主要内容

wddoise2.

小波图像去噪

页面上倒塌

语法

IMDEN = wdenoise2 (IM)
IMDEN = wdenoise2 (IM,级别)
[imden，denoisedcfs] = wdenoise2（＿＿＿）
[IMDEN, DENOISEDCFS ORIGCFS] = wdenoise2 (＿＿＿）
[IMDEN DENOISEDCFS ORIGCFS S] = wdenoise2 (＿＿＿）
[IMDEN, DENOISEDCFS ORIGCFS S变化]= wdenoise2 (＿＿＿）
［＿＿＿] = wdenoise2（＿＿＿、名称、值)
wdenoise2 (＿＿＿）

描述

例子

IMDEN= wdenoise2 (我是）denoises灰度或RGB图像我是使用经验贝叶斯方法。的Bior4.4小波与后位阈值规则一起使用。去噪会降至最低限度地板(log2 ((mn)))和wmaxlev（[m n]，'bior4.4'）在哪里米和N是图像的行和列大小。IMDEN是去噪版的吗我是．

对于RGB图像，默认情况下，wddoise2.在去噪之前，将图像投影到主成分分析(PCA)颜色空间上。为了在原始颜色空间中去噪RGB图像，使用色彩名称-值对。

IMDEN= wdenoise2 (我是，水平）去找图像我是低到分辨率水平．水平一个正整数是否小于或等于地板(log2 (min ((mn))))在哪里米和N是图像的行和列大小。如果未指定的,水平默认为最小值地板(log2 (min ((mn))))和wmaxlev（[m n]，Wname.）在哪里Wname.是使用的小波（'bior4.4'默认情况下)。

［IMDEN，DENOISEDCFS] = wdenoise2（＿＿＿）返回缩放和去噪小波系数DENOISEDCFS使用任何前面的语法。

［IMDEN，DENOISEDCFS，origcfs.] = wdenoise2（＿＿＿）返回输入图像的缩放和小波系数origcfs.使用任何前面的语法。

［IMDEN，DENOISEDCFS，origcfs.，年代] = wdenoise2（＿＿＿）返回在最粗尺度上的近似系数的大小以及在所有尺度上的小波系数的大小。年代是一个与相同结构相同的矩阵年代的输出wavedec2．

［IMDEN，DENOISEDCFS，origcfs.，年代，转移] = wdenoise2（＿＿＿）返回循环旋转时沿行和列维度的移位。转移是2 -(numshifts + 1)2矩阵的每一列转移包含循环旋转和循环尺寸的行和列尺寸的换档numshifts的价值CycleSpinning．

例子

［＿＿＿] = wdenoise2（＿＿＿，名称，价值）返回带有由一个或多个指定的附加选项的去噪图像名称，价值使用前面的任何语法对参数进行配对。

wdenoise2 (＿＿＿）在没有输出参数的情况下，在当前图中绘制原始图像和去噪图像。

例子

全部收缩

打开直播脚本

负载的结构花．该结构包含一朵花的灰度图像，以及该图像的噪声版本。显示原始和噪声图像。

负载花次要情节(1、2、1)显示亮度图像(flower.Orig)标题(“原始”) subplot(1,2,2) imagesc(flower.Noisy) title(“吵”) colormap灰色的

图中包含2个轴。标题为Original的轴1包含一个类型为image的对象。带有标题噪声的轴2包含类型图像的对象。

使用默认值去噪噪图像wddoise2.设置。与原始图像进行比较。

imden = wdenoise2 (flower.Noisy);次要情节(1、2、1)显示亮度图像(imden)标题(“去噪”) subplot(1,2,2) imagesc(flower.Noisy) title(“吵”) colormap灰色的

图中包含2个轴。带有标题的轴1包含型图像的对象。带有标题噪声的轴2包含类型图像的对象。

注意去噪前后信噪比的改善。

Beforesnr =.．．．20 * log10(规范(flower.Orig(:)) /规范(flower.Orig (:) -flower.Noisy (:)))
beforeSNR = 14.1300
afterSNR =．．．20 * log10(规范(flower.Orig(:)) /规范(flower.Orig (:) -imden (:)))
afterSNR = 20.1388
打开直播脚本

