图像处理和降噪（包括VisuShrink阈值、均值、中值和NL均值滤波以及加权平均融合进行小波去噪，Python）

图像降噪是小波变换的重要应用之一，通过结合 VisuShrink阈值、均值滤波、中值滤波等技术，可以在保留图像细节的同时有效去除噪声。

小波去噪基础流程

小波去噪的核心思想是利用小波变换的多分辨率特性，将图像分解为不同频率的子带（低频近似 + 高频细节），通过处理高频子带中的噪声系数，再重构得到降噪图像。基本步骤如下：

1. 小波分解：将含噪图像分解为多级小波系数（如使用Daubechies小波）。
2. 阈值处理：对高频子带（水平、垂直、对角线方向）的系数进行阈值处理。
3. 滤波增强：结合空间域滤波（均值、中值、NL-means）优化局部或全局噪声。
4. 加权融合：对不同方法处理后的子带进行加权融合。
5. 小波重构：将处理后的系数逆变换为降噪图像。
6. 关键方法

应用领域与典型案例

1. 医学影像处理

• 场景：MRI、CT图像中的高斯噪声与斑点噪声去除。
• 方法组合：

a.使用Symlets小波分解，高频子带采用VisuShrink阈值 + 中值滤波；

b.低频子带采用NL-means滤波保留组织结构细节；

c.权重融合时赋予低频子带更高权重（）。

• 优势：在抑制噪声的同时保护病灶边缘（如肿瘤轮廓）。

2. 卫星遥感图像

• 场景：多光谱图像中的混合噪声（高斯+脉冲）。
• 方法组合：

a.高频子带采用VisuShrink阈值 + 中值滤波消除脉冲噪声；

b.低频子带使用均值滤波平滑背景；

c.加权融合时根据波段特性调整权重（如近红外波段侧重NL-means）。

• 优势：提升地物分类精度（如农田与森林的边界清晰度）。

3. 低光摄影降噪

• 场景：手机或相机在低光照环境下拍摄的高ISO噪声图像。
• 方法组合：

a.高频子带使用VisuShrink阈值 + 中值滤波；

b.低频子带采用NL-means滤波保留纹理；

c.动态权重：边缘区域增加NL-means权重，平坦区域增加均值权重。

• 优势：减少噪点同时避免过度平滑（如人脸肤质细节保留）。

4. 工业检测

• 场景：金属表面缺陷检测中的高噪声干扰。
• 方法组合：

a.高频子带使用硬阈值（Hard Thresholding）突出缺陷边缘；

b.低频子带采用中值滤波消除背景纹理噪声；

c.融合时通过边缘检测图动态分配权重。

• 优势：提升缺陷检测的信噪比（如裂纹与划痕的识别率）。

性能对比与改进方向

分割线分割线分割线分割线分割线分割线分割线分割线分割线分割线分割线分割线

图像处理和降噪（包括VisuShrink阈值、、均值、中值和NL均值滤波以及加权平均融合进行小波去噪，Python）

import os
import math
import warnings
import numpy as np
from tabulate import tabulate
import matplotlib.pyplot as plt
from scipy.ndimage import gaussian_filter, median_filter
from skimage.transform import resize
from skimage.metrics import mean_squared_error, structural_similarity as ssim
from skimage.restoration import denoise_nl_means, denoise_tv_chambolle, denoise_bilateral, denoise_wavelet

完整代码：​​https://mbd.pub/o/bread/mbd-aJWXm5hv​​

本文转载自​​高斯的手稿​​