主要内容

wdenoise2

小波图像去噪

折叠所有页面

语法

IMDEN = wdenoise2(IM)
IMDEN = wdenoise2(IM,LEVEL)
[IMDEN,DENOISEDCFS] = wdenoise2(___）
[IMDEN,DENOISEDCFS,ORIGCFS] = wdenoise2(___）
[IMDEN,DENOISEDCFS,ORIGCFS,S] = wdenoise2(___）
[IMDEN,DENOISEDCFS,ORIGCFS,S,SHIFTS] = wdenoise2(___）
［___= wdenoise2(___、名称、值)
wdenoise2 (___）

描述

例子

IMDEN= wdenoise2 (即时通讯）去噪灰度或RGB图像即时通讯使用经验贝叶斯方法。的bior4.4小波与后验中值阈值规则一起使用。去噪降到最小值地板(log2 ((mn)))而且wmaxlev (N [M],“bior4.4”)在哪里米而且N是图像的行和列大小。IMDEN是去噪版的即时通讯．

对于RGB图像，默认情况下，wdenoise2在去噪之前，将图像投影到主成分分析(PCA)颜色空间。若要在原始颜色空间中去噪RGB图像，请使用色彩名称-值对。

IMDEN= wdenoise2 (即时通讯，水平）去噪图像即时通讯降到分辨率级别水平．水平一个正整数是否小于或等于地板(log2 (min ((mn))))在哪里米而且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))))而且wmaxlev (N [M],wname）在哪里wname是否使用了小波(“bior4.4”默认情况下)。

［IMDEN，DENOISEDCFS= wdenoise2(___）返回小波系数的缩放和去噪DENOISEDCFS使用前面任何一种语法。

［IMDEN，DENOISEDCFS，ORIGCFS= wdenoise2(___）返回输入图像的缩放系数和小波系数ORIGCFS使用前面任何一种语法。

［IMDEN，DENOISEDCFS，ORIGCFS，年代= wdenoise2(___）返回最粗尺度上的近似系数的大小以及所有尺度上的小波系数的大小。年代矩阵的结构是否与年代的输出wavedec2．

［IMDEN，DENOISEDCFS，ORIGCFS，年代，转变= wdenoise2(___）返回循环旋转时沿行和列维度的移位。转变是2 -(numshifts + 1)2矩阵的每一列转变包含循环旋转和中使用的行和列维的移位numshifts的值CycleSpinning．

例子

［___= wdenoise2(___，名称,值）返回带有一个或多个指定的附加选项的去噪图像名称,值对参数，使用前面的任何语法。

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

全部折叠

打开实时脚本

加载结构花．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subplot(1,2,1) imagesc(flower.Orig)“原始”) subplot(1,2,2) imagesc(flower. noise)“吵”) colormap灰色的

图包含2个轴。标题为Original的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

使用默认值去噪噪图像wdenoise2设置。与原图比较。

imden = wdenoise2(花。噪声);Subplot (1,2,1) imagesc(imden) title(“去噪”) subplot(1,2,2) imagesc(flower. noise)“吵”) colormap灰色的

图包含2个轴。标题为Denoised的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

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
打开实时脚本

这个例子展示了如何使用循环旋转去噪彩色图像。

加载结构colorflower．该结构包含一朵花的RGB图像，以及该图像的一个噪声版本。显示原始和噪声图像。

负载colorflowersubplot(1,2,1) imagesc(colorflower.Orig) title(“原始”) subplot(1,2,2) imagesc(colorflower. noise)“吵”）

图包含2个轴。标题为Original的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

使用默认的贝叶斯方法和循环旋转将图像降噪到2级 （ 1 + 1 ） 2 转变。显示有噪声和去噪图像。

Imden = wdenoise2(colorflower。嘈杂的2“CycleSpinning”1);图subplot(1,2,1) imagesc(imden) title(“去噪”) subplot(1,2,2) imagesc(colorflower. noise)“吵”）

图包含2个轴。标题为Denoised的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

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
打开实时脚本

这个例子展示了如何使用特定的子带去噪图像，以估计噪声的方差。

加载结构花．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subplot(1,2,1) imagesc(flower.Orig)“原始”) subplot(1,2,2) imagesc(flower. noise)“吵”) colormap灰色的

图包含2个轴。标题为Original的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

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

Imden = wdenois2(花。嘈杂的2.．.“DenoisingMethod”, {“罗斯福”, 0.01},.．.“NoiseDirection”，“d”）;图subplot(1,2,1) imagesc(imden) title(“去噪”) subplot(1,2,2) imagesc(flower. noise)“吵”) colormap灰色的

