![](https://csdnimg.cn/release/download_crawler_static/88717014/bg5.jpg)
辛格河
Shree/Engineering Science and Technology
,
an International Journal 21
(
2018
)
589
DWT的扩展版本。连续小波变换是传统小波变换的复值扩展。它是一
个二维小波变换,提供多分辨率,稀疏的插图,和有用的描述
图像的结构[27]。[28]这是一个简单的例子。
(LH
L
;
HL
L
;
HH
L
)。无噪声图像的标准偏差(
r
Y
)计算如下:
r
2
最
大
值 r
2
-
r
2
;0.0012mm
Y X g
形式程序,旨在改善小波变换,克服不足,
DWT
并在过程的
第
j
级中以因子
2
(
j-1
)
对滤波器系数进行上采样
[29
尽管存在
这些扩展版本,但
DWT
仍有能力超越
可以通过硬阈值化和软阈值化来进行阈值化
[69、70]。所提出的方法使用软阈值。它等同于:
方法噪声阈值的概念在所有细节和近似
件. 本文对三种跨文化交际方式进行了比较分析。
结果见结果部分
[79]
。
基于
db2
的
2D-DWT
最多执行三级分解,并在通用阈值上工作,
其中阈值是为所有小波系数专门选择的
[14
,
15]
。在
1 ~ 7
级分解层
次上验证了算法和结果分析的有效性在小波变换的第三层该算法还
测试了几个小波家庭,被证明是特别有价值的,在
DWT
。所测试的
小波族有
'haar'
,
'db'
,
'sym'
,
'coif'
,
'bior'
,
'rbio'
,
'meyr'
等。结果
部分给出了在这些小波族上的算法的比较结果。最好的结果是在
“db2”
处获得的所提出的算法适用于通用阈值,其中阈值是专门为所
有小波系数选择的由于噪声在模拟
SAR
图像中是均匀分布的,因此
全局阈值法和分块阈值法都该算法使用全局阈值,由于更好的计算
成本比块处理。对实际
SAR
图像进行了同样的阈值处理,得到了与
第一种情况相同的良好结果由于真实
SAR
图像中的斑点分布是未知
的,但由于有效地使用了噪声阈值化方法,因此该算法在这种情况
下也能很好地
高达
3
级分解的
2D-DWT
将
图像分为四个分量,近似(LL1,LL2,LL3)和详细(LH1,HL1,
HH1),(LH2,HL2,HH2)和(LH3,HL3,
HH3)部分[80]。近似零件(LL1、LL2、LL3)受到 到DSF,然后
是方法噪声阈值化,而详细部分(LH1,HL1,HH1),(LH2,
HL2,HH2)和(LH3,HL3,HH3)是
进行小波阈值化,然后进行方法噪声阈值化。基于小波变换的去噪包括
以下几个步骤:首先进行小波变换,然后进行阈值化,最后一步 是
逆离散小波变换[10,13]。使用以下等式来评估阈值k,
.
r
2
!
:
符号
<$X<$$> j Xj-k<$<$ifjXj>k
在图像去噪应用中,完全恢复是不可能的,但信息的最大恢复是
可能的。小波分解后的细节部分包含了最大的细节信息,主要集中在
噪声较大的对角分量上。垂直和水平分量也包含一些次要信息。在细
节部分先进行小波阈值化,然后进行噪声阈值化
.
由于该分量包含最
大信息,因此,使用方法噪声的概念执行双阈值处理,以尽可能恢复
最大信息
[81]
。
噪声阈值法在恢复退化的边缘、纹理和前景物体方面发挥了很好
的作用方法噪声是一个简单而有效的概念。在大多数应用中,方法噪
声被用作后处理。但方法噪声的概念可以更明智地使用。最好的方法
噪声的使用给出了最好的结果。在这里,为了获得最佳结果,将噪声
阈值化方法应用于小波系数,其为下一级提供更干净和无噪声的系数
以进行进一步处理
[82]
。
DWT
和方法噪声的组合优势给出了最佳结果,因为边缘在这里被
局部保留而不是全局保留。它是通过在
2D-DWT
操作中处理所有小
波系数来完成的小波阈值化,然后是方法噪声阈值化应用于所有细节
部分(水平,垂直和对角线),这给出了最佳结果。详细部分表示为
D1
、
D2
和
D3
,即
D
i
,其中
对每个细节部分(
Di
)应用小波阈值(
W
)
H
¼
W D
i
14
H
up
¼D
i
--H 15
现在,再次在
H
上应用操作
使用鲁棒中值估计方法[40]估计噪声方差,如下所示:
中
位数n
=
2
H
0
u
0
更新日期:
2017
年
00
月
01
日
在分解的第三级
更新
的
H
包含最佳无噪声细节分量(水平、垂直和垂
直)。
其中,X<$m;n<$LH
L
,X<$m ;n<$HL
L
和X<$m ;n<$HH
L
,L是分解级。标
准方法仅适用于HH
L
,但在 建议的工作,它适用于所有的细节组成部
分