【正文】 我們一起 上網(wǎng)查詢資料，整合資料，然后各自結(jié)合自己課題的主要內(nèi)容進(jìn)行一絲不茍的撰寫。)。)。 ch1=soft_t(h1,thr3)。 cv1=hard_t(v1,thr3)。 thr=3*sigma。 [a3,h3,v3,d3]=dwt2(a2,39。per39。 滁州學(xué)院本科畢業(yè)設(shè)計 16 %指標(biāo) psnr1=psnr(II,I) psnr2=psnr(III,I) RMSE1=rmse(II,I) RMSE2=rmse(III,I) Entropy=entropy(III) % boat Matlab 源代碼 clear clc I=imread(39。 ca=idwt2(ca1,ch1,cv1,cd1,39。 cv1=soft_t(v1,thr3)。 x=3*sigma。)。 I=double(I)。 %去噪后的圖像 figure imshow(III)。)。 ch2=hard_t(h2,thr2)。 x=3*sigma。)。 I=double(I)。 現(xiàn)將本文工作總結(jié)如下： （ 1）介紹本文的選題 背景和意義 ，重點分析了 果品圖像去噪的研究現(xiàn)狀 。而經(jīng)典方法蘋果 的光滑掉了一些，不夠連續(xù)，得到的去噪圖像對 蘋果 頂部和底部的 細(xì)節(jié)保護(hù)不夠，出滁州學(xué)院本科畢業(yè)設(shè)計 11 現(xiàn)了模糊和間斷現(xiàn)象。 所以同樣具有一定的研究價值。 去噪后的圖像應(yīng)該和原來的圖像應(yīng)盡可能的接近，兩幅圖像的差值也就非常小，PSNR 也就越大。國際上通行的有 5 級評分的質(zhì)量尺度和妨礙尺度，如表 41 所示。這是因為一個圖像經(jīng)過去噪處理后所還原圖像的質(zhì)量好壞，對于人們判斷去噪方法的優(yōu)劣有很重要的意義。 由于軟閾值函數(shù) 影響重構(gòu)信號與真實信號的逼近程度，導(dǎo)致邊緣模糊 ， 同時 硬閾值函數(shù) 連續(xù)性不好，對信號重建會產(chǎn)生一些附加振蕩，容易出現(xiàn)振鈴、PseudoGibbs 等視覺失真 現(xiàn)象 。 針對 軟閾值法和硬閾值法的以上不足，本文 就要尋求一種新的閾值函數(shù)， 尋求的這種 新的閾值函數(shù)不僅 要能夠 實現(xiàn)閾值函數(shù)的功能， 體現(xiàn)出分解后系數(shù)的能量分布，還要 能夠具有高階導(dǎo)數(shù)。 小波變換具有多分辨率分析的特點，在時域、頻 域都具有較強的表征信號局部特征的能力，因此基于小波分析的圖像去噪技術(shù)已成為圖像去噪的一個重要方法。 下面 針對本文所需 就分解算法和重構(gòu)算法進(jìn)行 直接性地 說明。 第 4 章 應(yīng)用研究 ,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(jìn)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(jìn)的。 20xx 年，楊福增等人又提出了一種基于小波變換的 Wiener 濾波去噪方法。噪聲的存在，會對后續(xù)處理結(jié)果的好壞產(chǎn)生很大的影響。并利用本文方法與傳統(tǒng)方法進(jìn)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。 小波分析 作為一種嶄新的分析方法， 具有多分辨率特性， 在時域和頻域上同時具 有良好的局部化特性 。 由此可見，果品的科學(xué)分級 直接影響到果品的銷售以及在市場上的競爭力 。 1998 年何東健研究了利用中值濾波、鄰域平滑、高斯平滑法對蘋果圖像去噪的問題，20xx 年 等研究了在線識別蘋果果柄與花萼的機器視覺系統(tǒng) , 應(yīng)用常規(guī)的方法對圖像去噪 。 本文共分為 5 章，各章內(nèi)容安排如下： 第 1 章緒論 ,介紹 本文 的 選題 背景和意義 ， 重點分析了 果品圖像去噪的研究現(xiàn)狀 。 （ 22） 當(dāng)小波的容許性條件成立時，連續(xù)小波變換存在逆變換，變換式為： 滁州學(xué)院本科畢業(yè)設(shè)計 4 ? ? ? ? ? ??? ???? ????? ?? dbbaWTtf a btfadaC ?? ,21 (23) 其中 ??t? 