资料下载
基于小波域的图像噪声类型识别计算
545237988
分享资料个
小波分析与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。
在处理噪声图像前 ，有 2 点是需要明确的：1）图像受到的是何种类型的噪声干扰， 2）受噪声干扰的程度如何 。
目前这些先验知识通常是根据主观推测或假设 ，而不是依靠图像噪声的客观描述 ，在这种情况下对图像的噪声进行处理往往是非常盲目的。如果将一个噪声算法应用到一个“错误”的图像（不含噪声的图像或噪声类型与假设不同的图像）上， 结果常常是没有意义的 。这就如同用灰度阈值分割 一个纹理图像、用恢复算法恢复一个没有模糊的图像 。另外不同的去噪方法对不同噪声的处理效果也是大不相同 。因此在图像噪声处理之前，对图像噪声的类型进行识别与估计是非常必要的 ，同时也有助于研究图像去噪的自适应算法。
这里提出了一种基于小波域分解的类型识别方法。该方法利用噪声图像的小波高频子带系数能量分布， 对图像中最常出现的两类噪声：高斯噪声和椒盐噪声进行识别， 并在此基础上对高斯噪声的方差和椒盐噪声的密度进行了估计。对大量含噪图像的实验结果表明：该方法对图像噪声类型的识别和噪声大小的估计都比较准确.
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
