基于VisuShrink的小波图像去噪系统

资 源 简 介

本项目主要针对受高斯白噪声污染的数字图像，实现了一种基于VisuShrink（通用阈值）策略的小波域去噪算法。程序首先对输入的原始图像添加指定强度的高斯噪声以模拟真实环境下的含噪图像。随后，利用离散小波变换（DWT）将图像分解为不同尺度的子带，提取出高频细节系数和低频近似系数。核心算法采用VisuShrink方法，根据图像的总像素数和噪声的标准差自适应地计算全局通用阈值。该阈值被应用于小波系数的软阈值或硬阈值处理过程中，旨在有效抑制噪声引起的小系数，同时保留包含图像主要特征的大系数。最后，通过离散小波逆变换（IDWT）重构图像，直观展示去噪前后的视觉效果差异，并输出峰值信噪比（PSNR）和均方误差（MSE）等客观评价指标，用于验证VisuShrink算法在抑制高斯噪声方面的有效性和相对于未处理噪声图像的质量提升。

详 情 说 明

项目：基于VisuShrink的自适应小波图像去噪系统

1. 项目介绍

本项目实现了一个基于MATLAB的小波变换图像去噪系统。该系统专注于处理受高斯白噪声污染的数字图像，采用经典的VisuShrink（通用阈值）策略进行图像恢复。程序能够模拟噪声环境，自适应计算去噪阈值，并通过软阈值或硬阈值函数对小波系数进行处理，从而在抑制噪声的同时尽可能保留图像的边缘和纹理细节。系统最终输出直观的视觉对比结果以及客观的量化评价指标。

2. 功能特性

• 图像读取与兼容性：支持读取外部彩色或灰度图像，并内置自动生成测试图像（棋盘格）的故障转移机制，确保在无素材情况下代码仍可运行。
• 噪声模拟：能够向原始图像添加指定强度（标准差）的高斯白噪声，精确模拟真实场景下的含噪图像。
• 自适应去噪算法：实现了基于VisuShrink策略的核心去噪逻辑，利用小波分解的高频系数动态估计噪声水平，并计算通用阈值。
• 多通道支持：代码能自动识别图像通道数，对彩色图像的R、G、B通道分别进行独立去噪处理。
• 灵活配置：支持用户自定义噪声强度、小波基函数类型（如sym8, db4等）、分解层数以及阈值策略（软阈值/硬阈值）。
• 性能评估：自动计算并输出去噪前后图像的均方误差（MSE）和峰值信噪比（PSNR），提供客观的质量分析。
• 可视化展示：生成包含原始图像、含噪图像和去噪后图像的对比视图，并在图题中动态显示当前的噪声参数和PSNR值。

3. 系统要求

• MATLAB R2016a 或更高版本
• Wavelet Toolbox（小波工具箱）- 用于调用 wavedec2, waverec2, wthresh, detcoef2 等核心函数。
• Image Processing Toolbox（图像处理工具箱）- 用于图像读取和基本处理。

4. 使用方法

该项目主要通过运行主入口脚本启动。用户可以在脚本顶部的参数配置区域修改以下变量以调整实验设置：

• noise_sigma_val：设置高斯噪声的标准差（数值越大噪声越强）。
• wavelet_name：指定小波基名称（例如 'sym8', 'haar', 'db4'）。
• decomp_level：指定小波分解的层数。
• threshold_type：选择阈值处理方式，'s' 代表软阈值，'h' 代表硬阈值。

运行程序后，控制台将输出去噪过程的状态信息及最终的MSE和PSNR对比结果，同时会弹出一个窗口展示图像处理的视觉效果。

5. 实现逻辑与代码分析

系统主要由主流程控制、核心去噪算法与评价指标计算三部分组成，具体实现细节如下：

5.1 数据预处理与噪声生成

主流程首先对环境进行初始化，清理工作区。在加载图像时，程序将图像数据转换为双精度浮点型（double），并将像素值归一化到 [0, 1] 范围以便于后续的数学运算。 在添加噪声阶段，程序通过内置的随机数生成器（固定随机种子以保证结果可复现）生成与原图尺寸一致的高斯分布矩阵。由于输入的噪声标准差是基于0-255像素范围设定的，程序会自动将其归一化（除以255）以匹配浮点图像的数值范围。生成的含噪图像会经过数值裁剪，确保像素值不会溢出 [0, 1] 的合法区间。

5.2 VisuShrink 核心去噪算法

这是系统的核心功能模块，针对每个颜色通道独立执行。其内部逻辑包含五个关键步骤：

1. 离散小波分解：利用二维离散小波变换（2D-DWT）将图像分解为指定层数的近似系数和细节系数。
2. 噪声方差的鲁棒估计：

* 算法并不直接使用添加噪声时的已知方差，而是通过分析图像自身的数据进行盲估计。 * 它提取第一层分解中的对角线细节系数（High-High subband，即HH1），因为该频带主要包含高频噪声而较少包含图像信号。 * 采用中位数绝对偏差（MAD）方法估计噪声标准差，计算公式为：估计标准差 = HH1系数绝对值的中位数 / 0.6745。这种方法比传统的标准差计算更能抵抗异常值（即图像边缘信号）的干扰。

1. 通用阈值计算：根据VisuShrink定义的通用阈值公式计算全局阈值 T。T 等于估计的标准差乘以 sqrt(2 * log(图像总像素数))。该阈值随着图像尺寸的增大而增大，旨在以很高的概率去除纯高斯噪声。
2. 系数阈值处理：

* 程序将分解后的系数向量分离为低频近似系数和高频细节系数。 * 仅对细节系数应用阈值处理，近似系数保持不变。 * 根据用户配置，调用相关函数执行软阈值（Soft Thresholding）或硬阈值（Hard Thresholding）操作，去除小于阈值的系数。

1. 图像重构：将保留的近似系数和处理后的细节系数重新组合，利用离散小波逆变换（IDWT）重构出去噪后的图像矩阵。

5.3 客观指标计算

为了量化评估算法性能，程序定义了专门的计算模块：

• 均方误差 (MSE)：计算原图与处理后图像之间对应像素差值的平方和的平均值，反映图像差异程度。
• 峰值信噪比 (PSNR)：基于MSE计算出的分贝值，用于衡量图像质量。由于图像数据已归一化，计算时峰值信号取值为1.0。若两幅图像完全一致（MSE为0），PSNR将被设定为一个极大值（如99.99 dB）以避免除零错误。

5.4 结果可视化

程序最后利用MATLAB绘图系统构建一个包含三个子图的窗口：

• 子图1展示原始无噪图像。
• 子图2展示添加高斯噪声后的图像，标题中注明了噪声标准差和当前的PSNR值。
• 子图3展示经过VisuShrink算法处理后的去噪图像，标题中标注了使用的阈值策略（软/硬）及恢复后的PSNR值，便于用户直观对比去噪效果。