读入 lena 图像, 加入高斯噪声, 利用 Daubechies 小波三尺度表示进行软、硬阈值去噪处理, 在一个窗口中显示原始图像和处理结果,然后 利用 Biorthogonal 小波四尺度分解, 进行图像的渐进重构, 一个窗口中显示原始图像和处理结果, 并给出MATLAB代码

好的，以下是MATLAB代码实现：

% 读入 lena 图像
img = imread('lena.jpg');
img = rgb2gray(img);

% 添加高斯噪声
noisyImg = imnoise(img, 'gaussian', 0, 0.01);

% Daubechies小波三尺度分解
[c, l] = wavedec2(noisyImg, 3, 'db4');

% 软阈值去噪
threshold = 0.01 * max(abs(c(:)));
cSoft = wthresh(c, 's', threshold);
% 硬阈值去噪
cHard = wthresh(c, 'h', threshold);

% Daubechies小波三尺度重构
softDenoisedImg = waverec2(cSoft, l, 'db4');
hardDenoisedImg = waverec2(cHard, l, 'db4');

% 在一个窗口中显示原始图像和处理结果
figure;
subplot(1,3,1);
imshow(img);
title('Original Image');
subplot(1,3,2);
imshow(noisyImg);
title('Noisy Image');
subplot(1,3,3);
imshow(hardDenoisedImg);
title('Denoised Image using Hard Thresholding');

% Biorthogonal小波四尺度分解
[c, l] = wavedec2(noisyImg, 4, 'bior4.4');
% 将系数从第二个分辨率层开始全都置零
c(l(1)+1:end) = 0;
% Biorthogonal小波四尺度重构
reconstructedImg = waverec2(c, l, 'bior4.4');

% 在一个窗口中显示原始图像和处理结果
figure;
subplot(1,2,1);
imshow(img);
title('Original Image');
subplot(1,2,2);
imshow(reconstructedImg);
title('Reconstructed Image using Biorthogonal Wavelet');

在上述代码中，我们首先添加高斯噪声到lena图像中，并使用Daubechies小波三尺度分解进行软、硬阈值去噪处理。然后，我们使用Biorthogonal小波四尺度分解进行图像的渐进重构。最后，在两个窗口中显示原始图像和处理结果。