小波的循环阈值去噪方法

doi:10.3778/j.issn.1002-8331.2009.21.031

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (21): 106-108.DOI: 10.3778/j.issn.1002-8331.2009.21.031

• 图形、图像、模式识别 • 上一篇下一篇

小波的循环阈值去噪方法

余楚才¹，陈怀新²，李雷¹

1.电子科技大学电子工程学院，成都 610054
2.中国电子科技集团公司第十研究所（中国西南电子技术研究所），成都 610036

收稿日期:2008-04-24 修回日期:2008-07-23 出版日期:2009-07-21 发布日期:2009-07-21
通讯作者: 余楚才

Circulating threshold denoising method based on wavelet

YU Chu-cai¹，CHEN Huai-xin²，LI Lei¹

1.University of Electronic Science and Technology of China，Chengdu 610054，China
2.Southwest China Institute of Electronic Technology，Chengdu 610036，China

Received:2008-04-24 Revised:2008-07-23 Online:2009-07-21 Published:2009-07-21
Contact: YU Chu-cai

摘要/Abstract

摘要： 在D.L.Donoho提出的多分辨分析小波阈值去噪方法的基础上，针对SAR图像的相干斑噪声现象，提出一种小波域SAR图像的循环阈值去噪法，通过估计的噪声标准差和滤除信号后的噪声标准差之间的循环迭代，得到最优阈值。并以峰值信噪比和平滑指数等作为评价指标，与传统的软阈值、硬阈值以及几种空域滤波方法进行了比较。仿真结果表明，提出的新的阈值去噪算法无论是峰值信噪比，还是主观质量都优于软阈值、硬阈值去噪算法和各种空域滤波方法。

关键词: 小波变换, 软阈值函数, 硬阈值函数, 斑点噪声, 峰值信噪比

Abstract: Based on the multi-analysis wavelet threshold denoising method which is put forward by D.L.Donoho，a new wavelet threshold denoising method for SAR image is proposed aiming at speckle noise.The paper makes a comparison study among the traditional soft threshold，hard threshold and several kinds of spacial denoising methods by the performance evaluation criteria of PSNR and smooth index.Simulation results show that the proposed denoising algorithm owns better visual effect and PSNR performance than the traditional soft threshold，hard threshold and several kinds of spacial denoising methods.

Key words: wavelet transform, soft threshold function, hard threshold function, speckle noise, Peak Signal to Noise Ratio（PSNR）

余楚才¹，陈怀新²，李雷¹. 小波的循环阈值去噪方法[J]. 计算机工程与应用, 2009, 45(21): 106-108.

YU Chu-cai¹，CHEN Huai-xin²，LI Lei¹. Circulating threshold denoising method based on wavelet[J]. Computer Engineering and Applications, 2009, 45(21): 106-108.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[5]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[6]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[7]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[8]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[9]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[10]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[11]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[12]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[13]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[14]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.
[15]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.

小波的循环阈值去噪方法

Circulating threshold denoising method based on wavelet

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics