《小波变换入门.ppt.ppt》由会员分享，可在线阅读，更多相关《小波变换入门.ppt.ppt（94页珍藏版）》请在三一办公上搜索。
1、小波变换及其在 图像处理中的典型应用,赵丹培宇航学院图像处理中心2008年4月,目 录,一、从傅里叶变换到小波变换的时频分析法二、多分辨分析三、尺度函数与小波四、离散小波变换与二进小波变换五、小波变换的实现六、图像的多分辨分解与重建七、小波变换在图像边缘检测中的应用八、小波变换在图像去噪中的应用九、小波变换在图像融合中的应用,一、从傅里叶变换到小波变换 的时频分析法,傅里叶变换只能提供信号在整个时间域上的频率，不能提供信号在某个时间段上的频率信息；短时傅里叶变换将整个时间域分割成一些小的等时间间隔，然后在每个时间段上用傅里叶分析，它在一定程度上包含了时间频率信息，但由于时间间隔不能调整，因而难
2、以检测持续时间很短、频率很高的脉冲信号的发生时刻。小波起源：“小”是指在时域具有紧支集或近似紧支集，“波”是只具有正负交替的波动性，直流分量为0。小波概念：是定义在有限间隔而且其平均值为零的一种函数。,傅里叶变换,傅里叶变换：对于时域的常量函数，在频域将表现为冲击函数，表明具有很好的频域局部化性质。,傅里叶变换,x=sin(2*pi*50*t)+sin(2*pi*300*t);%产生50HZ和300HZ的信号f=x+3.5*randn(1,length(t);%在信号中加入白噪声,时间,短时傅里叶变换,傅立叶变换无法作局部分析，为此，人们提出了短时傅里叶变换（STFT）的概念，即窗口傅里叶变换
3、。基本思想是：把信号划分成许多小的时间间隔，用傅立叶变换分析每一个时间间隔，以便确定该时间间隔存在的频率。STFT的处理方法是对信号施加一个滑动窗(反映滑动窗的位置)后，再作傅立叶变换。即：,短时傅里叶变换,短时傅里叶变换,图1 短时傅里叶变换的分析特点(a)频率变化的影响(b)基本分析单元的特点,用镜头观察目标(待分析信号)。代表镜头所起的作用(如滤波或卷积)。相当于使镜头相对于目标平行移动。的作用相当于镜头向目标推进或远离。,小波变换的粗略解释,连续小波变换的定义,连续小波变换的定义,尺度因子 的作用是将基本小波 做伸缩，越大 越宽。,小波的位移与伸缩,连续小波变换的定义,连续小波变换的定
4、义,称 为一个“基小波”或“母小波”。小波变换的含义是：把基本小波(母小波)的函数 作位移后，再在不同尺度下与待分析信号作内积，就可以得到一个小波序列。,设，当 满足允许条件时：,连续情况时，小波序列为：(基本小波的位移与尺度伸缩)其中 为尺度参量，为平移参量。离散的情况，小波序列为：,根据容许条件要求，当=0时，为使被积函数是有效值，必须有，所以可得到上式的等价条件为：此式表明 中不含直流，只含有交流，即具有震荡性，故称为“波”，为了使 具有局部性，即在有限的区间之外很快衰减为零，还必须加上一个衰减条件：,衰减条件要求小波具有局部性，这种局部性称为“小”，所以称为小波。对于任意的函数 的连续
5、小波变换定义为：逆变换为：是尺度因子，反映位移。,内积：,卷积：,持续宽度相同,振荡波,线性 设：平移不变性 若，则伸缩共变性 如果 的CWT是 则 的CWT是冗余性(自相似性)由连续小波变换恢复原信号的重构公式不是唯一的,连续小波的性质：,多分辨分析是小波分析中最重要的概念之一，它将一个函数表示为一个低频成分与不同分辨率下的高频成分，并且多分辨分析能提供一种构造小波的统一框架，提供函数分解与重构的快速算法。,小波变换的多分辨分析特性,是一个无限维向量空间，称为平方可积空间，将 用它的子空间，表示，其中 称为尺度空间，称为小波空间。尺度空间的递归嵌套关系：小波空间 是 和 之间的差，即，它捕捉
