基于python的小波阈值去噪算法

基于python的小波阈值去噪算法

 小波图像去噪原理

 图像和噪声在经小波变换后具有不同的统计特性：图像本身的能量对应着幅值较大的小波系数，主要集中在低频（LL）部分；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。基于此可设置一个合适的阈值门限，认为大于该阈值的小波系数的主要成份为有用的信号，给予收缩后保留；小于该阈值的小波系数，主要成份为噪声，予以置零剔除；然后经过阈值函数映射得到估计系数；最后对估计系数进行逆变换，就可以实现去噪和重建。去噪时，通常认为低通系数含有大量的图像能量，一般不作处理，只对剩余三个高通部分进行处理。一次阈值去噪并不能完全去除噪声，还需要对未作处理的低频部分（LL）再次进行小波分解和阈值去噪，直到实际图像与估计图像的偏差达到最小值。但是，随着分解和去噪次数的增加，小波系数中的噪声能量越来越小，并且趋于分散，去噪的效果将逐渐降低。一般来说，进行3-4层小波分解和去噪就可以达到满意的去噪效果。

 小波阈值去噪步骤

 （1）二维信号的小波分解。选择一个小波（sym8）和小波分解的层次

N（3），然后计算信号S到第N层的分解。