这个例子展示了如何使用循环旋转去噪彩色图像。

负载的结构Colorflower.．该结构包含一朵花的RGB图像，以及该图像的噪声版本。显示原始和噪声图像。

负载Colorflower.子图（1,2,1）ImageC（ColorFlower.orig）标题（“原始”) subplot(1,2,2) imagesc(colorflower.Noisy) title(“吵”）

图中包含2个轴。标题为Original的轴1包含一个类型为image的对象。带有标题噪声的轴2包含类型图像的对象。

使用默认贝叶斯方法和循环旋转，将图像降至2级别2 （ 1 + 1 ） 2 转移。显示嘈杂和去噪图像。

imden = wdenoise2 (colorflower。嘈杂的2'cyclespining'，1）;图Subplot（1,2,1）ImagesC（IMDED）标题（“去噪”) subplot(1,2,2) imagesc(colorflower.Noisy) title(“吵”）

图中包含2个轴。带有标题的轴1包含型图像的对象。带有标题噪声的轴2包含类型图像的对象。

计算去噪前后的信噪比。

Beforesnr =.．．．20 * log10(规范(colorflower.Orig(:)) /规范(colorflower.Orig (:) -colorflower.Noisy (:)))
beforesnr = 11.2217
afterSNR =．．．20 * log10(规范(colorflower.Orig(:)) /规范(colorflower.Orig (:) -imden (:)))
afterSNR = 19.8813
打开直播脚本

这个例子展示了如何使用特定的子带去噪来估计噪声的方差。

负载的结构花．该结构包含一朵花的灰度图像，以及该图像的噪声版本。显示原始和噪声图像。

负载花次要情节(1、2、1)显示亮度图像(flower.Orig)标题(“原始”) subplot(1,2,2) imagesc(flower.Noisy) title(“吵”) colormap灰色的

图中包含2个轴。标题为Original的轴1包含一个类型为image的对象。带有标题噪声的轴2包含类型图像的对象。

使用q值为0.01的假发现率方法将图像降噪到第2级。仅基于对角小波系数去噪。显示去噪和噪声图像。

imden = wdenoise2(花。嘈杂的2．．．'denoisingmethod'，{'FDR', 0.01},．．．“NoiseDirection”，“d”）;图Subplot（1,2,1）ImagesC（IMDED）标题（“去噪”) subplot(1,2,2) imagesc(flower.Noisy) title(“吵”) colormap灰色的

图中包含2个轴。带有标题的轴1包含型图像的对象。带有标题噪声的轴2包含类型图像的对象。

计算去噪前后的信噪比。

Beforesnr =.．．．20 * log10(规范(flower.Orig(:)) /规范(flower.Orig (:) -flower.Noisy (:)))
beforeSNR = 14.1300
afterSNR =．．．20 * log10(规范(flower.Orig(:)) /规范(flower.Orig (:) -imden (:)))
afterSNR = 14.1300

输入参数

全部收缩

输入图像去噪，指定为实值二维矩阵或实值三维数组。如果我是是3-D，我是为RGB颜色空间中的彩色图像，其三维尺寸为我是必须是3。RGB图像,wddoise2.默认情况下，在去噪前将图像投影到其主成分颜色空间。为了在原始颜色空间中去噪RGB图像，使用色彩名称-值对。

用于去噪的小波分解电平，指定为正整数。水平一个正整数是否小于或等于地板(log2 (min ((mn))))在哪里米和N是图像的行和列大小。如果未指定的,水平默认为最小值地板(log2 (min ((mn))))和wmaxlev（[m n]，Wname.）在哪里Wname.是使用的小波（'bior4.4'默认情况下)。

名称值对参数

指定可选的逗号分隔的对名称，价值参数。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“NoiseEstimate”、“LevelDependent’,‘波’,‘sym6’

