小波变换和数字图像处理中的应用_PPT课件.ppt

目 录 8.1 从傅里叶变换到小波变换的时频分析法 8.2 小波变换分类 8.3 小波变换的多分辨分析特性 8.4 尺度函数与小波 8.5 小波变换的实现 8.6 图像的多分辨分解与重建 8.7 小波变换在图像边缘检测中的应用 8.8 小波变换在图像去噪中的应用 8.9 小波变换在图像融合中的应用 8.9 小波变换在图像融合中的应用 利用小波进行图像融合的基本思想是： 1、先对多源图像进行二维小波分解； 2、然后在小波变换域内通过比较各图像的细节信息，在不同尺度上实现图像融合，提取出重要的小波系数；(融合法则) 3、最后进行小波反变换，得到数据融合之后的图像。 8.9.1 基于小波的图像融合方法 8.9.2 基于小波图像融合的过程 基于小波变换的图像融合过程 8.9.3 像素级融合的基本原理 基于像素的融合规则 融合算子的确定 低频融合算子 高频融合算子 8.9.4 区域融合的基本原理 基于区域的融合规则 融合算子的确定 低频融合算子 高频融合算子 8.9.5 实现中涉及的的一些关键问题 1、小波基的选取 ： 通常在设计滤波器时，考虑的主要方面有： 紧支撑性(Compact Support)：h(n)的取值范围是有限的，在该取值范围内，h(n)的值不为零，在该范围以外，h(n)的值为零。具有紧支撑的小波基收敛速度快。 规则性(Regularity)：即平滑性(Smoothness)或连续性(Continuity)。在图像融合中，若滤波器的规则性较好，则进行重构时的视觉效果较好。 对称性(Symmetry)：也称线性相位(Linear Phase)。h(n)在时域的对称，在频域上就表现为具有线性相位。 8.9.5 实现中涉及的的一些关键问题 2、边界延拓问题 ： 实际的图像处理中，由于图像都是有限尺寸的，在把滤波器应用于边界时，存在如何处理边界的问题。比较常用的方法有零延拓、边界重复延拓、周期延拓和对称周期延拓和双对称延拓等。主要目的是要降低边界不连续性所产生的在边界上变换系数衰减慢的问题。 8.7.6 实验结果（一） 五个尺度的模极大值提取 第一个尺度的噪声很多 多尺度链接后的模极大值 实验二:阈值的选取对边缘检测结果影响的实验 用固定阈值在一阶尺度提取的边缘 用自适应阈值在一阶尺度提取的边缘 用固定阈值在二阶尺度提取的边缘 用自适应阈值在二阶尺度提取的边缘 实验三：三种模极大值边缘检测方法的性能比较 ? 边缘检测效果 抑制噪声能力 (加入均值为0,方差为0.001的高斯噪声) 计算量 模极大值边缘检测的简化方法 相对最差 抑制噪声能力最弱 最小 模极大值边缘检测的原始算法 相对较好 抑制噪声能力较强 稍大 模极大值边缘检测多尺度综合法 效果最好 抑制噪声能力最强 最大 实验四：基于三次B样条小波的边缘检测实验 ? 抑制噪声方面 (加入均值为0，方差为0.001的高斯噪声) 提取边缘能力方面（对比度为2%的低对比度边缘） 计算量方面(基于双DSP平台) Roberts 最差，无法分离边缘与噪声 最差，边缘定位不准确 1.34ms Sobel 性能优于Roberts 优于Roberts 1.62ms 拉普拉斯高斯算子 优于Roberts和Sobel，能部分检测出边缘 效果优于Roberts和Sobel 2.69ms 小波模极大值方法 优于上面三种方法，能检测出主要边缘 很好，少部分提取的不准确 18.9ms 小波多尺度综合方法 效果最好，检测出的边缘受噪声影响很小 最好，几乎能提取出全部微弱边缘信息 59.2ms 由于小波变换具有多分辨分析特性和时频局部化能力，在边缘检测、去噪和图像增强等方面都具有很强的优势； 更适合用来检测受噪声污染严重的模糊图像和低对比度图像，尤其对微弱目标，它首先能抑制噪声、增强对比度，然后利用多尺度的模极大值方法有效检测出目标边缘，从而实现3％对比度下的目标精确定位； 这种算法要进行多尺度运算，所以计算量很大。 小 结 目 录 8.1 从傅里叶变换到小波变换的时频分析法 8.2 小波变换分类 8.3 小波变换的多分辨分析特性 8.4 尺度函数与小波 8.5 小波变换的实现 8.6 图像的多分辨分解与重建 8.7 小波变换在图像边缘检测中的应用 8.8 小波变换在图像去噪与增强中的应用 8.9 小波变换在图像融合中的应用 8.8 小波变换在图像去噪与增强中的应用 高频系数置零的线性去噪方法 小波系数硬阈值去噪方法 小波系数软阈值去噪方法 小波系数自适应阈值去噪方法 基于小波模极大值的去噪方法 基于信号奇异性的去噪方法