【正文】 評價，并將數(shù) 據(jù)列表如表 42與 43，實驗結(jié)果如圖 41 和 42。 圖像 1 圖像 1 加噪 硬閾值 方法 去噪結(jié)果 軟閾值 方法 去噪結(jié)果 本文 方法 去噪結(jié)果 圖 41 圖像 1不同方法的去噪結(jié)果 表 42 實驗數(shù)據(jù)統(tǒng)計結(jié)果（ T=20） 圖像 1 RMSE PSNR（ dB） Entropy 硬閾值方法 軟閾值 方法 本文方法 從圖像 41 結(jié)果來看，本 文方法具有更飽滿的飽和度，去噪后的邊緣也更加光滑。而經(jīng)典方法草莓 表皮的紋路 比較光滑 連續(xù)，得到的去噪圖像對細 節(jié)保護不夠。并利用本文方法與傳統(tǒng)方法進行了仿真實驗，通過實驗結(jié)果驗證了本文算法 的可行性和有效性。 （ 4）重點闡述了圖像去噪效果的評價指標(biāo)；針對二組實驗圖像，利用本文方法與傳統(tǒng)方法進行了仿真實驗，使用評價指標(biāo)對實驗結(jié)果實施評價，獲得了數(shù)據(jù)；通過對實驗數(shù)據(jù)的分析得出結(jié)論：本文方法是有效的、先進的。 imshow(I)。 %小波變換 dwtmode(39。sym839。)。 %閾值改善系數(shù) sigma=median(abs(d1(:)))/。thr3=x。 cd3=hard_t(d3,thr1)。 ch1=hard_t(h1,thr3)。sym839。)。 III=uint8(ca)。)。 imshow(I)。 %小波變換 dwtmode(39。sym839。)。 %閾值改善系數(shù) sigma=median(abs(d1(:)))/。 cd3=soft_t(d3,thr1)。 ch1=soft_t(h1,thr3)。sym839。)。 III=uint8(ca)。)。 imshow(I)。 %%%%%%%%%%%%%%%%%小波新 閾值去噪 %%%%%%%%%%%%%%% %小波變換 dwtmode(39。sym839。)。 %閾值改善系數(shù) sigma=median(abs(d1(:)))/。thr3=x。 cd3=hard_t(d3,thr1)。 ch1=hard_t(h1,thr3)。 cv3=soft_t(v3,thr1)。 cd2=soft_t(d2,thr2)。 % %逆變換 滁州學(xué)院本科畢業(yè)設(shè)計 17 ca2=idwt2(a3,ch3,cv3,cd3,39。sym839。)。39。 2. 實驗環(huán)境 （ 1)硬件環(huán)境 ：聯(lián)想筆記本， Intel(R)CORE(TM)I2CPU（ 主頻 ） , 內(nèi)存，顯卡為 NVIDIA GEFORCE（顯存 512M）。 在 撰寫畢業(yè)設(shè)計的時候， 石老師循循善誘的教導(dǎo)以及 不拘一格的思路給予我無盡的啟迪 ，與同組同學(xué)們的相互探討使我懂得大家的力 量更加強大 。 。 最后我想感謝大學(xué)四年來，給了我無窮幫助的老師、同學(xué)和學(xué)長。 滁州學(xué)院本科畢業(yè)設(shè)計 18 致謝 在這論文即將完成之際，我的心情卻無法平靜，從選擇課題到完成論文，與石老師和同組同學(xué)們的共同努力使我收獲良多。 %指標(biāo) psnr1=psnr(II,I) psnr2=psnr(III,I) RMSE1=rmse(II,I) RMSE2=rmse(III,I) Entropy=entropy(III) 附錄 2 圖像來源與實驗環(huán)境 1. 圖像來源 本文二組原圖像來自于百度圖像，由于是彩色圖像，于是用 的 rgb2gray 函數(shù)進行了灰度化處理。 %去噪后的圖像 figure imshow(III)。 ca=idwt2(ca1,ch1,cv1,cd1,39。)。 cv1=soft_t(v1,thr3)。 ch2=soft_t(h2,thr2)。 cd1=hard_t(d1,thr3)。 cv2=hard_t(v2,thr2)。 ch3=hard_t(h3,thr1)。 thr1=x*2^(1)。sym839。 [a2,h2,v2,d2]=dwt2(a1,39。)。 II=I+20*randn(size(I))。39。 imwrite(III,39。sym839。 ca1=idwt2(ca2,ch2,cv2,cd2,39。 cd1=soft_t(d1,thr3)。 cv2=soft_t(v2,thr2)。 %%%%%%%%%%%%%%%%%小波軟閾值去噪 %%%%%%%%%%%%%%% ch3=soft_t(h3,thr1)。sym839。 [a2,h2,v2,d2]=dwt2(a1,39。)。 II=I+20*randn(size(I))。39。 imwrite(III,39。sym839。 ca1=idwt2(ca2,ch2,cv2,cd2,39。 cd1=hard_t(d1,thr3)。 cv2=hard_t(v2,thr2)。 %%%%%%%%%%%%%%%%%小波硬閾值去噪 %%%%%%%%%%%%%%% ch3=hard_t(h3,thr1)。 thr1=x*2^(1)。sym839。 [a2,h2,v2,d2]=dwt2(a1,39。)。 II=I+20*randn(size(I))。39。 （ 2）闡述 小波 分析的基本原理 ,詳細探討了 Mallat 算法。 綜合以上可得出結(jié)論， 本文方法 能進一步提高 峰值 信噪比 和熵 ， 降低均方根誤差， 獲得更好的去噪效果， 充分發(fā)揮了小波閾值去噪方法的優(yōu)越性，具有較高的應(yīng)用價值 。 同時，由表 42 可得： 本文方法獲取的 均方根誤差 比較低， 均方根誤差 RMSE 相比軟閾值下降了 ％ , 比硬閾值所得結(jié)果下降了 ％，表明了去噪圖像更接近于原圖像 ，去噪效果更加有效；獲取的峰值信噪比較高， 比軟閾值所得結(jié)果提高了 ％，比硬閾值所得結(jié)果提高了 7％，顯然， 本文方法比較更有效地保留了有用信息； 熵 Entropy相比軟閾值提高了 %，相比硬閾值提高了 %，表明了去噪圖像保留了更多的原圖像信息 。 實驗中采用蘋果、草莓作為研究圖像。 圖像的噪聲選擇 加入 25%的加性噪聲。其中經(jīng)典的小波變換方法中采用二維離散小波變換，小波基選用 db8，濾波器選用 97，閾值函數(shù)選擇軟硬閾值函數(shù)，本文方法中采用二維離散小波變換，小波基選用 sym8，濾波器選擇 97，閾值函數(shù)采用 節(jié)中探討的改進的閾值函數(shù)；分解層次均采用 3 層。因此去噪后圖像越接近原來的圖像，其 PSNR 也就越 大。 2255lg10 ?? （ 42） 式中 39。 表 41 圖像主觀評價尺度評分表 效果 得分 質(zhì)量尺度 妨礙尺度 5 非常好 絲毫看不出圖像質(zhì)量變壞 4 好 能看出圖像質(zhì)量變壞，不妨礙觀看 3 一般 能清楚地看出圖像質(zhì)量變壞，對觀看稍有妨礙 2 差 對觀看有妨礙 1 非常差 非常嚴(yán)重地妨礙觀看 滁州學(xué)院本科畢業(yè)設(shè)計 9 客觀評價方法 為了客觀地評價去噪圖像的質(zhì)量，本文在主觀視覺的基礎(chǔ)上，選用體現(xiàn)去噪圖像自身特性與原圖像關(guān)系的 均方根誤差 RMSE（ rootmeansquare error） 、峰值信噪比 PSNR（ Peak Signal to Noise Ratio） 以及熵 Entropy，作為對不 同方法去噪結(jié)果的客觀評價指標(biāo)。 主觀評價方法 主觀評價通常有兩種：一種是作為觀察者的主觀評價，這是由 選定的一組人對圖像直接用肉眼進行觀察，然后分別給出其對所觀察的圖像的質(zhì)量好或壞的評價，再綜合全組人的意見給出一個綜合結(jié)論。目前對圖像的去噪質(zhì)量評價主要有兩類常用的方法：一類是人的主觀評價，它由人眼直接觀察圖像效果，還只是一個 定性的描述方法，不能作定量描述，但它能反映人眼的視覺特性。 第四步：效果評價。而本文 新的閾值 函數(shù)不僅能實現(xiàn)閾值函數(shù)的功能， 體現(xiàn)出了分解后系數(shù)的能量分布， 而且具有高階導(dǎo)數(shù)， 是介于軟 硬閾值函數(shù)之間的一個靈活選擇 。利用二維離散小波變換的分解算法即公式（ 29） 對待去噪的圖像進行分解，獲得不同尺度不同方向的子帶系數(shù)，其中分解層數(shù)選擇 3 層。根據(jù) 指數(shù)函數(shù)具有 高階可導(dǎo)的特性，為此 給出 了改進的新的閾值函數(shù)，其函數(shù)表達式如下： ???????????TkjWTkjWTkjWkjWukjWkjW),(,0),(),),())(,(s gn ()1(),(),(? （ 33） 其中， )0(1 2)),(( ??? ?? meu TkjWm ，新閾值函數(shù)是介于軟 硬閾值函數(shù)之間的一個靈活選擇。 小波正變換 圖像輸入 圖像輸入 圖像輸入 圖像輸出 圖像去噪 小波逆變換 滁州學(xué)院本科畢業(yè)設(shè)計 7 （ a)軟閾值函數(shù) （ b)硬閾值函數(shù) 圖 32 常見的 閾值函數(shù) 改進的閾值函數(shù) 從 圖 32 中可以看出，軟閾值函數(shù)在小波域連續(xù)，將邊界出現(xiàn)不連續(xù)點收縮為零