的容許性條件為 ： ? ? ?? ? ?dwC R ww 2?? （ 24） 離散小波變換 為了適合數(shù)字計算機的處理需要對連續(xù)小波變換進(jìn)行離散化 ， 需要指出的是，對連續(xù)小波變換進(jìn)行離散化是針對連續(xù)的尺度參數(shù) a 和連續(xù)平移參數(shù) b 進(jìn)行離散化處理的，而不是針對時間 t 的。 fAj1? fDj 11? fDj 12? fDj 13? 12? 21? H G X fAj 12? 12? 12? G H ? ? 21? H G ? 與濾波器 X 卷積 H 低通濾波器 G 高通濾波器 12? 21? 在相鄰兩列間插入一列零 在相鄰兩行間插入一行零 fAj G H 12? 12? G H G H 21? 21? 21? 21? fDj 11? fDj 12? fDj 13? fAj1? X 與濾波器 X卷積 H 低通濾波器 G 高通濾波器 12? 從兩列中取一列 21? 從兩行中取一行 滁州學(xué)院本科畢業(yè)設(shè)計 6 3 基于小波變換的果品 圖像去噪 圖像去噪 的 基本原理 圖像去噪是基于噪聲和信號在頻域上的不同分布規(guī)則為依據(jù)的，一般情況下，有用信號是主要分布在低頻區(qū)域的，而噪聲則是多分布在高頻區(qū)域的，然而由于圖像的細(xì)節(jié)也 是分布在高頻區(qū)域的，因此如何在減少圖像噪聲的同時保留圖像的細(xì)節(jié)問題便成為圖像去噪技術(shù)的研究目標(biāo)。 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(jìn)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，不存在間斷點，可有效避免間斷，因此軟閾值函數(shù)估計的小波系數(shù)整體連續(xù)性好，估計信號不會產(chǎn)生附加振蕩，但它的導(dǎo)數(shù)不連續(xù)，在求高階導(dǎo)數(shù)時存在困難，并且與信號的小波系數(shù)存在恒定偏差，造成高頻信息丟失等 失真現(xiàn)象，影響重構(gòu)信號與真實信號的逼近程度，導(dǎo)致邊緣模糊。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(jìn)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。 第四步：效果評價。 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(jìn)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。 2255lg10 ?? （ 42） 式中 39。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(jìn)的閾值函數(shù)；分解層次均采用 3 層。 實驗中采用蘋果、草莓作為研究圖像。 綜合以上可得出結(jié)論， 本文方法 能進(jìn)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 。39。)。sym839。 %%%%%%%%%%%%%%%%%小波硬閾值去噪 %%%%%%%%%%%%%%% ch3=hard_t(h3,thr1)。 cd1=hard_t(d1,thr3)。sym839。39。)。sym839。 cv2=soft_t(v2,thr2)。 ca1=idwt2(ca2,ch2,cv2,cd2,39。 imwrite(III,39。 II=I+20*randn(size(I))。 [a2,h2,v2,d2]=dwt2(a1,39。 thr1=x*2^(1)。 cv2=hard_t(v2,thr2)。 ch2=soft_t(h2,thr2)。)。 %去噪后的圖像 figure imshow(III)。 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。 。 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）。)。 % %逆變換 滁州學(xué)院本科畢業(yè)設(shè)計 17 ca2=idwt2(a3,ch3,cv3,cd3,39。 cv3=soft_t(v3,thr1)。 cd3=hard_t(d3,thr1)。 %閾值改善系數(shù) sigma=median(abs(d1(:)))/。sym839。