小波阈值图像去噪算法与Matlab实现详解

1. 小波阈值图像去噪技术解析

在数字图像处理领域，噪声污染一直是影响图像质量的关键问题。传统去噪方法往往难以兼顾噪声消除与细节保留的平衡，而小波变换凭借其独特的时频局部化特性，为这一难题提供了创新解决方案。本文将深入剖析七种核心去噪算法（均值/中值/高斯低通/硬阈值/软阈值/半软硬阈值/广义小波阈值）的实现原理与Matlab实践技巧。

1.1 噪声类型与评价体系

典型图像噪声主要分为：

• 高斯噪声：概率密度服从正态分布，表现为均匀颗粒状
• 椒盐噪声：随机出现的黑白像素点，模拟传感器缺陷
• 泊松噪声：与信号强度相关的光子计数噪声
• 乘性噪声：与图像信号相关的散斑噪声

评价指标采用：

matlab复制% PSNR计算
function psnr = calcPSNR(origImg, denoisedImg)
    mse = mean((origImg(:) - denoisedImg(:)).^2);
    psnr = 10 * log10(255^2 / mse);
end

% MSE计算
function mse = calcMSE(img1, img2)
    mse = mean((img1(:) - img2(:)).^2); 
end

1.2 小波去噪核心流程

1. 小波分解：选择合适基函数（如db4/sym8）进行N层分解
2. 阈值处理：对高频子带系数进行阈值筛选
3. 重构图像：逆变换获得去噪结果

关键提示：小波层数选择需权衡计算成本与去噪效果，通常3-5层为宜

2. 传统去噪算法实现与对比

2.1 空域滤波方法

2.1.1 均值滤波

matlab复制function output = meanFilter(input, windowSize)
    h = fspecial('average', windowSize);
    output = imfilter(input, h, 'replicate');
end

• 优点：算法简单，计算效率高
• 缺点：导致边缘模糊，窗口越大模糊越严重

2.1.2 中值滤波

matlab复制function output