余信息可减少系统总的不确定性，提高图像精确性和系统的可靠性，增加鲁棒性。互补：互补的信息从单个源图像中是无法获取的。降低成本：相比分别处理单个源图像的时间和花费

7、，处理融合后的图像的开销小的多。针对图像融合技术的特点，可以应用于医学图像，红外遥感探测、灾情监测与预报等多个领域。6、小波分析在图像融合中的应用空域法定义：是将两幅或多幅图像在空间坐标下直接进行运算和叠加，运算的方法有逻辑运算、加权平均、形态运算、图像代数运算、toet算法和对比度调制等。方法：基于图像分割的融合方法①先利用构造边缘检测算子的方法.对图像进行边缘提取；②用空间映射法实现图像的融合。变换域法：定义：将变换后的两个或多个图像进行融合，再通过反变换得到融合后图像的方法。图像融合可分为三个层次：1.像素级融合2.

8、特征级融合3•决策级融合其中像素级融合是最低层次的融合，也是后两级的基础。它是将各原图像中对应的像素进行融合处理，保留了尽可能多的图像信息，精度比较高，因而倍受人们的重视。像素级的图像融合方法大致可分为三大类：1.简单的图像融合方法2.基于塔形分解（如Laplace塔形分解、比率塔等）的图像融合方法3.