6、由 逼近 时丢失的信息。推出：,多分辨率的空间关系图,两尺度方程,若 是尺度函数，它生成 的多分辨分析，则必然存在系数序列，使得以下尺度关系成立:这就是两尺度方程，必须满足下列条件：定义函数 为尺度函数，若其经过整数平移 和尺度 上的伸缩，得到一个尺度和位移均可变化的函数集合：,和 的基本性质是二尺度差分方程：二尺度方程的频域表示为,离散小波变换,如果设定，则 对于任意函数，定义相应的离散小波变换为：如果这时 构成空间 的一组规范正交基，对于任一的函数 的反演式为一展开式：,二进小波及二进小波变换,在连续小波变换中，令参数 而参数 仍取连续值，则有二进小波：这时，的二进小波变换定义为,Mall
7、at算法与塔式分解,系数分解的快速算法：,系数重构的快速算法：,二维图像的小波变换实现,假定二维尺度函数可分离，则有 其中、是两个一维尺度函数。若 是相应的小波，那么下列三个二维基本小波：与 一起就建立了二维小波变换的基础。,图像的小波变换实现,正变换 图像小波分解的正变换可以依据二维小波变换按如下方式扩展，在变换的每一层次，图像都被分解为4个四分之一大小的图像。,在每一层，四个图像中的每一个都是由原图像与一个小波基图像的内积后再经过在x和y方向都进行二倍的间隔抽样而生成。对于第一个层次(j=1)可写成：,图像的小波变换实现,将上式内积改写成卷积形式，则得到离散小波变换的Mallat算法的通用
8、公式：,图像的小波变换实现,图像的小波变换实现,逆变换在每一层(如最后一层)都通过在每一列的左边插入一列零来增频采样前一层的4个阵列(即4个分解图像)；接着用重构低通滤波器h和重构高通滤波器g来卷积各行，再成对地把这几个的阵列加起来；然后通过在每行上面再插入一列零来将刚才所得两个阵列(图像)的大小增频采样为NN；再用h和g与这两个阵列的每列进行卷积。这两个阵列的和就是这一层次重建的结果。,Mallat二维多分辨率分解与重构,Mallat快速塔式分解,多孔算法,多孔算法,边缘像素实质上是局部图像范围内灰度的急剧变化点(奇异点)，图像边缘就是二维图像中奇异点的集合。边缘点在频域表现为高频信号，而图
9、像噪声也多为高频信号，这使得两者难以区分。边缘检测的目的就是既要将高频信号从图像中分离出来，又要区分边缘与噪声，准确地标定边缘的位置。,4.2 基于小波分析的图像边缘检测方法,4.2 基于小波分析的图像边缘检测方法,小波多尺度局部模极大值边缘检测的原理小波多分辨率边缘检测的具体实现小波函数的选取自适应阈值的选取利用边缘信息进行目标定位仿真实验,小波多尺度局部模极大值边缘检测的原理,假设 是二维平滑函数，且满足，可把它沿 两个方向上的导数作为基本小波：对于一幅图像，其小波变换为,整个图像的二进小波变换即矢量：模值为：相角为：,小波多分辨率边缘检测的具体实现,搜寻模极大值：,噪声的滤除,(1)阈值
10、法 硬阈值，软阈值，自适应阈值；(2)多分辨率分割 利用模极大值在各个尺度的传播特性去除噪声；利用小波变换尺度间相关性去除噪声；平移不变量的小波去噪方法；,边缘跟踪算法的四个约束条件：a)“方向不变性”原则；b)角度平滑条件；c)幅值最邻近条件；d)“互认”原则。,边缘点的链接,三种小波多尺度局部模极大值 边缘检测方法的比较,方法一：小波变换模极大值用于边缘检测的原始方法具体步骤：利用多孔算法对原图像 进行保持图像大小不变的小波变换，生成水平分量 和垂直分量；计算出梯度向量的模值计算出梯度向量的相角按照相角量化方法划分为8个方向，求出不同方向的局部模极大值点；对各尺度的边缘图像进行阈值处理；链
11、化模极大值点，去除长度小于一定阈值的边缘链，就得到各 个尺度上的边缘图像。,方法二：小波变换模极大值用于边缘检测的简化方法,具体步骤：对所给图像的每一行进行小波变换，求出；对所给图像的每一列进行小波变换，求出；计算出梯度向量的模值 计算出梯度向量的相角 将相角 按8方向量化，求出 在不同方向的局部模极大值点；对各尺度的边缘图像进行阈值处理；链化模极大值点，去除长度小于一定阈值的边缘链，就得到各 个尺度上的边缘图像。,方法三：小波变换模极大值用于边缘检测的多尺度综合方法,具体步骤：求出各尺度的模图像簇 和相角图像簇；对各尺度的边缘图像进行阈值处理；将相角 按8方向量化，求出 在不同方向的局部模极
