[发明专利]基于改进小波阈值函数的图像去噪算法

权利要求书

1.一种基于改进小波阈值函数的图像去噪算法，其特征在于，具体包括以下步骤：

S1、将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值；

S2、对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节；

S3、通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值；

S4、得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像；

S5、对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像。

2.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S2中小波阈值模型通过神经网络算法实现对阈值的调节计算，具体包括在隐藏层神经元内输入对应的小波函数因子，并通过输入层神经元内去噪数字图像的输入得到输出向量的优化数字图像，并通过数字图像的优化数值对比通过BP算法反向推导阈值公式权重因子，得到阈值的最优解。

3.根据权利要求2所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，还包括神经网络算法模型的构件方法：具体包括以下步骤：

S1、选取待去噪的图像信号作为训练集和验证集，通过训练集作为输入向量进行模型训练学习，并通过验证集对输出向量以及隐藏层数据进行判断，以确定学习成果避免阈值训练过拟合；

S2、确定神经神经网络输入向量和输出向量，将训练集图像信号作为输入向量，将阈值插值函数作为隐藏层输入，将优化后的图像作为输出向量；

S3、根据输出向量确定所述神经网络神经元维数，并确定神经网络神经元输出层个数，判断隐藏层个数；

S4、通过将训练集持续对输出向量的图像作为权重判断，判断验证集与训练集的相对差异，当优化函数不符合标准时，根据权重判断赋值对隐藏层输入进行调整优化，持续循环后，算法模型获得最优的阈值插值函数。

4.根据权利要求3所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S1中神经网络模型算法的待去噪数字图像信号的训练集和验证集的比为3：1。

5.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S3中幅值低于该阈值的小波系数数值为0时，高于该阈值的小波系数完整保留或相应收缩。

6.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S5中插值对比包括对优化后图像进行灰度处理，并通过平均灰度系数，判断边缘平滑度以及等效视数，通过边缘平滑度判断高频信息的丢失，并通过等效视数判断图像噪声水平。

7.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S1中分解层数为3-5层，并在分解后对图像f(1,2,3,...)进行多尺度小波变换，确定水平细节系数Rk，垂直细节系数Nk以及对角细节系数Dk，并通过阈值对系数进行优化。