小波的名称，指定为字符矢量或字符串标量，用于用于去噪。小波必须是正交或双正交的。正交和双正交小波分别在小波管理器中指定为类型1和类型2个小波，wavemngr．

  • 有效的内嵌正交小波族开始“哈雾”，的数据库N＇，的颗N＇，'CoIf.N＇,或“sym.N＇在哪里N所有家庭消失的时刻的数量，除了“颗”．为“颗”，N为滤波器系数的个数。

  • 有效的双正交小波族开始于'biornr.nd'或者“rbioNd。Nr的,在那里NR.和n为重构(合成)和分解(分析)小波中消失矩的个数。

通过使用确定消失矩的有效值waveinfo与小波家庭短名称。例如，输入waveinfo (db)或者WaveInfo（'Bior'）．使用wavemngr(“类型”,WNAME)确定小波是正交的(返回1)还是双正交的(返回2)。

用去噪方法来确定图像的去噪阈值我是．

  • 贝父——经验贝叶斯

    该方法采用阈值规则，基于假设测量值具有独立的混合模型给出的先验分布。因为测量是用来估计混合模型中的权重，所以该方法在更多的样本中更容易工作。默认情况下，后验中值规则被用来衡量风险［7］．

  • 罗斯福- 虚假发现率

    该方法采用基于控制假阳性检测与所有阳性检测的预期比率的阈值规则。的罗斯福该方法最适合于稀疏数据。选择一个比率，或者问价值,不到1/2得到一个渐近极小极大估计量［1］．

    请注意

    为'FDR'，则有一个可选参数问-value，表示假阳性的比例。问是一个实值标量吗0和1/2，0 <问<= 1/2．指定'FDR'与一个问-value时，使用第二个元素为问价值。例如,DenoisingMethod,{“罗斯福”,0.01}．如果未指定的,问默认为０．０５．

  • 极大极小——极小极大估计

    这种方法使用一个固定的阈值选择，以产生极小的性能，均方误差对理想的程序。在统计学中，极小极大原理被用来设计估计量。看到THSELECT.为更多的信息。

  • 确定- Stein的无偏见风险估计

    该方法使用基于Stein的风险估计（二次丢失函数）的阈值选择规则。一个人估计特定阈值的风险（t）.减低(t)给出阈值的选择。

  • UniversalThreshold——通用阈值 2 LN. （ 长度 （ x ） ） ．

    这种方法使用固定形式的阈值，产生极小极大的性能，乘以与日志(长度(X))．

使用阈值规则来缩小小波系数。“ThresholdRule”对所有去噪方法都有效，但有效选项和默认值取决于去噪方法。不同去噪方法可能采用的规则如下:

  • '当然'，极大极小的，'Universalthreshold':有效选项包括'柔软的'或者'难的'．默认值是'柔软的'．

  • “贝叶斯:有效选项包括“中值”，“的意思是”，'柔软的',或'难的'．默认值是“中值”．

  • 'FDR':唯一支持的选项是万博1manbetx'难的'．你不需要定义“ThresholdRule”为'FDR'

估计图像噪声方差的方法。有效的选项是“LevelIndependent”和“LevelDependent”．

  • “LevelIndependent”基于最小尺度(最高分辨率)小波系数估计噪声的方差。

  • “LevelDependent”基于每个分辨率的小波系数估计噪声的方差。

有三个小波子带:水平，垂直和对角线。的价值＇NoiseDirection＇指定用于估计方差的哪些子带。

小波子带用于估计噪声的方差，指定为串向量或标量字符串。有效条目是“h”，“v”，或“d”分别表示水平、垂直和对角子带。

例子:'发起'，[“H”“V”]指定水平和垂直子带。

用于去噪的行和列方向的圆形变化数量我是循环旋转。在循环旋转中，沿着行和柱尺寸的图像的圆形移位被去噪，移回并平均在一起以提供最终结果。

一般来说，信噪比的改善是观察到周期旋转3-4移和渐近线之后。因为信噪比的渐近效应(CycleSpinning + 1)2图像正在去噪，建议先去噪CycleSpinning等于0.然后逐渐增加班次的数量，以确定是否存在SNR的任何改进，以证明计算费用。

例如,指定“CycleSpinning”,1结果是四份我是被去噪：

  • 原始图像(未移位)