图包含2个轴。标题为Denoised的坐标轴1包含一个image类型的对象。标题为noise的坐标轴2包含一个image类型的对象。

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 (:)))
信噪比= 14.1300后

输入参数

全部折叠

输入图像去噪，指定为实值2-D矩阵或实值3-D数组。如果即时通讯是三维,即时通讯假设为RGB颜色空间中的彩色图像，第三维为即时通讯一定是3。对于RGB图像，wdenoise2在去噪之前，默认情况下将图像投影到它的PCA颜色空间上。若要在原始颜色空间中去噪RGB图像，请使用色彩名称-值对。

用于去噪的小波分解级别，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))))在哪里米而且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))))而且wmaxlev (N [M],wname）在哪里wname是否使用了小波(“bior4.4”默认情况下)。

名称-值对参数

的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意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，指定为字符向量或字符串标量，用于去噪。小波必须是正交或双正交的。在小波管理器中将正交小波和双正交小波分别指定为1型小波和2型小波，wavemngr．

  • 有效的内置正交小波族开始“哈雾”，的数据库N＇，的颗N＇，“头巾N＇,或“信谊N＇在哪里N是否所有家庭的消失时刻数都是除“颗”．为“颗”，N是滤波器系数的个数。

  • 有效的双正交小波族以“biorNr。Nd”或“rbioNd。Nr的,在那里Nr而且Nd是重构(合成)小波和分解(分析)小波中的消失矩数。

通过使用确定消失矩的有效值waveinfo用小波族简称。例如，输入waveinfo (db)或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)。

去噪方法用于确定图像去噪阈值即时通讯．

  • 贝叶斯-经验贝叶斯

    该方法使用阈值规则，基于假设测量具有混合模型给出的独立先验分布。由于测量被用来估计混合模型中的权重，该方法往往在更多的样本中工作得更好。默认情况下，后验中值规则用于衡量风险[7]．

  • 罗斯福-错误发现率

    该方法采用基于控制假阳性检测与所有阳性检测的期望比率的阈值规则。的罗斯福方法对稀疏数据最有效。选择一个比例，或者问-value，小于1／2产生一个渐近极大极小估计量[1]．

    请注意

    为“罗斯福”时，有一个可选参数问-value，表示误报的比例。问之间是一个实值标量吗0而且1／2，0 <问< = 1/2．指定“罗斯福”与一个问-value，使用单元格数组，其中第二个元素是问价值。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

    该方法使用一个固定的阈值，选择产生最小最大性能的均方误差相对于一个理想的程序。在统计学中使用极大极小原理来设计估计器。看到thselect获取更多信息。

  • 确定-斯坦无偏风险估计

    该方法采用基于Stein无偏风险估计(二次损失函数)的阈值选择规则。对于特定的阈值(t)．尽量减少(t)给出阈值的选择。

  • UniversalThreshold-通用阈值 2 ln （ 长度 （ x ） ） ．

    该方法使用固定形式的阈值，产生极大极小性能乘以成比例的小因子日志(长度(X))．

使用阈值规则来缩小小波系数。“ThresholdRule”对所有去噪方法有效，但有效的选项和默认值取决于去噪方法。不同去噪方法的可能规则如下:

  • “确定”，极大极小的，“UniversalThreshold”:有效选项为“软”或“硬”．默认为“软”．

  • “贝叶斯:有效选项为“中值”，“的意思是”，“软”,或“硬”．默认为“中值”．

  • “罗斯福”:唯一支持的选项为金宝app“硬”．您不需要定义“ThresholdRule”为“罗斯福”

估计图像中噪声方差的方法。有效选项为“LevelIndependent”而且“LevelDependent”．

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

  • “LevelDependent”基于小波系数在每个分辨率水平上估计噪声的方差。

有三个小波子带:水平、垂直和对角线。的价值＇NoiseDirection＇指定在估计方差时使用哪些子带。

小波子带用来估计噪声的方差，指定为字符串矢量或标量字符串。有效条目为“h”，“v”，或“d”，分别表示水平、垂直和对角线子带。

例子:“NoiseDirection”,(“h”“v”)指定水平和垂直子带。

用于去噪的行和列方向上的圆移位数即时通讯循环纺丝。在循环自旋中，图像沿行和列维度的圆形位移被去噪，向后移动，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循环旋转到3-4个位移，之后渐近线。因为信噪比的渐近效应(CycleSpinning + 1)2图像正在去噪，建议先从去噪开始CycleSpinning等于0。然后逐渐增加移位的数量，以确定是否有任何提高的信噪比，以证明计算费用。

