没有合适的资源?快使用搜索试试~ 我知道了~
基于Matlab的小波分析在图像处理中的应用.doc
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 157 浏览量
2022-06-26
09:17:26
上传
评论 2
收藏 1.16MB DOC 举报
温馨提示
试读
29页
基于Matlab的小波分析在图像处理中的应用.doc
资源推荐
资源详情
资源评论
基于 Matlab 的小波分析在图像处理中的应用
摘要:本文先介绍了小波分析得基本理论,包括连续小波变换、离散小波变换和小波包分
析。小波变换具有时频局部化的特点,因此不但能对图像提供较精确的时域定位,也能提供
较精确的频域定位。经过小波变换的图像具有频谱划、方向选择、多分辨率分析和天然
塔式数据结构特点。基于小波变换这些特性,讨论了 MATLAB 语言环境下图像压缩,图
像去噪,图像融合,图像分解,图像增强的基本方法。
关键词:小波分析;图像压缩;图像去噪;图像融合;图像分解;图像增强
1 引言
小波分析诞生于 20 世纪 80 年代, 被认为是调和分析即现代 Fourier 分析发展的一个崭
新阶段。众多高新技术以数学为基础,而小波分析被誉为“数学显微镜”,这就决定了它在高
科技研究领域重要的地位。目前, 它在模式识别、图像处理、语音处理、故障诊断、地球
物理勘探、分形理论、空气动力学与流体力学上的应用都得到了广泛深入的研究 ,甚至在
金融、证券、股票等社会科学方面都有小波分析的应用研究。
在传统的傅立叶分析中,信号完全是在频域展开的,不包含任何时频的信息,这对
于某些应用来说是很恰当的,因为信号的频率的信息对其是非常重要的。但其丢弃的时
域信息可能对某些应用同样非常重要,所以人们对傅立叶分析进行了推广,提出了很多
能表征时域和频域信息的信号分析方法,如短时傅立叶变换,Gabor 变换,时频分析,小
波变换等。其中短时傅立叶变换是在傅立叶分析基础上引入时域信息的最初尝试,其基
本假定在于在一定的时间窗内信号是平稳的,那么通过分割时间窗,在每个时间窗内把
信号展开到频域就可以获得局部的频域信息,但是它的时域区分度只能依赖于大小不变
的时间窗,对某些瞬态信号来说还是粒度太大。换言之,短时傅立叶分析只能在一个分
辨率上进行。所以对很多应用来说不够精确,存在很大的缺陷。
而小波分析则克服了短时傅立叶变换在单分辨率上的缺陷,具有多分辨率分析的特
点,在时域和频域都有表征信号局部信息的能力,时间窗和频率窗都可以根据信号的具
体形态动态调整,在一般情况下,在低频部分(信号较平稳)可以采用较低的时间分辨
率,而提高频率的分辨率,在高频情况下(频率变化不大)可以用较低的频率分辨率来
换取精确的时间定位。
本文介绍了小波变换的基本理论,并介绍了一些常用的小波函数,它们的主要性质
包括紧支集长度、滤波器长度、对称性、消失矩等,都做了简要的说明。然后研究了小
波分析在图像处理中的应用,包括图像压缩,图像去噪,图像融合,图像分解,图像增
强等。
2 小波分析的基本理论
2.1 连续小波变换
定义:设,其傅立叶变换为,当满
足允许条件(完全重构条件或恒等
分辨条件)
<
(1)
1
时,我们称为一个基本小波或母小波。 将母函数经伸缩和平移后得
(2)
称其为一个小波序列。其中 a 为
伸缩因子,b 为平移因子。对于任意
的函数的连续小波变换为
(3)
其 重 构 公 式 ( 逆 变
换)为
(4)
由于基小波生成的小
波在小波变换中对被分析的信号起着观 测窗的作用,所以还应该满足一般函数
的约束条件
〈
(5)
故是一个连续函数。这意味着,为了满 足完全重构条件式,在原点必须等于 0,
即
(6)
为了使信号重构的实现在数值上
是稳定的,处理完全重构条件外,还要求小波的傅立叶变化满足下面的稳定性条件:
(
7)
式中 0〈AB〈。
2.2 离散小波变换
在实际运用中,尤其是在计算机
上实现时,连续小波必须加以离散化。
因此,有必要讨论连续小波和连续小波变换的离散化。需要强调指出的是,这一离散化
都是针对连续的尺度参数 a 和连续平移参数 b 的,而不是针对时间变量 t 的。这一点与我
