毕业设计论文基于DSP的数字图像增强技术的研究.doc

《毕业设计论文基于DSP的数字图像增强技术的研究.doc》由会员分享，可在线阅读，更多相关《毕业设计论文基于DSP的数字图像增强技术的研究.doc（29页珍藏版）》请在三一办公上搜索。

1、基于DSP的数字图像增强技术的研究摘要： 随着数字信息技术的高速发展，数字图像处理技术已得到了广泛的应用。在数字图像处理中，数字图像增强技术则是关键所在。常见的处理方法有调节亮度，调节色度，调节对比度，调节分辨率等。首先，本文简单介绍DSP及各种图像增强的方法和原理。其次,着重介绍基于DSP的拉普拉斯原理及算法和小波去噪理论和方法，包括小波去噪的原理、方法和选取阀值去噪处理方面的内容，并给出几种阀值函数的选取、阀值估计的方法对去噪结果的影响及去噪结果的评价标准。最后，在以 DPS为核心处理器的开发平台上，利用 DSP 芯片固有的高速运算性能，设计了硬件系统及软件系统，从而达到对数字图像的增强的

2、目的。关键词：数字图像处理技术；数字图像增强技术；DSP; 拉普拉斯滤波目 录引言: （1）第一章：DSP （2）1.1 DSP的含义（2）1.2DSP微处理器（2）1.3DSP技术的应用（3）第二章：数字图象增强技术的方法和原理（4）2.1图像增强的方法介绍（4）2.2空域滤波（6）2.2.1空域滤波的分类 （7）2.2.2线性空域锐化滤波法主要步骤（7）2.3小波去噪（7）第三章：基于DSP的数字图像增强方法（8） 3.1基于DSP的拉普拉斯算法子数字图象增强技术 （8）3.1.1拉普拉斯表达式 （8）3.1.2拉普拉斯算子常用模板检测（9）3.2基于DSP小波技术的图像去噪方法（9）3.

3、2.1小波变换（9）3.2.2小波的阀值（12）3.3图像增强的实现（19） 3.3.1硬件设计 （22）3.3.2 软件设计（23）第四章：总结（24）参考文献（25）致谢（26）4引 言目前，数字图像处理已应用于许多领域。在遥感方面，以数字图像处理为基础，发展了多光谱图像遥感，SAR图像遥感和微波图像遥感，以及与这些遥感技术相对应的技术。目前，人们利用数字图像处理技术处理分析遥感图像，可以有效的进行资源勘探和调查、农业和城市土地规划、作物估产、气象预报、灾害及军事目标监视等。所以对于我们而言，图像是一种非常有用的信息源。而在日常的工作中我们获取和传输图像的过程往往会发生图像失真，所得到图像

4、和原始图像有某种程度的差别。这种差异如果太大，就会影响人和机器对于图像的理解，在许多情况下，人们不清楚引起图像降质的具体物理过程及其数学模型，但却能根据经验估计出使图像降质的一些可能原因，针对这些原因采取简便有效的方法，改善图像质量，像这样对图像中包含的亮度和色彩等信息进行放大，或者将这些信息变换成其他形式的信息等，通过各种手段来获得清晰图像的方法，称之为图像增强。图像增强的目的是要增强视觉效果，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，以达到改善图像质量、丰富信息量的目的，并加强图像判读和识别效果的图像处理方法。其方法是通过一定手段对原图像附加一些信息或变换数据，

5、有选择地突出图像中感兴趣的特征或者抑制（掩盖）图像中某些不需要的特征，使图像与视觉响应特性相匹配。DSP的发展正好能满足这一发展的要求。DSP的发展，使得在许多速度要求较高，算法较复杂的场合，取代MCU或其它处理器，而成本有可能更低。本文从数字图像的增强入手，简单介绍了基于DSP的线性空域滤波图像增强方法的应用及小波技术的去噪方法。通过算法，硬件及程序的设计在DSP平台上实现线性空域锐化滤波以达到对数字图像的增强。第一章DSP1.1 DSP数字信号处理(Digital Signal Processing，简称DSP)是一门涉及许多学科而又广泛应用于许多领域的新兴学科。20世纪60年代以来，随着

