基于多尺度特征分析的 像数据自适应去噪方法

引言

        图像去噪中一个两难的问题是如何在降低图像噪声的同时，尽可能多地保留图像的细节。如何构造一种既能降低图像噪声，又能保持图像细节的去噪方法是我们研究的重点内容。

        小波萎缩法是最为重要的方法。在阈值萎缩方法的关键就是如何选择阈值和阈值函数。阈值主要可分为全局阈值和局部阈值。

        而要得到合适的阈值，就必须知道噪声的方差。但对于一幅具体的图像来说，不可能预先知道噪声的方差，因此必须对噪声的方差进行估计；并且使用统一阈值还会造成对一些边缘小波系数的过扼杀，从而造成去噪图像的模糊，使得重建图像误差增大[1]。                   

        自适应阈值去噪法是在阈值法基础上的改进。采用对各尺度分别进行处理的方法来选择阈值。把小波系数分成两类：第1类仅由噪声变换后得到，这类系数幅值小，数目较多；第2类由信号变换得来，并包括噪声在该时空位置的变换结果，这类系数幅值大，数目较少。对信号的小波系数，根据小波分解的不同层次，设置一个合适的阈值，大于这个阈值的小波系数保留(简单的保留或进行后续操作) ，而小于这个阈值的小波系数，则去掉，可以达到降低噪声的目的。由于保留了大部分包含信号的小波系数，所以可以较好地保持图像细节。

多尺度阈值收缩去噪法

        一种基于小波变换的自适应多阈值图像去噪方法——多尺度阈值收缩去噪法。这种方法是通过利用不同尺度上的小波系数间的相关性来有效区分噪声和图像信息，即根据不同的子带特性，在不同子带和不同方向上通过选择不同的最佳阈值来去噪，因而可以获得更好的去噪效果[2]。