  • 我是沿行维度循环移动单个元素

  • 我是沿列维度循环移动单个元素

  • 我是沿着行和列尺寸循环移动单个元素

四个去世副本我是去噪，重建，移回原来的位置，然后一起平均。的价值CycleSpinning表示沿行维和列维的最大移位。对于RGB图像，没有沿颜色空间维度应用移位。

用于RGB图像去噪的颜色空间。有效的选项是主成分分析的和“原始”．

  • 主成分分析的:首先将RGB图像投影到其主成分颜色空间，在主成分颜色空间中去噪，去噪后返回到原始颜色空间。

  • “原始”:去噪是在与输入图像相同的颜色空间中进行的。

色彩仅对RGB图像有效。

输出参数

全部收缩

去噪图像，返回为矩阵。的尺寸我是和IMDEN是相等的。

被去噪图像的缩放和去噪小波系数，作为实值矩阵返回。DENOISEDCFS是一个(numshifts + 1)2——- - - - - -N矩阵N是小波系数的个数在分解吗我是和numshifts的价值＇CycleSpinning＇．每一排DENOISEDCFS包含其中一个的去噪小波系数(numshifts + 1)2移动版本的我是．RGB图像,DENOISEDCFS为指定颜色空间中的去噪系数。

的我throwDENOISEDCFS包含循环移位的图像的去噪小波系数由返回的量我th列的转移．例如，如果的第二列转移是[1;1]，第二行DENOISEDCFS包含行方向上一个元素和列方向上一个元素循环移位的图像去噪系数。

输入图像的缩放和小波系数，返回为实值二维矩阵。origcfs.是一个(numshifts + 1)2——- - - - - -N矩阵N是小波系数的个数在分解吗我是和numshifts是值的价值＇CycleSpinning＇．每一排origcfs.包含其中之一的小波系数(numshifts + 1)2移动版本的我是．RGB图像,origcfs.为指定颜色空间中的原始系数。

的我throworigcfs.包含循环移位的图像的小波系数由返回的量我th列的转移．例如，如果的第二列转移是[1;1]，第二行origcfs.包含按行方向上的单个元素和列方向上的单个元素循环移动的图像的系数。

簿记矩阵。矩阵年代包含粗略标度处的近似系数的尺寸，在所有刻度的小波系数的大小和原始输入图像的大小。年代是一个与相同结构相同的矩阵年代的输出wavedec2．

循环旋转中使用的图像移位，返回为整值矩阵。转移是2 -(numshifts + 1)2矩阵的每一列转移包含循环旋转中使用的沿行和列尺寸的移位。

参考文献

[1] Abramovich，F.，Y.Benjamini，D.L.Donoho，以及I. M. Johnstone。“通过控制虚假发现率来适应未知的稀疏性。”统计数据， Vol. 34, no . 2, pp. 584-653, 2006。

[2] Antoniadis，A.和G. Oppenheim，EDS。小波和统计数据．统计讲义。纽约：Springer Verlag，1995年。

[3] Donoho, D. L. <小波分析和WVD的进展:十分钟之旅>。小波分析及其应用进展(迈耶，S.罗克思编)。Gif-sur-Yvette: Editions Frontières, 1993。

[4] Donoho, D. L.， i.m. Johnstone。“小波收缩的理想空间适应”。Biometrika，卷。81，pp。425-455,1994。

[5] DONOHO，D. L.“通过软阈值脱模去噪”。信息理论上的IEEE交易，第42卷，第3期，第613-627页，1995。

Donoho, D. L.， i.m. Johnstone, G. Kerkyacharian和D. Picard。“小波收缩:Asymptopia ?”皇家统计社会杂志，B系列，第57卷，第2期，301-369页，1995。

约翰斯通，i.m.和B. W.西尔弗曼。干草垛中的针和稻草:可能稀疏序列的经验贝叶斯估计统计数据，卷。32，4，第4页，第1594-1649,2004。

扩展功能

另请参阅

|

介绍了R2019a

小波工具箱文档

万博1manbetx

尝试MATLAB, Si万博1manbetxmulink和其他产品s manbetx 845

立即获得审判