基于MATLAB的小波变换与NormalShrink图像去噪算法实现

资 源 简 介

本MATLAB项目利用离散小波变换提取图像多尺度细节，结合NormalShrink算法对高频系数进行自适应阈值去噪，有效消除加性高斯白噪声，提升图像质量。

详 情 说 明

基于小波变换与 NormalShrink 算法的图像去噪实现

项目介绍

本项目利用小波变换与 NormalShrink 阈值算法对含加性高斯白噪声的数字图像进行去噪处理。通过离散小波分解提取图像的多尺度信息，采用基于噪声估计的自适应 NormalShrink 方法对高频系数进行阈值降噪，在有效抑制噪声的同时保留图像边缘与细节特征。相比传统阈值方法，本算法在视觉质量和数值指标（如PSNR）上均有显著提升。

功能特性

• 多尺度分析：支持多种小波基函数（如 db4、sym8 等）进行多级小波分解
• 自适应阈值：NormalShrink 算法根据子带噪声水平自动计算最优阈值
• 噪声鲁棒性：内置噪声方差估计模块，适应不同程度的加性高斯白噪声
• 细节保留：通过局部方差调整策略，有效保护图像边缘和纹理信息
• 可视化分析：提供去噪前后对比、PSNR计算及小波系数分布可视化

使用方法

基本调用

% 读取噪声图像 noisy_img = imread('noisy_image.jpg');

% 执行去噪（使用默认参数：db4小波，3层分解） denoised_img = main(noisy_img);

高级参数设置

% 自定义小波基、分解层数和阈值参数 denoised_img = main(noisy_img, 'Wavelet', 'sym8', ... 'Level', 4, 'ThresholdFactor', 1.2);

输出结果

• denoised_img: 去噪图像矩阵（double类型，范围0~1）
• 控制台输出：去噪前后PSNR值对比
• 可视化窗口：小波系数阈值处理效果对比图

系统要求

• MATLAB R2018a 或更高版本
• 图像处理工具箱（Image Processing Toolbox）
• 小波工具箱（Wavelet Toolbox）

文件说明

主程序文件集成了完整的图像去噪流程，包含噪声图像读入与预处理、小波多尺度分解、基于NormalShrink算法的自适应阈值去噪处理、小波重构生成去噪图像、去噪效果定量评估与可视化分析等核心功能模块。该文件实现了参数解析、算法执行与结果输出的全流程自动化处理。