基于小波的平面設計圖像處理技術研究

梁瑛

摘? 要： 針對平面設計中對于圖像去噪質量要求日益增高的問題，文中提出基于小波的平面設計圖像處理技術方案。在二維圖像建模的基礎上，利用離散小波的方法對圖像進行變換，改進小波系數閾值設計并進行量化。為進一步提高圖像去噪與恢復的質量，文中還設計基于小波分解尺度的自適應閾值設置方法，可以有效地自適應調節閾值以保留有效信息。仿真驗證與數據分析結果表明，文中所設計的算法相比于現有算法可以更好地對圖像進行去噪與恢復，自適應閾值可以有效提高圖像恢復質量。

關鍵詞： 平面設計; 圖像處理; 圖像變換; 圖像去噪; 圖像恢復; 閾值調節

中圖分類號： TN957.52?34? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）22?0118?03

Abstract： As the requirement of image de?noising quality in graphic design is increasingly severe， a scheme of the wavelet based image processing technology for graphic design is proposed. On the basis of two?dimensional image modeling， the discrete wavelet method is used to transform the image， and improve and quantify the wavelet coefficient threshold design. An adaptive threshold setting method based on wavelet decomposition scale is also designed to further improve the quality of image denoising and restoration， which can effectively perform adaptive adjustment of the threshold to retain the effective information. The results of simulation verification and data analysis show that the algorithm designed in this paper can do the image denoising and restoration better than those that the existing algorithm can do， and the adaptive threshold can effectively improve the quality of image restoration.

Keywords： graphic design; image processing; image transformation; image denoising; image restoration; threshold value adjustment

圖像處理技術在近年來得到了廣泛關注，尤其是隨著現代通信及計算機網絡的發展，對圖像質量和清晰度的要求也日益提高[1?2]。由于傳輸環境等各種因素的影響，圖像通常會產生失真現象，影響平面設計的效果。因此，圖像去噪被廣泛的研究[3?5]。關于圖像去噪已有較多相關的方法，主要包括均值濾波方法、雙邊濾波方法等 [6?7]。為了進一步提高圖像去噪的性能，小波方法被應用到圖像處理中。其與濾波算法相似，在小波去噪算法中關于閾值設定也有部分研究[8?9]，硬閾值函數方法、軟閾值函數方法等由于復雜度較低得到了應用，但去噪性能損失較大[10?11]。另外，一些結合粒子群、機器學習等學習類算法也被用于圖像去噪與恢復[12?13]。其雖然可以提高去噪效果，但由于復雜度較高，因而限制了實用性。本文提出基于小波的平面設計圖像處理技術方案。在圖像二維建模的基礎上，提出利用離散小波技術對圖像進行去噪。針對全局閾值對去噪效果影響較大的問題，設計了自適應的小波閾值設置方法，可以根據小波分解尺度進行調節。

1? 圖像建模

利用小波理論對圖像進行去噪與優化，首先需要對圖形進行建模。通常可以將二維平面圖像以二維數組[fx，y]的形式進行建模，表示如下：

4? 仿真驗證及數據分析

為了驗證本文提出的基于小波的平面設計圖像處理算法的有效性。文中利用同一圖像對不同去噪處理算法進行對比，比較圖像恢復的峰值信噪比（PSNR）與邊緣保持指數（EPI）和結構相似性（SSIM）。同時為了驗證所提算法自適應閾值設置的有效性，本文將所提算法與4種現有圖像去噪閾值設置方法進行對比，比較圖像恢復后的峰值信噪比與均方誤差（MES）和結構相似性。

如表1所示，對同一幅圖像使用不同的圖像去噪算法進行處理，比較PSNR，EPI和SSIM三項指標。其中，基于Frost去噪方法的性能最差，中值濾波與雙邊濾波兩種方法性能相當，且雙邊濾波方法略優于中值濾波方法。相對于現有的3種算法，本文所提算法在3個指標上均有所提升。其中，峰值比相對于雙邊濾波提升6.4 dB，邊緣保持指數達到86%，相比于現有算法提升了15%以上;結構相似性達到84%，比現有算法提升了14%以上。