6、计算机和信息技术的飞速发展，数字信号处理技术应运而生并得到迅速的发展。数字信号处理是一种通过使用数学技巧执行转换或提取信息，来处理现实信号的方法，这些信号由数字序列表示。在过去的二十多年时间里，数字信号处理已经在通信等领域得到极为广泛的应用。德州仪器、Freescale等半导体厂商在这一领域拥有很强的实力。1.2 DSP微处理器DSP（digital signal processor）是一种独特的微处理器，是以数字信号来处理大量信息的器件。其工作原理是接收模拟信号，转换为0或1的数字信号。再对数字信号进行修改、删除、强化，并在其他系统芯片中把数字数据解译回模拟数据或实际环境格式。它不仅具有可编

7、程性，而且其实时运行速度可达每秒数以千万条复杂指令程序，远远超过通用微处理器，是数字化电子世界中日益重要的电脑芯片。它的强大数据处理能力和高运行速度，是最值得称道的两大特色。 DSP微处理器（芯片）一般具有如下主要特点： （1）在一个指令周期内可完成一次乘法和一次加法； （2）程序和数据空间分开，可以同时访问指令和数据； （3）片内具有快速RAM，通常可通过独立的数据总线在两块中同时访问； （4）具有低开销或无开销循环及跳转的硬件支持； （5）快速的中断处理和硬件I/O支持； （6）具有在单周期内操作的多个硬件地址产生器； （7）可以并行执行多个操作； （8）支持流水线操作，使取指、译码和执行

8、等操作可以重叠执行。 当然，与通用微处理器相比，DSP微处理器（芯片）的其他通用功能相对较弱些。 DSP优点： （1）对元件值的容限不敏感，受温度、环境等外部因素影响小； （2）容易实现集成；VLSI （3）可以分时复用，共享处理器； （4）方便调整处理器的系数实现自适应滤波； （5）可实现模拟处理不能实现的功能：线性相位、多抽样率处理、级联、易于存储等； （6）可用于频率非常低的信号。 DSP缺点： （1）需要模数转换； （2）受采样频率的限制，处理频率范围有限； （3）数字系统由耗电的有源器件构成，没有无源设备可靠。 （4）但是其优点远远超过缺点。 1.3 DSP技术的应用 语音处理：语音

9、编码、语音合成、语音识别、语音增强、语音邮件、语音储存等。 图像/图形：二维和三维图形处理、图像压缩与传输、图像识别、动画、机器人视觉、多媒体、电子地图、图像增强等。 军事；保密通信、雷达处理、声呐处理、导航、全球定位、跳频电台、搜索和反搜索等。 仪器仪表：频谱分析、函数发生、数据采集、地震处理等。 自动控制：控制、深空作业、自动驾驶、机器人控制、磁盘控制等。 医疗：助听、超声设备、诊断工具、病人监护、心电图等。 家用电器：数字音响、数字电视、可视电话、音乐合成、音调控制、玩具与游戏等。 生物医学信号处理举例： CT：计算机X射线断层摄影装置。（其中发明头颅CT英国EMI公司的豪斯菲尔德获诺贝

10、尔奖。） CAT:计算机X射线空间重建装置。出现全身扫描，心脏活动立体图形。 本文主要以DSP处理器作为平台研究数字图像的增强技术。第二章：数字图像增强技术的方法和原理2.1图像增强的方法介绍图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息，它是一种将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。 传统的图像增强算法，算法比较简单，阐明了图像增强最基本的原理，在整个数字图像技术和图像增强理论发展中，它们可以称之为最经典的算法。但由于图像本身的复杂性和不确定性，特别是随着现代

11、图像应用的增多，传统的图像增强算法也显示出了很多局限性。传统的图像增强算法，算法比较简单，阐明了图像增强最基本的原理，在整个数字图像技术和图像增强理论发展中，它们可以称之为最经典的算法。但由于图像本身的复杂性和不确定性，特别是随着现代图像应用的增多，传统的图像增强算法也显示出了很多局限性。而传统的图象锐化技术基本上可分成空域处理法和频域处理法。而空域图象处理技术可以定义为 。其中，是输入图像，是处理后的图像，T是对f的一种操作。空间域图像增强技术又可分为点处理和邻域处理。 1）点处理技术： 灰度变换灰度变换可使图像动态范围增大，图像对比度扩展，图像变清晰，特明显，是图像增强的重要手段之一。（1

