小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一 .在对目前小波去噪文献进行理解和综合的基础上 ,首先通过对小波去噪问题的描述 ,揭示了小波去噪的数学背景和滤波特性 ;接着分别阐述了目前常用的 3类小波去噪方法 ,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面 ,对小波图象去噪进行了综述 ;最后 ,基于对小波去噪问题的理解 。

一种小波系数模型在图像噪声参数估计中的应用

在小波图像处理中,通常利用HH子带来估计高斯白噪声方差,目前流行的估计方法是由Donoho和Johnstone提出的(简称DJ法),但是该方法给出的估计值通常都偏大。针对这一点,该文将他们的方法结合双随机小波系数模型,提出了一种新的、递归的方差估计方法。在已由Donoho的方法获得噪声方差估计的粗略估计的情况下,新方法利用统计学理论将HH子带中的信号滤除从而得到更接近于纯噪声的HH子带,然后利用这一新的HH子带来估计噪声的方差。结合EM参数估计方法,该方法还可以实现非高斯噪声参数的估计,实验表明新方法同Donoho法相比有很大的改善。

一种小波去噪方法的几点改进

Mihcak M.K,IEEE Signal Processing L etters,1996 ,6 (12 ) :30 0 30 3提出了小波去噪方法 L AWML(L AWMAP) ,并得到了非常好的去噪效果。该文针对其过保留小系数的特点提出了引入阈值处理以减少重建毛刺和提高去噪后信号的压缩率 ;根据小波系数子带能量分布的特点 ,提出对不同尺度不同子带选择不同邻域来提高方差估计的准确性 ;根据子带的方向选择性 ,提出用长方形代替正方形邻域的改进方案。通过实验证明了这些改进可以有效地弥补原先 L AWML (L AWMAP)方法的不足 ,得到更好的去噪效果.

基于小波系数多尺度随机过程模型的去噪方法

用多尺度随机过程对小波图像系数进行建模,并在此基础上提出了基于多尺度随机过程模型的小波图像去噪方法。通过阈值判断和邻域判断相结合的方法区分出对应边缘处的系数。对边缘区小波系数树估计多尺度随机过程的参数,利用多尺度滤波器对小波系数进行估计,对非边缘区的小波系数则采用阈值萎缩方法进行估计。该方法很好地刻画了边缘区小波系数跨尺度的行为,可以很好地保持图像边缘;而且还给出了估计误差的方差,利于理论分析。实验表明:该方法的去噪误差要优于Sureshrink法,而且对图像边缘的保护更利于后续的图像分割和轮廓跟踪。

基于混沌映射的单向Hash函数构造

为提高 Hash函数性能 ,尝试新的 Hash函数构造方法 ,提出一种基于混沌映射的 Hash函数构造思想 ,给出利用两个不同的混沌模型构造的单向 Hash函数 ,并初步分析了其作为单向 Hash函数的不可逆性 ,防伪造性 ,初值敏感性和混沌映射应用于单向 Hash函数构造的优点与潜力。实现了任意长原始文本单向 hash为 1 2 8bit Hash值的算法。实验结果表明 ,这种构造方法实现简单 ,对初值有高度敏感性 ,具有很好的单向 Hash性能。同时 ,该方法也易于改造为并行实现 ,并且迭代的步数与原始文本成正比 ,有成为一种快速实用的单向 Hash算法的潜力。