一種改進小波閾值的圖像去噪算法＊

喬林峰 王 俊

（1.陸軍軍官學院研管大隊1隊 合肥 230031）（2.陸軍軍官學院數學教研室 合肥 230031）

1 引言

隨著小波理論研究的深入，其應用也日趨廣泛，其中，利用小波變換進行去噪始終是一個熱點。在圖像去噪領域，小波圖像去噪方法已成為一個重要的分支和主要的研究方向。目前小波去噪方法大致有三類：第一類是基于小波變換模極大值原理進行去噪；第二類是對含噪聲信號作小波變換之后，計算相鄰尺度間小波系數的相關性，根據相關性區別小波系數的類型，進行取舍，然后重構信號；第三類是小波閾值去噪方法。上述三類去噪方法中最早被提出的是小波閾值去噪方法，它是一種實現簡單而且效果較好的去噪方法。本文對其閾值函數進行了改進，通過實驗仿真，其能較好地保留圖像的邊緣細節信息，去噪效果很明顯。

2 小波閾值去噪的基本原理

1）理論依據

設有含噪模型：f（k）＝s（k）＋n（k），k＝0，1，2，…，N－1，其中，s（k）為原始圖像信號，n（k）為方差為σ2，服從 N（0，σ2）分布的高斯白噪聲。

對f（k）作離散小波變換得：wj，k＝Ws（j，k）＋Wn（j，k），j＝0，1，2，…，J；k＝0，1，2，…，N其中，ωj，k，Ws（j，k）和 Wn（j，k）分別為含噪圖像，原始圖像和噪聲信號在第j層上的小波系數；J和N 分別為小波變換的最大分解層數和圖像的總像素數。由小波變換的線性性質知，對f（k）作離散小波變換后，得到的小波系數wj，k，仍然由兩部分組成，即原始圖像s（k）對應的小波系數Ws（j，k），記uj，k，和噪聲信號n（k）對應的小波系數 Wn（j，k），記vj，k。

小波閾值去噪的主要理論依據為：有用的圖像信息表現為低頻信號或是比較平穩的信號，而噪聲信號則表現為高頻信號。因此經小波分解后，信號的小波變換系數要大于噪聲的小波變換系數。于是可以找到一個合適的數作為閾值（門限），當 wj，k小于該閾值時，認為這時的 wj，k主要是由噪聲引起的，可將其置為零；當wj，k大于該閾值時，認為這時的wj，k主要是由信號引起的，可對其進行保留或收縮，從而實現了信噪的分離。

2）具體步驟

（1）含噪聲圖像的小波分解。對含噪圖像信號f（k）進行離散小波變換，得到各尺度小波系數wj，k。

（2）小波分解高頻系數的閾值處理。對各尺度小波系數wj，k進行閾值處理，得出估計小波系數＾wj，k，使‖＾ωj，k－uj，k‖盡可能的小。

（3）圖像的小波重構。利用＾wj，k進行小波重構，得到含噪圖像信號f（k）的估計信號＾f（k），即為去噪后的信號。

3）閾值函數的選取

最常用的閾值函數有硬閾值函數和軟閾值函數兩種。

（1）硬閾值函數：

（2）軟閾值函數：

其原理圖如下：

圖1 硬、軟閾值函數

硬閾值和軟閾值函數雖然在實際中得到了廣泛的應用，也取得了比較好的去噪效果，但這些方法本身還存在著一些潛在缺陷。利用硬閾值方法進行圖像處理，得到的估計小波系數值連續性差，即在±λ處是不連續的，利用進行重構得到的圖像可能會產生振蕩、Gibbs效應（截斷效應）等視覺失真；而利用軟閾值方法估計出的小波系數雖然整體連續性很好，但是由于當小波系數較大時，即當時和 wj，k之間總會存在恒 定的偏差，這將會直接影響重構圖像和真實圖像的逼近度，給重構圖像帶來不可避免的誤差。另外，傳統的軟閾值函數導數不連續，然而在實際的應用中經常要對一階甚至是高階導數進行運算處理，所以其具有一定的局限性。

