Python图像处理之小波去噪原理：硬阈值VS软阈值

在之前的文章（例如文献【4】）中，我们给出了图像的退化模型。因为本文的主要话题是去噪，所以现在仅讨论噪声引起的图像退化问题：

这也是最简单的噪声模型——加性噪声（additive nosie）模型，对此有三个基本假设：

• 噪声是加性的；
• 噪声是随机的信号（通常情况下即均值为零的高斯白噪声）；
• 噪声是高频信号（可以参考文献【2】中的解释）；

在之前的文章（例如文献【2】）中，我们已经体验了在Python中利用小波变换对图像进行去噪的效果，本文将更加侧重背后的原理。特别地，我们将理清软阈值与硬阈值等相关的概念。下面所示为利用小波变换对图像做去噪处理的一个基本框架。欢迎关注白马负金羁的博客 http://blog.csdn.net/baimafujinji，鉴于目前网上盗贴、洗稿等现象严重，为保证公式、图表得以正确显示，强烈建议你从该地址上查看原版博文。本博客主要关注方向包括：数字图像处理、算法设计与分析、数据结构、机器学习、数据挖掘、统计分析方法、自然语言处理。