论文部分内容阅读
随着计算机处理能力的不断增强和信息社会对多媒体信息处理要求的不断增加,图像处理已成为一个相当活跃的研究领域。图像的去噪处理就是要改善图像的质量,使之更适合于实际的应用需求。小波分析是局部化时频分析,它用时域和频域的联合来表示信号的特征,是分析非平稳信号的强有力工具,它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提取信息。近年来,小波变换在图像处理,模式识别中得到了广泛的应用。小波变换是线性变换,对于被噪声污染的信号,它的小波变换也是由信号小波变换和噪声小波变换相加组成的。1994年Donoho提出了小波软、硬阈值图像去噪方法。小波阈值去噪的基本思想是根据噪声通常表现为高频信号的特性,对小波分解的高频系数进行门限阈值处理,从而达到图像去噪目的。后来在小波阈值去噪基础上,很多学者提出的改进方法都是致力于门限阈值的研究。本论文首先深入分析了传统的去噪方法存在的缺陷,在小波包去噪方法的基础上,结合小波包分解方法和支持向量机方法各自的优点,提出了一种基于小波包分解和支持向量机相结合的图像去噪方法。其基本思想是:首先利用小波包对含噪图像的高频和低频部分分别进行分解,得到包含图像各个细节部分的信息;同时对分解后的小波包结点系数利用支持向量机进行分类,将图像与噪声的小波包系数进行分离;最后对小波包结点系数进行重构,还原原始图像。其中支持向量机核函数参数和惩罚因子是决定新去噪方法去噪效果的重要因素,因此论文在支持向量机核函数参数和惩罚因子的选择上,利用交叉验证方法来选择模型参数,并分析了在不同搜索区间,交叉验证方法的分类准确度和参数选择时间,最终确定针对不同类型噪声的最优核函数参数和惩罚因子。论文中还重点探讨了对于不同类型噪声,新的去噪方法的去噪效果。仿真结果表明,新的去噪方法比现行通用的去噪方法在图像细节的保留上要优越,其中针对随机噪声的去噪效果要更为突出。