12、大值点；由粗到细的边缘链接：对经过阈值处理的最粗分辨率级上的模极大值开始，链接模极大值图像中模值相近，相角相似的非零像素点，删除长度小于链长阈值的边缘链，得到大尺度下单像素宽的图像边缘；,针对尺度 的每一个边缘像素，搜索 尺度下以这点为中心的3X3邻域，将该邻域内出现的所有可能边缘点均标记为候选边缘点，得到 尺度下的候选边缘点图像，非候选边缘点标记为零；将 尺度下的候选边缘点图像 中模值相近，相角相似的非零像素点链接，删除长度小于阈值的边缘链，得到 尺度下单像素宽的图像边缘；重复步骤，直到 为止，边缘图像即为综合后形成的边缘图像，也就是我们最终所要得到的边缘图像。,自适应阈值选取,选择一个窗口
13、在小波系数上滑动，窗口大小可以取3232或1616，将尺度下小于阈值 的梯度值置为0，自适应阈值为：,其中，为阈值初值，为比例系数，N为采样点数。根据 和 的大小来决定窗口内均值对阈值的作用。,利用边缘信息进行目标定位,对经过综合后得出的图像边缘，根据形心公式就可以计算出图像的形心坐标，判断出目标在视场中的位置，实现目标定位。,实验结果,五个尺度的模极大值提取,第一个尺度的噪声很多,实验结果,多尺度链接后的模极大值,实验一:阈值的选取对边缘检测结果影响的实验,用固定阈值在一阶尺度提取的边缘,用自适应阈值在一阶尺度提取的边缘,用固定阈值在二阶尺度提取的边缘,用自适应阈值在二阶尺度提取的边缘,实验
14、二：三种模极大值边缘检测方法的性能比较,实验四：基于三次B样条小波的边缘检测实验,由于小波变换具有多分辨分析特性和时频局部化能力，在边缘检测、去噪和图像增强等方面都具有很强的优势；更适合用来检测受噪声污染严重的模糊图像和低对比度图像，尤其对微弱目标，它首先能抑制噪声、增强对比度，然后利用多尺度的模极大值方法有效检测出目标边缘，从而实现3对比度下的目标精确定位；这种算法要进行多尺度运算，所以计算量很大。,小 结,基于小波的去噪方法,高频系数置零的线性去噪方法小波系数硬阈值去噪小波系数软阈值去噪小波系数自适应阈值去噪基于小波模极大值的去噪方法基于信号奇异性的去噪方法基于小波系数相关性的去噪方法,高
15、频系数置零去噪,1.对噪声图像进行二维离散小波分解，分解层数一般取2或3层，分解过程如下图。2.对每一层的高频系数LH，HL，HH，置零。3.对小波系数进行重构。,这是最简单的利用小波变换性质的去噪方法。,硬阈值方法去噪,1.首先将图像信号求小波变换。2.除了最粗尺度信号外，将各细节信号作阈值处理，当某位置小波变换值大于阈值时，保留原值，否则置零。即,3.利用小波变换重构，求出信号的滤波值。,软阈值方法去噪,1.首先对图像信号进行小波变换，得出带有噪声的小波系数。2.将各细节信号作阈值处理，当某位置小波变换值大于阈值时，作下面运算，下式中sgn(x)代表符号函数,否则置零。3.利用小波变换重构
16、，求出信号的滤波值。,软硬阈值滤波器,非线性软阈值,阈值选取,1.,3.,2.,4.,其中，噪声方差的估计为，MAD为图像中位值，n为信号采样点数。,对含有高斯噪声的Lena图像利用硬阈值法、软阈值法和自适应阈值法去噪后实验结果,基于小波变换阈值方法去噪的不足,只适合高斯白噪声的去噪，对椒盐噪声效果不明显。原因在 于阈值法保留的是大于阈值的小波系数，而椒盐噪声在图像 上表现为或者是灰度值特别大的白象素，或者特别小的黑象 素，椒盐噪声的小波系数都很大，所以不能用阈值分离出来。阈值方法的去噪效果依赖于信噪比的大小，它特别适合信噪 比高的图像去噪。在图像信号不连续点处会有伪吉普斯现象。阈值方法的关键