3 改進的小波閾值算法

本文根據上述兩種函數的不同優點，結合斜坡閾值技術［10～11］（Ramp threshold function），提出了一種新的閾值函數，用于小波系數的估計運算，其計算公式如下：

圖2 新閾值函數（m＝1／2，n＝3）

改進后的閾值函數（取m＝1／2，n＝3）如圖2所示。

由以上表達式和原理圖可知，該函數有以下幾個特點：

（3）具有與軟閾值函數相同的連續性。

g利用了斜坡閾值技術，可以有效地克服Gibbs效應。

4 算法流程

本文改進小波閾值算法的流程圖見圖3，具體步驟如下所示：

圖3 改進小波閾值算法流程圖

5 仿真實驗結果與分析

下面采用噪聲方差為0.01的高斯白噪聲，以lena512×512圖像為例，為了驗證改進小波閾值算法的去噪效果，選取SYM4小波對含噪圖像進行三層分解，然后分別用軟閾值函數，硬閾值函數和本文提出的改進的閾值函數計算小波系數，再用SYM4小波進行重構，得到去噪圖像。

圖4是以lena512×512圖像為例的實驗結果，從圖4（e）可以看出圖像的含噪量得到明顯地減少，并且能夠很好地保留圖像的紋理細節。

圖4 lena圖像去噪結果

表1 lena圖像去噪結果比較

從表1的數據可以看出，本文提出的算法與傳統的軟、硬閾值方法相比，均方誤差MSE明顯下降，信噪比SNR和峰值信噪比PSNR方面都有明顯的提高，能夠較好地保留圖像的邊緣和細節信息，去噪效果很好。

6 結語

本文介紹了小波閾值去噪的基本原理以及軟、硬閾值方法去噪的優缺點，并結合斜坡閾值技術提出了一種改進小波閾值的圖像去噪新算法。仿真實驗表明：該算法對圖像進行去噪，得到了較低的均方誤差和較高的信噪比，并且有效地去除了Gibbs效應，保留了較多的邊緣和細節信息，達到了很好的去噪效果。

［1］程正興.小波分析算法與應用［M］.西安：西安交通大學出版社，2004.

［2］姚敏.數字圖像處理［M］.北京：機械工業出版社，2006.

［3］高志，余嘯海.小波分析與應用［M］.北京：國防工業出版社，2007.

［4］賈杏托.基于多小波變換的圖像降噪算法的研究［D］.［燕山大學碩士學位論文］.2009：40－44.

［5］栗艷艷.基于小波變換和偏微分方程的圖像去噪算法研究［D］.［西安理工大學碩士學位論文］.2010：18－24.

［6］游林儒，謝俊斌.基于鄰域多樣本系數估計的小波圖像去噪［J］.計算機與數字工程，2008（3）.

［7］姚晉麗，王霞.一種基于小波變換的顯微圖像去噪算法研究與實現［J］.計算機與數字工程，2008（7）.

［8］唐琳，晏海華，蔡德榮，等.一種基于最優小波包基的圖像去噪算法［J］.計算機與數字工程，2008（4）.

［9］Tien D.Bui，Guangyi chen.Translation－Invariant Denoising U－sing Multiwavelets［J］.IEEE Transactions on Signal Processing，1998，46（12）：3414－3420.

［10］P.M.Patil，T.R.Sontakke.Rotation，scale and translation invariant handwritten Devanagari numeral character recognition using general fuzzy neural network［J］.Pattern Recogntion，2007，（40）：2110－2117.

［11］Say Song Goh，Qingtang Jiang，Tao Xia.Construction of Biorthogonal Multiwavelets Using the Lifting Scheme［J］.Applied and Computational Harmonic Analysis，2000，（9）：336－352.

［12］Tai－Chiu Hsung，Daniel Pak－kong Lun.Optimizing the Multiwavelet Shrinkage denoising［J］.IEEE Transcations on Signal Processing，2005，53（1）：240－250.

［13］T.R.Downie，B.W.Sliverman.The Discrete Multiple Wavelet Transform and Thresholding Methods［J］.IEEE Trans.Signal Process，1998，（46）：2558－2561.