12、）线性变换。如果原图像f(X，Y)的灰度范围是m,M，我们希望变换后的图像g(x，Y)灰度范围是n，N，那么可以用下式来完成这一变换：g(x，Y)=（N-n）f(x,y)-m/(M,m)+n（2）分段线性变换。为了突出感兴趣的目标或灰度区问，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换。其数学表达式如下：（3）非线性灰度变换。当使用某些非线性转换函数(例如对数函数、幂指数函数等)作为式(1)的变换函数时，可以实现图像灰度的非线性变换。直方图修整法（1）直方图均衡化。（2）直方图规定化。2）邻域处理技术 空域滤波是在图像空间借助模板进行邻域操作完成的，它根据功能分成平滑和锐化两类。（1）图

13、像平滑-,g原始图像在其获取和传输等过程中，会受到各种噪声干扰，使图像质量下降。为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。常用的有局部平滑法和中值滤波法。（2）图像锐化在图像的识别中常需要突出边缘和轮廓信息。图像锐化就增强图像的边缘或轮廓。梯度锐化法。图像锐化法最常用的是梯度法。对于图像f(x，Y)，在(x，Y)处的梯度定义为对于离散图像处理而言，常用到梯度的大小，因此把梯度的大小习惯称为“梯度”。并且一阶偏导数采用一阶差分近似表示，即： 为简化梯度的计算，经常使用：或除梯度算子以外，还可采用Roberts、Prewitt和Sobel算子计算梯度，来增强边缘。高通滤波法。高通滤波法

14、就是用高通滤波算子和图像卷积来增强边缘。常用的算子有： 频域图像增强技术频域(变换域)图像增强操作的基本原理都是让图像在变换域某个范围内的分量受到抑制而让其他分量不受影响，从而改变输出图像的频分布，达到增强的目的。在频率域中进行增强的主要步骤有嘲：计算需增强图的傅里叶变换；将其与个(根据需要设计的)传递函数进行卷积；将结果进行傅立叶反变换以得到增强的图像。频域处理法的基础是卷积定理，它是将图像看作波，然后利用信号处理中的手段对图像波进行处理，而这些处理往往会产生噪声。这些局限性严重限制了传统图像增强法在实际中的应用效果和应用价值。因此，本文采用拉普拉斯空余滤波和小波去噪法对图像进行增强处理，目

15、的在于克服上述的种种缺陷，提高图像的对比度，能有效提高图像暗区细节的可视度，提高图像的增强效果。2.2 空域滤波 线性空域锐化滤波法是一种经典且有效的图像增强技术。最常用的线性空域锐化滤波器是一种线性高通滤波器，其工作原理在于让图像的低频分量受到抑制而不影响高频分量，由于低频分量对应于图像中灰度值缓慢变化的区域，和图像的整体特性无关，仅与图像整体对比度以及平均灰度值等有关系，所以该滤波器把这些分量滤去后，使得图像进一步锐化。然后通过增强图像中被模糊的细节以达到目标和背景易于分离的目的。在空域内进行滤波是利用模板和图像进行卷积来实现的。2.2.1空域滤波的分类图像空域滤波又分高通滤波，低通滤波，

16、同台滤波等。高通滤波的个方法有（1）拉普拉斯算子法锐化滤波。 （2）巴特沃斯滤波。 （3）切比雪夫滤波。 （4）贝塞尔滤波。 （5）空频域指数型滤波。本文着重以拉普拉斯算子锐化滤波法为例来讲解数字图像的增强。2.2.2线性空域锐化滤波法主要步骤线性空域锐化滤波法主要步骤如下：(1)将模板在图像中漫游，实现模板的中心与图像中某个像素位置重合；(2)将模板上系数与模板下的图像的对应像素相乘；(3)将所有乘积的结果相加；(4)将相加之和（模板的输出响应）赋给图像中对应模板中心位置的像素。2.3小波技术小波变换综合了泛函分析、傅里叶分析和数值分析等理论的优点，是纯粹数学和应用数学完美结合的又一个成功范