17、在于阈值的选取，而选择一种普适性很好的 阈值选取方法是很困难的，事实上，人们已经证明在均方误 差意义上阈值方法能得到原始图像信号的最优估计，然而在 实际应用中还是需要根据具体的情况和经验来对一些阈值进 行改进。,基于多尺度模极大值的小波去噪方法,根据图像边缘点与噪声点具有不同的奇异性，则它们小波变换后的模极大值在不同尺度下的传播特性也不同这一特性进行图像去噪。当信号 在 处Lipschitz指数为 时，反映了函数在点 处的奇异性大小。是当信号在 处的奇异性 时，表明小波系数模极大值将随尺度 的增大而增大；当 时，则随 的增大而减小。通常的图像具有时域上的相关性，因而；而噪声由于在该点不可导，。
18、因此，边缘点的模值和噪声点的模值随 尺度的变化具有不同的规律，所以可以利用这一特性将噪声分离出来。,基于多尺度模极大值的小波去噪方法 的具体实现,通过分析图像和噪声在小波域中对应的系数模极大值在不同尺度上的分布情况，来研究图像和噪声的突变点在不同尺度上的传递特性。在从低到高的分解尺度中，图像突变点对应的小波系数极大值具有传递性，而噪声突变点不具有这种传递性。根据这一性质，在确定出各尺度小波系数极大值的基础上，由粗到精的跟踪不同尺度上的小波系数极大值，并依据其不同尺度间的传递性，识别信噪属性，剔除噪声部分对应的小波系数极大值，从而抑制噪声，提高图像质量。,模极大值方法去噪的过程,1.小波系数极大
19、值的确定 2.图像极大值跟踪3.噪声极大值滤除,模极大值多尺度链接方法对高斯噪声 图像去噪的实验结果,对含有高斯噪声（0.01）的Lena图像利用多尺度模极大值链接方法去噪后图像,模极大值多尺度链接方法对椒盐噪声 图像去噪的实验结果,对含有椒盐噪声（0.005）的图像利用多尺度模极大值链接方法去噪后图像,含有椒盐噪声的图像、均值滤波去噪图像、中值滤波去噪图像、硬阈值去噪图像、软阈值去噪图像和模极大值奇异性去噪图像的实验结果对比,基于多尺度模极大值奇异性对椒盐噪声的 去噪实验结果,模极大值多尺度链接方法对混和噪声 图像的去噪实验,含有高斯和椒盐混合噪声图像、硬阈值去噪图像、软阈值去噪图像、自适应
20、阈值去噪图像、中值滤波去噪图像和模极大值多尺度链接去噪图像,基于小波系数相关性的去噪方法,信号与噪声的小波变换在各尺度下的不同传播特性表明，信号的小波变换在各尺度间有较强的相关性，而且在边缘处具有很强的相关性；而噪声的小波变换在各尺度间确没有明显的相关性，而且噪声的小波变换主要集中在小尺度各层次中。根据信号与噪声的小波变换在不同尺度间的上述不同特点，可以通过将相邻尺度的小波系数直接相乘来增强信号，抑制噪声。由于噪声主要分布在小尺度上，所以这种现象在小尺度上非常明显。,首先定义 为尺度 上 点处的相关系数。为使相关系数与小波系数具有可比性，定义规范化相关系数：其中 和 分别表示对应于尺度的小波系
21、数与相关系数的能量。显然，在尺度 下，小波系数与规范化相关系数具有相同的能量，这为它们之间提供了可比性。,基于小波系数相关法去噪的实验结果（一）,（0.01）Lena图像和基于小波系数相关法去噪后的图像,基于小波系数相关法去噪的实验结果（二）,利用小波系数相关法对含有高斯噪声的图像去噪前后对比,含有方差为0.05高斯噪声的图像 去噪后的图像 不含噪声的图像,基于小波的图像增强方法,小波多分辨分析由于它能多尺度多角度提取信号特征，并在不同尺度上让噪声和信号明显地区分开来，所以它在图像去噪和增强方面有很大优势。基于小波多分辨分析的图像增强，就是突出图像的边缘细节，尽可能的消除负面因素，从而达到增强
