基于小波包的图像压缩及matlab实现精选

基于小波包的图像压缩及matlab实现

摘要：小波包分析理论作为新的时频分析工具，在信号分析和处理中得到了很好的应用，它在信号处理、模式识别、图像分析、数据压缩、语音识别与合成等等许多方面都取得了很有意义的研究成果。平面图像可以看成是二维信号，因此，小波包分析很自然地应用到了图像处理领域，如在图像的压缩编码、图像消噪、图像增强以及图像融合等方面都很好的应用。本文将对小波包分析在图像处理中的应用作以简单介绍。

关键词：小波包 图像处理 消噪

1.小波包基本理论

1.1 小波包用于图像消噪

图像在采集、传输等过程中，经常受到一些外部环境的影响，从而产生噪声使得图像发生降质，图像消噪的目的就是从所得到的降质图像中去除噪声还原原始图像。图像降噪是图像预处理中一项应用比较广泛的技术，其作用是为了提高图像的信噪比突出图像的期望特征。图像降噪方法有时域和频域两种方法。频率域方法主要是根据图像像素噪声频率范围，选取适当的频域带通过滤波器进行滤波处理，比如采用Fourier变换(快速算法FFT)分析或小波变换(快速算法Mallat算法)分析。空间域方法主要采用各种平滑函数对图像进行卷积处理，以达到去除噪声的目的，如邻域平均、中值(Median)滤波等都属于这一类方法。还有建立在统计基础上的lee滤波、Kuan滤波等。但是归根到底都是利用噪声和信号在频域上分布不同进行的：信号主要分布在低频区域。而噪声主要分布在高频区域，但同时图像的细节也分布在高频区域。所以，图像降噪的一个两难问题就是如何在降低图像噪声和保留图像细节上保持平衡，传统的低通滤波方法将图像的高频部分滤除，虽然能够达到降低噪声的效果，但破坏了图像细节。如何构造一种既能够降低图像噪声，又能保持图像细节的降噪方法成为此项研究的主题。在小波变换这种有力工具出现之后，这一目标已经成为可能。

基于小波包变换消噪方法的主要思想就是利用小波分析的多尺度特性，首先对含有噪声的图像进行小波变换，然后对得到的小波系数进行阈值化处理，得到新的小波系数，对其进行反变换，这样我们就得到了消噪之后的图像，从而实现了对图像的恢复。目前，已经发展了许多小波变换与传统图像消噪方法相结合的新的图像消噪算法，它们吸收二者的优点，从而提高了图像的消噪效果，得到了较好的应用。

1.2. 小波包用于图像压缩

当今，我们正处在一个高速发展的信息时代，而信息的本质就是要求进行存储、交流和传输。信息有多种形式，包括文字、声音、静止图像、视频图像等等。在众多的信息形式中，图像信息最具有直观性和生动性，从而成为人们需求的主要信息形式。然而由于图像信息的数据量太大，作数字传输时占有的信道频带有非常宽的问题，直接制约着图像信息的存储和传输。因此，为了有效地利用现代通讯业务和信息处理中的宝贵资源，需要对大量的数据信息，尤其是图像信息进行压缩，因此图像数据压缩技术和解压缩技术成了多媒体技术的关键技术之一。

近年来，由于“海量”多媒体信息的出现，经典图像压缩算法已不能满足实际应用的需要，迫切需要有更高压缩效率和适用于各种需要的新压缩算法。经典压缩算法一般是在时域或者频域进行分析和操作，因而经典图像压缩算法只是利用了图像的部分特征，研究人员希望同时利用两个域的特征，兼容时域和频域分析的优越性。另外经典压缩算法一般使用的DCT和傅立叶变换是用余弦曲线和正弦曲线作为它们的正交函数基，但这些函数都不是紧支集。而我们在实际应用中处理的大部分是瞬态信号。特别地，在图像处理中许多重要特征也是空间位置高度局部化的，如果使用一般的变换，这些瞬态和局部化成分的信息就很难得到最佳表示。实际上，DCT和傅立叶变换能用余弦和正弦函数表示任何分析函数，甚至是一个瞬态信号，但这种表示在函数频谱上会呈现相当混乱的构成。

为了克服这种缺陷，研究人员已经发现若干种使用优先宽度的基函数，我们称之为小波。使用这些基函数的变换被称之为小波变换。利用小波变换对图像进行压缩是当前一个研究热点。小波包分析是近些年在小波分析的基础上发展起来的,将图像在小波包最优基下展开,利用小波包最优基极好的空间、尺度定位性,使得图像的小波包变换系数在小波变换域尽可能的集中,从而使在不降低压缩图像的质量情况下,进一步地提高图像压缩比成为可能。

2.小波包分析

短时傅立叶变换对信号的频带划分是线性等间隔的。多分辨分析可以对信号进行有效的时频分解，但由于其尺度是按二进制变化的，所以在高频频段其频率分辨率较差，而在低频频段其时间分辨率较差，即对信号的频带进行指数等间隔划分(具有等Q结构)。小波包分析能够为信号提供一种更精细的分析方法，它将频带进行多层次划分，对多分辨率分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时-频分辨率，