基于邻域阈值的小波图像去噪系统

资 源 简 介

本项目实现了一套完整的小波图像去噪流程，其核心原理是利用小波系数在邻域内的空间相关性，通过邻域阈值法对受噪声干扰的图像进行修复和增强。

详 情 说 明

基于邻域阈值的小波图像去噪系统

本系统是一套基于 MATLAB 开发的图像修复工具，旨在通过小波分析理论对含有高斯白噪声的图像进行去噪处理。系统的核心思想是利用小波变换后系数在空域上的相关性，通过考察小波系数邻域内的能量分布，动态调整收缩因子，从而在滤除噪声的同时最大限度地保留图像的边缘和细节信息。

项目功能特性

系统实现了从噪声模拟到结果评估的完整流程，具有以下功能特性：

1. 灵活的图像交互：支持多种常见格式（JPG, PNG, BMP, TIF）的图像读取，并具备默认示例图像的自动处理能力。
2. 自动化预处理：支持彩色图像自动转灰度处理，并能根据预设的标准差精确生成高斯白噪声。
3. 多尺度小波分解：利用离散小波变换（DWT）将图像分解为不同尺度和方向的子带。
4. 邻域空间相关性处理：核心算法不仅考虑单个系数的大小，更结合了其周围邻域窗口内的能量表现进行去噪决策。
5. 性能量化评价：自动计算并对比去噪前后图像的均方误差（MSE）和峰值信噪比（PSNR）。
6. 直观结果的可视化：通过多图对比展示原始图像、加噪图像与去噪结果，并自动导出处理后的结果文件。

系统流程说明

程序的运行逻辑遵循标准的小波去噪框架，具体步骤如下：

1. 环境与参数初始化：清理运行环境，设置噪声强度（Sigma）、邻域窗口大小（如3x3）、小波基类型（如db4）以及小波分解的层数。
2. 图像获取：通过图形界面引导用户选择文件；若用户取消选择，则加载系统内置的典型图像。
3. 噪声注入：在原始图像基础上叠加指定强度的加性高斯白噪声，并固定随机数种子以保证实验的可重复性。
4. 变换域分解：执行多层二维小波分解，提取近似系数（低频）和各层的细节系数（水平、垂直、对角方向）。
5. 邻域收缩处理：针对每一层的每一个细节子带，执行邻域收缩算法。近似系数保持不变以维持图像轮廓。
6. 重构与评估：对处理后的系数进行小波逆变换（WAREC2），得到重建后的去噪图像，并根据原始图像计算质量评估指标。
7. 成果保存与展示：在命令行输出 PSNR 与 MSE 提升情况，并在同一窗口显示对比图，最终将结果保存到本地磁盘。

关键算法与逻辑实现

系统的技术核心集中在变权重的邻域收缩算法中，具体实现逻辑如下：

1. 自动阈值计算

系统根据图像子带的尺寸和噪声强度，采用改良的全局阈值计算公式。该阈值（Lambda）决定了系数收缩的强度，其计算不仅参考了噪声标准差，还考虑了该层空间样本的对数规模。

1. 邻域收缩规则 (Neighbor Shrinkage)

与传统的硬阈值或软阈值不同，本系统的去噪逻辑基于如下数学规则：

• 首先对当前处理的子带矩阵进行对称填充，以处理边界处的滑动窗口。
• 使用滑动窗口遍历整个子带，计算窗口内所有系数的平方和（代表局部能量）。
• 计算收缩因子：1 减去“阈值平方”与“局部能量”的比值。
• 若该因子小于0，则将其置为0。
• 将原本的小波系数与该收缩因子相乘，得到去噪后的新系数。

这种方法意味着，如果邻域内整体能量较低（极有可能是噪声），系数会被大幅度甚至彻底削减；如果邻域能量较高（极有可能是边缘），系数则会被保留或仅轻微收缩。

1. 子带遍历逻辑

系统自动识别小波分解向量和账簿矩阵，跳过低频近似分量，精准定位到每一层、每一方向（H, V, D）的细节系数段进行处理，确保了噪声处理的全面性。

系统要求

1. 软件环境：MATLAB R2016a 或更高版本。
2. 工具箱需求：需安装 Wavelet Toolbox（小波工具箱）和 Image Processing Toolbox（图像处理工具箱）。
3. 硬件要求：标准桌面配置即可，对于大尺寸图像的处理耗时取决于 CPU 的计算性能。

使用方法

1. 启动 MATLAB 并在当前文件夹中定位到程序目录。
2. 运行主函数。
3. 在弹出的文件选择框中，选择一张需要去噪的本地图像。
4. 程序将自动执行加噪、分解、邻域去噪及重构过程。
5. 查看命令行输出的 PSNR 提升数值，并观察弹出的结果对比图。
6. 去噪后的图像会自动以 Denoised_Result.png 为名保存在当前工作目录下。