例如，指定“CycleSpinning”,1结果在四份即时通讯运用:

  • 原始图像(未移动)

  • 即时通讯沿行维数循环移动单个元素

  • 即时通讯沿列维循环移动单个元素

  • 即时通讯沿行维和列维循环移动单个元素

四份去噪的拷贝即时通讯去噪，重建，移回原始位置，并平均在一起。的价值CycleSpinning表示沿行维和列维的最大移位。对于RGB图像，沿颜色空间维度没有移位。

用于RGB图像去噪的颜色空间。有效选项为主成分分析的而且“原始”．

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

  • “原始”:在与输入图像相同的颜色空间中进行去噪。

色彩仅对RGB图像有效。

输出参数

全部折叠

去噪后的图像，作为矩阵返回。的维度即时通讯而且IMDEN是相等的。

对去噪图像的小波系数进行缩放和去噪，作为实值矩阵返回。DENOISEDCFS是一个(numshifts + 1)2——- - - - - -N矩阵N是多少个小波系数在分解即时通讯而且numshifts的值＇CycleSpinning＇．每行DENOISEDCFS包含其中一个的去噪小波系数(numshifts + 1)2移位版本即时通讯．对于RGB图像，DENOISEDCFS是指定颜色空间中的去噪系数。

的我th行DENOISEDCFS包含图像的去噪小波系数，该图像被返回的量圆移我th列的转变．例如，如果的第二列转变是(1;1］，第二行DENOISEDCFS包含在行方向上被单个元素圆移的图像和在列方向上被单个元素圆移的图像的去噪系数。

输入图像的缩放和小波系数，作为实值二维矩阵返回。ORIGCFS是一个(numshifts + 1)2——- - - - - -N矩阵N是多少个小波系数在分解即时通讯而且numshifts是值＇CycleSpinning＇．每行ORIGCFS包含其中一个的小波系数(numshifts + 1)2移位版本即时通讯．对于RGB图像，ORIGCFS是指定颜色空间中的原始系数。

的我th行ORIGCFS包含图像的小波系数，该图像的小波系数被返回的值圆移我th列的转变．例如，如果的第二列转变是(1;1］，第二行ORIGCFS包含在行方向上被单个元素圆移的图像系数和在列方向上被单个元素圆移的图像系数。

簿记矩阵。矩阵年代包含最粗尺度上的近似系数的维度，所有尺度上的小波系数的大小，以及原始输入图像的大小。年代矩阵的结构是否与年代的输出wavedec2．

用于循环旋转的图像移位，作为整数值矩阵返回。转变是2 -(numshifts + 1)2矩阵的每一列转变包含循环旋转中使用的行维数和列维数的移位。

参考文献

阿布拉莫维奇、F.本杰明尼、D. L.多诺霍和I. M.约翰斯通。《通过控制错误发现率适应未知稀疏性》统计年鉴， Vol. 34, no . 2, pp. 584-653, 2006。

[2]安东尼亚迪斯，A.和G.奥本海姆编。小波与统计．统计学课堂讲稿。纽约:施普林格Verlag, 1995年。

[3] Donoho, d.l.《小波分析与WVD的进展:十分钟之旅》。小波分析及其应用进展(Y. Meyer, S. Roques，编)。Gif-sur-Yvette: Editions Frontières, 1993。

[4]多诺霍，d.l.， i.m.约翰斯通。“小波收缩的理想空间适应性”生物统计学，第81卷，第425-455页，1994。

[5] Donoho, d.l.“软阈值去噪”。IEEE信息论汇刊，第42卷，第3期，第613-627页，1995年。

[6]多诺霍，d.l.， i.m.约翰斯通，G.克基亚查里安，D.皮卡德。“小波收缩:渐近?”皇家统计学会杂志，B系列，第57卷，第2期，第301-369页，1995年。

[7]约翰斯通，i.m.和b.w.西尔弗曼。干草堆中的针和稻草:可能稀疏序列的经验贝叶斯估计。统计年鉴，卷32，第4期，第1594-1649页，2004年。

扩展功能

另请参阅

|

在R2019a中引入

小波工具箱文档

金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏

现在就去审判吧