17、例。图象增强技术的主要目的是处理一幅给定的图像，提升图像的视觉质量，使它的结果对于某种特定的应用比原始图像更适用。因此，好的算法应在增强图像时综合考虑图像本身特性和视觉特性，以得到更佳的效果，然而不少现有的算法并没有考虑这一点比。现有的图像增强算法，虽然能有效地增强图像的对比度，但这类单一尺度处理的方法均不同程度地放大了图像中的噪声信号，限制了图像的有用信号，在信噪比很低的应用场合中会不可避免地带来噪声增强而严重降低处理质量阵基于多尺度小波变换的方法为解决这一问题提供了新的途径。在实际应用时，突出了图像中人们感兴趣。区域的信息，而减弱或去除不需要的信息，从而使有用信息得到加强，便于区分或解释。

18、第三章：基于DSP的数字图像增强方法3.1基于DSP的拉普拉斯算法子数字图象增强技术由于锐化图像这种变换常常具有随意的方向，因而需要挑选那些不具备空间方向性的同时具有旋转不变性的线性微分算子帮助我们锐化图像，例如Roberts 算子、Sobel 算子、Prewitt算子、Krisch 算子、高斯拉普拉斯算子等等。其中拉普拉斯算子就是不依赖于边缘方向的二阶微分算子，同时也是最常用的二阶导数算子。3.1.1拉普拉斯表达式一个连续函数f（x，y）在（x，y）点的为：（略去高次项），用k f 代替，则得上式表明，不模糊图像可以由模糊图像减去模糊图像拉普拉斯算子乘一个常系数k而得到。但是对k要合理挑选，

19、k太大会使图像中轮廓边缘产生过冲，k 太小会锐化不明显。3.1.2拉普拉斯算子常用模板检测 拉普拉斯算子通常用模板来进行检测。典型的空域锐化滤波器的中心系数应为正数而周围的系数应为负数。对3X3 的模板来说，典型的系数取值是取k0=8，而其余系数都为-1，这样所有的系数之和都为0。当这样的模板放在图像中灰度值是常数或变化很小的区域时，其输出为零或很小。3.2基于DSP小波技术的图像去噪方法3.2.1 小波变换小波变换（ wavelet transform ）是 20 世纪 80 年代中后期逐渐发展起来的一种新的数学工具。傅里叶变换在信号处理领域中的突出贡献，是把时间域与频率域联系起来，用信号的

20、频率特性去分析时域内难以看清的问题；但它的缺陷在于无法分析时域信号的局部频率特征信息，不具有时频局部化的能力。为了克服傅里叶变换的不足，发展了短时傅里叶变换的方法，这一方法的提出就时频局部化而言具有了本质的进步，但在时间频率分析的精细程度、自适应性方面，仍存在固有的局限，而小波变换在时频分析方面显示了突出优势 。小波变换综合了泛函分析、傅里叶分析和数值分析等理论的优点，是纯粹数学和应用数学完美结合的又一个成功范例。小波变换的思想是将信号分解为平均部分和细节部分，然后再将平均部分分解为平均部分及细节部分，依此类推，不同分解的层次决定观测信号的分辨率，这就是“数学显微镜”美誉意义之所在。小波变换的

21、物理本质是滤波器。变换自适应的时频窗口随着尺度因子和平移系数的变换而变化，但其窗口面积保持不变，滤波器的中心频率与带宽的比为常数。通常称这样的变换滤波为恒 Q 滤波器。(1)多分辨率分析小波分析具有多分辨率分析（ MRA , Multiresolution Analysis ）特性为用户提供 T 更灵活的处理办法。其特点为，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整，在一般情况下，在低频部分（信号较平稳）可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下（频率变化不大）可以用较低的频率分辨率来换取精确的时间定位 。因此小波变换能更有效地从图像

22、中提取出信息，并且可以通过缩放、平移等对图像进行多尺度细化分析处理，最终达到高频部分的空间细分、低频部分的频率细分，从而实现对图像的自适应的分析，甚至可以根据需要而聚焦到图像的任意细节。(2) 连续小波变换连续小波变换（ coniinuous wavelet transform , cwT ）也称为积分小波变换，是由Grossman 和 Morlet 提出的。函数的连续小波变换定义为 由上式给出的小波变换存在逆变换，并由下式给出：与某些常用变换（如傅里叶变换、拉氏变换）相比，小波变换的一个特点是没有固定的核函数，但并不是任何函数都可用作小波变换的基本小波。任何变换都必须存在反变换才有实际意义，