们以前习惯的时间离散化不同。在连续小波中,考虑函数:
这里,,且,是容许的,为方便起 见,在离散化中,总限制 a 只取正值,这
样相容性条件就变为
(8)
通常,把连续小波变换中尺
度参数 a 和平移参数 b 的离散公式分别
取作,,这里,扩展步长是固定值,为方便起见,总是假定(由于 m 可取正也可取负,所
以这个假定无关紧要)。所以对应的离散小波函数即可写作
(9)
而离散化小波变换
系数则可表示为
(10)
其重构公式为
(11)
00
bkab
j
2
C 是一个与信号无关的常数。然而, 怎样选择和,才能够保证重构信号的精
度呢?显然,网格点应尽可能密(即和 尽可能小),因为如果网格点越稀疏,
使用的小波函数和离散小波系数就越少,信号重构的精确度也就会越低。
2.3 小波包分析
短时傅立叶变换对信号的频带划分是线性等间隔的。多分辨分析可以对信号进行有
效的时频分解,但由于其尺度是按二进制变化的,所以在高频频段其频率分辨率较差,
而在低频频段其时间分辨率较差,即对信号的频带进行指数等间隔划分(具有等 Q 结
构)。小波包分析能够为信号提供一种更精细的分析方法,它将频带进行多层次划分,
对多分辨率分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适
应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨率,因此小波包具有
更广泛的应用价值。
关于小波包分析的理解,我们这里以一个三层的分解进行说明,其小波包分解树如图
图 1 小波包分解树
图 1 中,A 表示低频,D 表示高频,末尾的序号数表示小波分解的层树(也即尺度
数)。分解具有关系:
S=AAA3+DAA3+ADA3+DDA3+AAD3+DAA3+ADD3+DDD3
3 常用小波基介绍
(1)Haar 小波
Haar 于 1990 年提出一种正交函数系,定义如下:
(12)
这是一种最简单的正交小波,即
…
(2)Daubechies(dbN)小波系
该 小 波 是 Daubechies 从 两
尺度方程系数出发设计出来的离
散 正 交 小 波 。 一 般 简 写 为
dbN,N 是小波的阶数。小波和尺度函数吁中的支撑区为 2N-1。的消失矩为 N。除 N=1
外(Haar 小波),dbN 不具对称性〔即非线性相位〕;dbN 没有显式表达式(除 N=1 外)。但
的传递函数的模的平方有显式表达式。假设,其中,为二项式的系数,则有
(13)
其中
(3)Biorthogonal(biorNr.Nd)
小波系
Biorthogonal 函数系的主要特征体现在具有线性相位性,它主要应用在信号与图像的
3
AAA3 DAA3 ADA3 DDA3 AAD3 DAA3 ADD3 DDD3
AA2 DA2 AD2 DD2
A1 D1
S
重 构 中 。 通 常 的 用 法 是 采 用 一 个 函 数 进 行 分 解 , 用 另 外 一 个 小 波 函 数 进 行 重 构 。
Biorthogonal 函数系通常表示为 biorNr.Nd 的形式:
Nr=1 Nd=1,3,5
Nr=2 Nd=2,4,6,8
Nr=3 Nd=1,3,5,7,9
Nr=4 Nd=4
Nr=5 Nd=5
Nr=6 Nd=8
其中,r 表示重构,d 表示分解。
(4)Coiflet(coifN)小波系
coiflet 函 数 也 是 由 Daubechies 构 造 的 一 个 小 波 函 数 , 它 具 有
coifN(N=1,2,3,4,5)这一系列,coiflet 具有比 dbN 更好的对称性。从支撑长度的角
度看,coifN 具有和 db3N 及 sym3N 相同的支撑长度;从消失矩的数目来看,coifN 具有和
db2N 及 sym2N 相同的消失矩数目。
(5)SymletsA(symN)小波系
Symlets 函数系是由 Daubechies 提出的近似对称的小波函数,它是对 db 函数的一种改
进。Symlets 函数系通常表示为 symN(N=2,3,…,8)的形式。
