毕业论文论文范文课程设计实践报告法律论文英语论文教学论文医学论文农学论文艺术论文行政论文管理论文计算机安全
您现在的位置: 毕业论文 >> 计算机论文 >> 正文

基于Matlab的图像去噪算法仿真(图像噪声滤除研究) 第4页

更新时间:2016-10-17:  来源:毕业论文
其中:G为输入信号频谱,F为输出信号频谱。本文来自辣%文&论*文-网,毕业论文 www.751com.cn 加7位QQ324~9114找原文

3.小波变换算法
3.1小波变换基本原理
小波变换是一种信号的时间–频率分析方法,在时域频域方面同时具有良好的局部化性质和多分辨率分析的特点[9],即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,而且与传统的去噪方法相比较,有着无可比拟的优点,成为信号分析的一个强有力的工具,被誉为分析信号的数学显微镜。
 (1)一文信号小波变换分解与重构
如图1第一层小波变换分解将信号分解为低频部分和高频部分两个部分,信号长度变为原信号长度的一半。往后的分解都是只针对低频部分,并且每次分解得到的低频和高频信号的长度减半。

图1 一层小波分解图
如此分解N次后,得到了第N层上的小波分解结果,它包含了原始信号从低到高的所有频率信息,并且每个序列同时包含了一定频率上原始信号的全部时间信息,因此小波谱上的任一点既含有时间信息,又含有频率信息,具有时频局部化特征。将信号分解到小波域以后,就可对不同频段内的小波系数进行分析处理。
(2)二文图像小波变换分解与重构
经过二文小波变换,可以将原图像逐级分离,分离成具有不同尺度的子图像(见图2)。原图经过二文小波变换后生成四个分量部分:低频分量LL,高频分量LH(水平方向)、HL(垂直方向)、HH(对角线方向)。分辨率为原来的1/2,频率范围各不相同。小波变换只对LL进行下一级的小波分解,得到由低频的轮廓信息和原信号在水平、垂直和对角线方向高频部分的细节信息组成。
 
图2 二文小波分解与重构图
3.2小波变换的图像去噪优越性
具体来说,小波去噪的主要优点有[8]:
 (1)去相关特性。小波变换可以对信号去相关,且信号的能量集中于少数几个小波系数上,而噪声能量分布于大部分小波系数上,所以小波域比时域更利于去噪。
(2)低熵性。由于小波系数的稀疏分布,使得图像经小波变换后的熵降低。
(3)选基灵活性。由于小波变换可以灵活选择小波基,从而对不同应用场合、不同的研究对象选用不同的小波函数,以获得最好的效果。
(4)多分辨率特性。由于采用了多分辨率的方法,所以可以在不同尺度上描述信号的局部特征,很好地刻画信号非平稳特征,如边缘、尖峰、断点等。
4.基于Matlab的图像去噪算法仿真

上一页  [1] [2] [3] [4] [5] 下一页

基于Matlab的图像去噪算法仿真(图像噪声滤除研究) 第4页下载如图片无法显示或论文不完整,请联系qq752018766
设为首页 | 联系站长 | 友情链接 | 网站地图 |

copyright©751com.cn 辣文论文网 严禁转载
如果本毕业论文网损害了您的利益或者侵犯了您的权利,请及时联系,我们一定会及时改正。