23、但反变换并不一定存在。对小波变换而言，所采用的小波必须满足“容许条件”，反变换才存在。(3)离散小波变换在连续小波变换中，伸缩参数和平移参数连续取值，连续小波变换主要用于理论分析，在实际应用中离散小波变换更适合于计算机处理。离散小波的定义为相应的离散小波变换定义为小波的快速变换算法Mallat 以多分辨分析为基础结合滤波器理论、拉普拉斯金字塔编码算法，提出了一种离散小波分解和重构的算法，它比计算一组完整内积更为有效。 Mallat 算法以迭代的方式使用带通镜像滤波器组进行滤波，并自底向上建立小波变换，形成山粗到细的信号的一系列多分辨率分析。 Mallat 算法是小波分解的快速算法，与 FFT

24、在 FOuricr 分析中的作用相似。只有在小波分解的快速算法出现之后，小波分析的实际意义刁为人们所重视。设 vj 是一个给定的多分辨分析，与是尺度函数与小波函数， f ( x ）在尺度 j 上可以近似地表示为其中再表示在第 j -1 尺度上对信号的近似，表示信号在第 j-1 尺度上的细节，信号为分解后包含对原图内容信息的小波系数，为分解后包含图像细节信息的小波系数，为低通滤波器，为高通滤波器。对小波分解的式子两边用函数码作内积，得到小波的重构算法3.2.2小波的阀值小波阀值去噪方法是一种实现简单、效果不错的去噪方法。最先的阀值去噪方法是 Donoho 提出的 Visushrink 方法。小波

25、变换具有一种“集中”的能力。信号经小波变换后，可以认为由信号产生的小波系数包含有信号的重要信息，其幅值较大，但数目较少，而噪声对应的小波系数幅值小。通过在不同尺度上选取一个合适的阐值，并将小于阀值的小波系数置零，而保留大于阀值的小波系数，从而使信号中的噪声得到有效的抑制，最后进行小波逆变换，得到滤波后的重构信号 小波分析用于降噪的过程可细分为三个步骤：( 1 ）分解过程：选定一种小波，对信号进行 N 层小波（小波包）分解；( 2 ）作用阀值过程：除了最粗尺度信号外，将各细节信号做阀值处理，当某位置小波变换值大于闽值时，保留原值，否则进行阀值化处理。( 3 ）重建过程：将处理后的系数通过小波（小

26、波包）重建恢复原始信号。小波阀值去噪流程如图 4 石所示。小波域阀值去噪算法中的两个基本要素是闺值和阐值函数。 小波变换阀值处理信号重构原始图 去噪图图1 小波阀值去噪流程1)阀值的选取 阀值的选择是离散小波去噪中最关键的一步。在去噪过程中，小波闺值几起到了决定性作用：如果闽值太小，则施加闺值后小波系数将包含过多的噪声分量，达不到去噪的效果；反之，如果阐值太大，则去除了有用的成分，造成失真。所以对阐值的估计非常重要。目前使用的闽值可分为全局阀值和局部适应阀值两类。全局阀值对各层所有的小波系数或同一层内的小波系数都是统一的；局部阀值则是根据当前系数周围的局部情况来确定合适的阀值，更具有灵活性。以

27、下介绍几种经典的闽值估计方法。( 1 ) visushrink阀值 最早的小波阀值去噪方法是 Donoho 在 1994 年提出的 Visushtink 方法（或称统一阀值去噪方法）。它是针对多维独立正态变量联合分布，在维数趋向于无穷时得出的结论是基于最小最大估计得出的最优阀值。阀值 T 的选择满足 其中气是噪声标准方差， N 是信号的长度或图像的尺寸。这个阀值公式还要有一个先验条件，就是必须知道噪声的方差，而对于一幅具体的图像来说，我们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，通常采用第一层细节信号来估计噪声的方差。式中的分子部分表示对分解出的第一层小波系数取绝对值后再取中值。

