数字图像小波变换软阈值和硬阈值

数字图像小波变换软阈值和硬阈值是两常用的图像去噪方法。下面是对它们的介绍和演示：

1. 软阈值（Soft Thresholding）：软阈值方法通过将小于阈值的小波系数置零，保留大于阈值的系数，从而实现图像去噪。软阈值方法可以更好地保留图像的细节信息。以下是软阈值方法的示例代码[^1]：

import pywt
import numpy as np

# 加载图像
image = cv2.imread('image.jpg', 0)

# 进行小波变换
coeffs = pywt.dwt2(image, 'haar')

# 设置软阈值
threshold = 50

# 对小波系数进行软阈值处理
coeffs = pywt.threshold(coeffs, threshold, mode='soft')

# 进行小波逆变换
reconstructed_image = pywt.idwt2(coeffs, 'haar')

# 显示去噪后的图像
cv2.imshow('Denoised Image', reconstructed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 硬阈值（Hard Thresholding）：硬阈值方法通过将小于阈值的小波系数置零，将大于阈值的系数保留，从而实现图像去噪。硬阈值方法可以更好地去除图像中的噪声。以下是硬阈值方法的示例代码[^2]：

import pywt
import numpy as np

# 加载图像
image = cv2.imread('image.jpg', 0)

# 进行小波变换
coeffs = pywt.dwt2(image, 'haar')

# 设置硬阈值
threshold = 50

# 对小波系数进行硬阈值处理
coeffs = pywt.threshold(coeffs, threshold, mode='hard')

# 进行小波逆变换
reconstructed_image = pywt.idwt2(coeffs, 'haar')

# 显示去噪后的图像
cv2.imshow('Denoised Image', reconstructed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()