混合算法的图像去噪的matlab程序（主要讲述小波+NL-means的图像去噪）_混合去噪

一、小波滤波：

 随着小波理论的日益完善，其以自身良好的时频特性在图像去噪领域受到越来越多的关注，开辟了用非线性方法去噪的先河。具体来说，小波能够去噪主要得益于小波变换有如下特点：

（1）低熵性。小波系数的稀疏分布，使图像变换后的熵降低。 意思是对信号（即图像）进行分解后，有更多小波基系数趋于0（噪声），而信号主要部分多集中于某些小波基，采用阈值去噪可以更好的保留原始信号。

（2）多分辨率特性。由于采用了多分辨方法，所以可以非常好地刻画信号的非平稳性，如突变和断点等（例如0-1突变是傅里叶变化无法合理表示的），可以在不同分辨率下根据信号和噪声的分布来消除噪声。

（3）去相关性。小波变换可对信号去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪。

（4）基函数选择灵活。小波变换可灵活选择基函数，也可根据信号特点和去噪要求选择多带小波和小波包等（小波包对高频信号再次分解，可提高时频分辨率），对不同场合，选择不同小波基函数。  

根据基于小波系数处理方式的不同，常见去噪方法可分为三类：

（1）基于小波变换模极大值去噪（信号与噪声模极大值在小波变换下会呈现不同变化趋势）

（2）基于相邻尺度小波系数相关性去噪（噪声在小波变换的各尺度间无明显相关性，信号则相反）

（3）基于小波变换阈值去噪

小波去噪实现步骤：

（1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解。

（2）对高频系数进行阈值量化。对于从1~N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值量化处理。

（3）二维小波重构。根据小波分解的第N层的低频系数和经过修改的从第一层到第N的各层高频系数，计算二维信号的小波重构

小波去噪的MATLAB程序：

clc
clear; 
zyy = imread('y.jpg'); %读取原图像
subplot(221);
imshow(zyy); 
title('原图');   
X=imread('chuzao.jpg'); %具有噪声的图片            
X=rgb2gray(X);
subplot(222);          
imshow(X);             
title('待处理噪声');                        
X=double(X);
%用小波函数coif2对图像X进行2层
% 分解
[c,l]=wavedec2(X,2,'coif2'); 
% 设置尺度向量
n=[1,2];                  
% 设置阈值向量 , 对高频小波系数进行阈值处理
p=[10.28,24.08]; 
nc=wthcoef2('h',c,l,n,p,'s');
% 图像的二维小波重构
X1=waverec2(nc,l,'coif2');   
subplot(223);              
imshow(uint8(X1));                
%colormap(map);            
title(' 小波第一次消噪后的图像 '); 
%再次对高频小波系数进行阈值处理
mc=wthcoef2('v',nc,l,n,p,'s');
% 图像的二维小波重构
X2=waverec2(mc,l,'coif2');  
subplot(224);             
imshow(uint8(X2));               
titl