28、虽然该方法有很好的理论支撑，但实际应用效果并不好，其根本原因在于这一准则是用渐进分析的手段推出的，但对于实际问题而言，图像复杂性相对于样本尺寸是很重要的。( 2 ) 阀值Sureshrink 阀值估计方法是在 SURE ( Stein , 5 Unbiascd Risk Estimation ）准则下得到的阀值，该准则是均方差准则的无偏估计，它是专门针对软阀值函数得出的结论，且 Sureshrink 阐值趋近于理想阀值。 SURE 阀值可以表示为为了减少计算时搜索的范围，在上式中最佳阀值的选择范围可以缩小到一个有限范围，即，得到 SURE 准则下的次优解。在实际应用中，由于 sureshrin

29、k阀值去噪方法产生较低误差，从而能获得较为满意的去噪效果。( 3 ) Bayesshrink 阀值考虑到自然图像的小波变换后系数的特性， Chang 在 2 联）年提出了 Bayesshrink 阀值估计方法。它是利用自然图像小波系数的统计模型，在平方误差代价下，通过极小化贝叶斯风险得到的近似最优阀值。 Bayesshrink 值的直观解释为：标准化阀值，与噪声的准差成正比，信号的标准差成反比，当时，含信以信号为主，标准化阀值相应变大，以利于保持大部分信号而去除少量噪声少量噪声；反之，当 时，含噪信号以噪声为主，标准化阀值相应变大，这样便能去除更多的噪声，因而Bayesshrink 阀值能够随

30、信号与噪声的特征而变换，是一种自适应阀值。实验表明，在软阀值法中用 Bayesshrink 阐值能够取得很好的图像去噪效果。2）阀值处理函数选取在小波系数进行取舍之前，一般将小波系数分成两类，通常按小波系数的绝对值作为小波系数的分类单元。小波系数绝对值趋向零，意味着小波系数所包含的信息量少并且强烈地受噪声干扰。 Donoho 等人证明这种判断方法具有良好的统计优化特性。小波系数的绝对值是一个局部测度，每个小波系数被看成是独立变量。给定一个闽值 T ，所有绝对值小于某个阐值 T 的小波系数被划为噪声，它们的数值用零代替；而超过阐值 T 的小波系数的值用闽值缩减后再重新取值，因此称这种方法为小波缩

31、减法或缩减函数。常用的两种缩减法有软阀值化和硬阀值化对于软阐值化，绝对值小于阀值 T 的小波系数数值用零代替；绝对值大于闽值 T 的小波系数数值用 T 来缩减，用公式表示为：其中， w 表示小波系数的数值； sgn ( . ）是符号函数，当数值大于零，符号为正，反之符号为负。对于硬阀值化，仅保留绝对值大于阐值 T 的小波系数，并且被保留的小波系数与原始系数相同（未被缩减），用公式表示为：通过分析软、硬阀值萎缩法在高斯噪声条件下的偏差、方差及玩风险公式，可以得出以下结论 （1）给定阀值 T ，软阀值总比硬阀值萎缩造成的方差小；（2）当系数充分大时，软阀值比硬闺值方差造成的偏差大；（3）当系数在

32、T 附近时，硬阐值方法有较大的方差、 h 风险及偏差；两种方法在系数较小时，玩风险都很小。在硬阀值方法可以很好地保留图像边缘等局部特征，但琳在 T 和一 T 处是不连续的，重构所得的图像可能会出现振铃、伪吉布斯印 seud 小 Gibbs ）效应等视觉失真，而软阀值方法处理相对要平滑，但当叫。 T 时，附和琳总存在恒定的偏差，直接影响重构信号与真实的逼近程度，势必会给重构信号带来不可避免的误差而造成边缘模糊等失真现象结合上述两种阀值函数的优点，能够在硬阀值和软阀值方法之间达到很好的折中。一些学者根据不同的应用场合，也对上述阀值函数进行了一定的修正，得到一些新的闽值函数 ，使W和的小波系数之差尽

33、量小，即 由式子可以看出当 n 取为 1 时即为软阀值函数；当 n 为 co 时即为硬闺值函数。因此，此式介于软、硬阀值函数之间，在噪声小波系数和有用信号小波系数之间存在一个平滑过渡区，更符合自然图像的连续特性，故其重建图像更加平滑。去噪效果方面要优于软或硬闽值函数。开发环境本次实验的软件开发工具选用 visualC + 编程环境，具有很好的执行效率，提供面向对象的编程机制，能够深入底层编程，给予程序员更大的编程空间等优点。本实验对带有高斯白噪声的 BMP 灰度图进行处理，主要包含读取 BMP 灰度图、加入不同方差下的高斯白噪声、正交小波变换、阐值去噪，小波反变换及评价标准算法等开发流程： 开