(6)Morlet(morl)小波
Morlet 函数定义为,它的尺
度函数不存在,且不具有正交性。
(7)Mexican Hat(mexh)小波
Mexican Hat 函数为
(14)
它是 Gauss 函数的二阶导
数,因为它像墨西哥帽的截面,所以有时称这个函数为墨西哥帽函数。墨西哥帽函数在
时间域与频率域都有很好的局部化,并且满足
由于它的尺度函数不存在,所以不具有正交性。
(8)Meyer 小波
Meyer 小波函数和尺度函数都是在频 率域中进行定义的,是具有紧支撑的正交
小波。
(15)
其中,为构造 Meyer 小波的辅助函
数,且有
(16)
4 小波分析
在图像处理中的应用
4.1 小波分析用于图像压缩
4
4.1.1 基于小波变换的图像局部压缩
基于离散余弦变换的图像压缩算法,其基本思想是在频域对信号进行分解,驱除信
号点之间的相关性,并找出重要系数,滤掉次要系数,以达到压缩的效果,但该方法在
处理过程中并不能提供时域的信息,在我们比较关心时域特性的时候显得无能为力。
但是这种应用的需求是很广泛的,比如遥感测控图像,要求在整幅图像有很高压缩
比的同时,对热点部分的图像要有较高的分辨率,例如医疗图像,需要对某个局部的细
节部分有很高的分辨率,单纯的频域分析的方法显然不能达到这个要求,虽然可以通过
对图像进行分快分解,然后对每块作用不同的阈值或掩码来达到这个要求,但分块大小
相对固定,有失灵活。
在这个方面,小波分析就优越的多,由于小波分析固有的时频特性,我们可以在时
频两个方向对系数进行处理,这样就可以对我们感兴趣的部分提供不同的压缩精度。
下面我们利用小波变化的时频局部化特性,举一个局部压缩的例子,可以通过这个
例子看出小波变换在应用这类问题上的优越性。
load wbarb
%使用sym4小波对信号进行一层小波分解
[ca1,ch1,cv1,cd1]=dwt2(X,'sym4');
codca1=wcodemat(ca1,192);
codch1=wcodemat(ch1,192);
codcv1=wcodemat(cv1,192);
codcd1=wcodemat(cd1,192);
%将四个系数图像组合为一个图像
codx=[codca1,codch1,codcv1,codcd1]
%复制原图像的小波系数
rca1=ca1;
rch1=ch1;
rcv1=cv1;
rcd1=cd1;
%将三个细节系数的中部置零
rch1(33:97,33:97)=zeros(65,65);
rcv1(33:97,33:97)=zeros(65,65);
rcd1(33:97,33:97)=zeros(65,65);
codrca1=wcodemat(rca1,192);
codrch1=wcodemat(rch1,192);
codrcv1=wcodemat(rcv1,192);
codrcd1=wcodemat(rcd1,192);
%将处理后的系数图像组合为一个图像
codrx=[codrca1,codrch1,codrcv1,codrcd1]
%重建处理后的系数
rx=idwt2(rca1,rch1,rcv1,rcd1,'sym4');
subplot(221);image(wcodemat(X,192)),colormap(map);title('原始图像');
subplot(222);image(codx),colormap(map);title('一层分解后各层系数图像');
subplot(223);image(wcodemat(rx,192)),colormap(map);title('压缩图像');
subplot(224);image(codrx),colormap(map);title('处理后各层系数图像');
%求压缩信号的能量成分
5
剩余28页未读,继续阅读
资源评论
- 2301_766993512024-02-05非常有用的资源,可以直接使用,对我很有用,果断支持!
智慧安全方案
- 粉丝: 3598
- 资源: 59万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功