: 小波边缘检测的方法,适用于图像的边缘检测的小波系数。更换与保存与系数的边缘相对应的系数。检测到的边缘也包含噪声,因此必须对其进行降噪处理过。在这里,我们再次使用基于小波消噪的门槛过滤器,但应用的门槛要低得多, T ,以保持更多的边缘信息:通过施加反向小波变换,我们可以得到去噪图像。我们对已被具有零均值和不同的方差的高斯白噪声损坏的图像采用三个去噪方法。这三种方法是:我们提出的方法,经典图像小波阈值去噪,和经典的图像小波阈值去噪。显示了实验结果。给出了去噪图像。从表和图中,我们可以看到,传统的降噪方法是很难决定阈值的。当我们使用的 VisuShink 阈值,去噪图像是平滑的,但是,在同一时间,更多的边缘信息丢失,所以也有明显的模糊边缘。当我们降低门槛,它乘以一个系数 p, 更多的边缘信息保持,但也降低 PSNR 值。因此, 传统的降噪方法,是很难决定阈值的高低。在同一时间,阈值越高,去噪效果越好, 边缘越模糊。在我们提出的去噪方法中,这些图像的适用于图像边缘小波边缘检测的方法在噪前图像小波系数的被首选。然后,检测到的小波系数将被保护的去噪,因此,我们可以设置仅基于噪声方差,而不损坏图像的边缘的去噪阈值。本文的理论分析和实验结果,常用的小波阈值去噪方法相比,我们的方法可以保持图像的边缘损坏和提高 PSNR 可达 1? 2分贝的。基于小波变换的图像去噪是小波应用的一个成功。由于其算法简单,计算量小, 去噪阈值可以得到广泛的应用。边缘和噪声信息是高频信息,所以边缘信息的损失是明显的去噪过程中的必然。如果我们结合边缘检测与去噪,我们可以克服的缺点常用的去噪方法,并做去噪无需特别是模糊的边缘。此外,还有许多去噪和边缘检测的方法,现在在使用。不同的方法适用于不同的图像类型,对于不同的噪声模型。关于如何根据图像的内容和噪声的性质组合这些不同的去噪及边缘检测方法,我们可以做进一步的研究。
全文预览