34、始读入图象大小为m*n加入高斯白噪声估算阀值正交小波变换达到变换级阀值去噪正交小波反变换结束 图2 对图像进行小波阀值去噪流程图( l ）读取 BMP 灰度图函数先打开文件，打开成功后依次读入 BMP 文件头、 BMP 信息头和调色板，将文件的位图宽度和高度值分别赋给某个变量，以便后面的处理。根据读入的文件大小分配内存，利用读入函数将数据读入内存中，以备下一步进行小波变换。( 2 ）加噪模块由于读入内存的图像为无噪图像，所以进行去噪处理必须人为加入噪声，本次实验加入不同方差下的高斯白噪声（ vAR 方差、 MEAN 均值）。代码如下：void CLiftingschemeView : : Ra

35、ndotnNoise ( BYTE * Image ) ImageAddNoise = new double m_orgHeight * Inseorgwidth ； for ( i =0 ; i m_orgwidth ; i + + ) for ( j = O ; j m_orgHeight ; j + + ) lmageAddNoise i * mesorgwidth + j = = Image i *m orgwidth + j :/产生随机噪声 for ( J =0 ; j m_orgHeight : j + + )for ( i =0 ; i 255 ) ImageAddNoisel

36、 =255 ;ImageAddNoise j*m_orgwidth + i I 哪 geAddNoisel ; ( 3 ）正交小波变换本模块采用的小波算法是 Mallat 算法，选用 Haar 小波进行分解，最大分解尺度取为 2 。哈尔（ Haar ）小波是所有正交紧支撑小波中唯一具有对称性的小波，是一个简单、特殊、却又非常有用的小波基， Haar 小波的滤波器系数为 Lo_R20=0.7071,0.7071,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 Hi_R20=-0.7071,0.7071,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0

37、首先对图像数据进行行卷积计算，依次读取图像中的像素点与所选择的滤波器进行行卷积计算，并对边界部分进行边界延拓。然后对行卷积的计算结果进行抽样处理，即隔二取一，取出原始图像数据的一半进行列卷积的计算。列卷积计算过程中，同样对边界部分进行边界延拓。当列卷积计算完毕后，取出数据中的一半作为低频子带数据。这样经过行卷积处理后图像数据大小缩小为原来的一半，在经过列卷积处理后，图像数据大小变为原始图像数据大小的 1 / 4 。再将这 1 / 4 数据及低频子带重新排列后存入数组中作为下一级小波变换的处理图像并参与下一级的小波变换。具体流程图如下图所示。开始定义出变量行卷积判断像素点位置卷积运算卷积运算抽样

38、死卷积卷积运算卷积运算低频子带结束判断像素点位置图3 正交小波变换流程图( 4 ）阀值去噪阀值取 Donoh 。和 Johnston 。提出的统一阀值（ visushrink阀值），.首先计算小波系数中的高频子带的标准偏差作为图像噪声的估计值，后用上述公式计算出闽值。阀值处理函数中，硬阀值函数对小波系数进行处理时小于阀值的像素值直接赋值为 0 ，大于或等于阀值的像素赋值为原来的像素数值。采用软阀值函数时大于或等于阀值的像素为像素与阀值做差赋值。当采用改进阐值法时大于或等于阀值的像素取为( 5 ）正交小波反变换首先对图像数据进行上采样操作，即间隔插零，然后对图像数据进行列卷积计算，依次读取图像中的像素点与所选择的滤波器系数进行卷积计算并对图像边界部分进行边界延拓。当图像数据全部计算完毕后，对列卷积的计算结果上采样，对上采样后的图像数据进行行卷积的计算。行卷积计算过程中，同样需要对图像边界部分进行边界延拓。开始定义出变量上采样判断像素点位置卷积运算卷积运算上采样行卷积卷积运算卷积运算结束判断像素点位置列卷积图4 正交小波反变换流程图3）评价标准 图象客观质量评价方法是先计算出被评价图象的某些统计特性和物理参量，最常用的是图象相似度的测量。图象相似度的测量通常是用处理后的图象与原图像之间的统计误差来衡量处理图象的质量，弱误差越小，则从统计意义上