22、图像的目的。因此，基于小波分析的图像增强可以转化为两步。第一步是区分噪声和图像的边缘细节；第二步是根据需要对图像的边缘细节适度增强。通过一个合适的增益函数完成上面所述的两个步骤，使去噪和增强一次完成。在增强图像的同时应考虑到噪声问题，所以对小波分解后高频部分的处理很重要。为此，设计合适的增益函数是关键的一步。,简单的线性图像增强的方法,第一类是简单的增益函数，即对每个方向的高频采用不同的常数；第二类是比较复杂的增益函数，有分段线性函数和非线性函数。根据处理高频增益函数的不同方法，将图像增强分为线性增强和非线性增强。,线性图像增强方法的实现,线性增强是对小波分解的高频采取的常数增益，具体的算法是
23、：a、对图像进行多级小波变换，得到；b、计算图像的原始噪声水平；C、计算图像在各个尺度上不同方向的噪声水平；d、去噪并增强。认为幅值小于 的系数为噪声，给予抑制，而幅值大于 的系数给予一定的增益。这样得到 e、对增强后的小波系数，进行小波逆变换得到增强后的图像。,基于边缘提取的去噪和图像增强相结合的实现,1.对图像进行小波变换 2.计算小波变换的多尺度模和幅角；3.用局部模极大值方法检测出边缘细节点；4.利用合适的非线性增益函数增强边缘点，同时去除高频噪声点；5.对增强后的小波系数进行小波逆变换得到增强后的图像。,受噪声干扰的低对比度图像 直方图均衡化后的图像,实验一：几种图像增强方法的比较,
24、非线性增强后的图像 基于小波边缘检测的非线性增强后的图像,基于小波变换的图像增强方法的实验结果,对Lena图像利用小波系数线性增强前后的效果对比,图像融合,利用小波进行图像融合的基本思想是：先对多源图像进行二维小波分解；然后在小波变换域内通过比较各图像的细节信息，在不同尺度上实现图像融合，提取出重要的小波系数；(融合法则)最后进行小波反变换，得到数据融合之后的图像。,小波图像融合,小波图像融合,基于小波变换的图像融合过程,像素级融合,基于像素的融合规则,融合算子的确定 低频融合算子 高频融合算子,区域融合,基于区域的融合规则,融合算子的确定 低频融合算子 高频融合算子,实现中的一些问题,小波基
25、的选取：通常在设计滤波器时，考虑的主要方面有：(1)紧支撑性(Compact Support)：h(n)的取值范围是有限的，在该取值范围内，h(n)的值不为零，在该范围以外，h(n)的值为零。具有紧支撑的小波基收敛速度快。(2)规则性(Regularity)：即平滑性(Smoothness)或连续性(Continuity)。在图像融合中，若滤波器的规则性较好，则进行重构时的视觉效果较好。(3)对称性(Symmetry)：也称线性相位(Linear Phase)。h(n)在时域的对称，在频域上就表现为具有线性相位。,实现中的一些问题,边界延拓问题：实际的图像处理中，由于图像都是有限尺寸的，在把滤
26、波器应用于边界时，存在如何处理边界的问题。比较常用的方法有零延拓、边界重复延拓、周期延拓和对称周期延拓和双对称延拓等。主要目的是要降低边界不连续性所产生的在边界上变换系数衰减慢的问题。,实现中的一些问题,分解层数的选择：小波分解层数J 的大小与所选用小波函数的光滑度有关，J 选择小，小波函数光滑度就差，但运算量小；J 选择大，小波函数光滑度就好，融合的频率范围越丰富，融合结果的细节也就越丰富。但是它的运算量大，而且分解的层数越多，顶层融合损失的信息量越大，均是小波反变换不能恢复的损失，因此基于小波分解的层数不宜过高。实验证明选择J=3 或J=5 从融合图像质量来看几乎没有差别，因此，我们选择J=3 即可以满足要求。,融合效果比较,实验一,蝴蝶眼睛序列显微图像,融合效果比较,(a)SML方法(b)基于小波像素级的融合方法,实验一,融合效果比较,(a)SML方法(b)小波区域融合方法,实验二,融合效果比较,实验三,融合效果比较,实验三,(a)SML方法(b)小波区域融合方法,参考书目,小波分析及其应用(孙延奎)基于MATLAB的系统分析与设计小波分析小波变换的工程分析与应用(杨福生)小波分析算法与应用(程正兴)A wavelet tour of signal processingTen Lectures on Wavelets,
