该算法是对IHT算法的完整实现，使用者可改变图片后直接使用

利用OPENCV对视频进行阈值二值化 边缘阈值化操作，对处理好以后的视频进行合成视频，很好用噢

利用阈值进行分割，简单，适用于提取特征较为明显的目标

contourlet为近几年由小波变换衍生而来的新技术，成为第三代小波技术。此文章，简明扼要介绍了以轮廓波变换为核心的去噪算法，即先将图像经过轮廓变换分解，再由此得到相关系数估算阈值，通过阈值进行去噪与特征保留。轮廓波相对小波对图像奇异点有更好的逼近检测性。

用matlab，先用一个程序找到ROI，再结合空间和灰度信息采用模糊阈值的方法分割图像。

基于迭代法的自动阈值分割代码，用于matlab图像处理技术。

### 一种自适应阈值曲波图像去噪算法 #### 摘要 本文提出了一种新型的图像去噪算法，该算法通过自适应选择阈值来提高曲波变换后的图像去噪效果，同时保留更多图像细节。曲波变换作为一种有效的多尺度分析工具，能够很好地处理图像中的线性奇异性，为含有边缘的图像提供最优稀疏表示。然而，传统曲波去噪方法在实际应用中并未充分利用曲波系数的特点，导致图像细节丢失。为解决这一问题，本文引入了一种基于自适应阈值的曲波去噪算法，通过对图像经曲波变换后各尺度系数的能量分布特性进行分析，选择合适的阈值进行软阈值处理。 #### 关键词解析 - **图像去噪**：指去除图像中的随机噪声，同时尽可能保持图像的有用信息（如纹理、边界等）的过程。 - **曲波变换**：是一种最近发展的多尺度变换技术，特别适合于处理包含边缘和线性奇异性的图像。 - **自适应阈值**：是指根据图像数据本身的特点动态调整阈值大小的技术，以达到最佳去噪效果。 #### 引言 曲波变换是近年来发展起来的一种重要的多尺度变换技术，其特点在于能够高效地表示图像中的曲线边缘。相比传统的小波变换，曲波变换引入了方向性参数，这使得它能够更好地捕捉图像中的线性结构。然而，在实际应用中，尤其是在图像去噪方面，大多数曲波去噪算法仍然依赖于固定的阈值（例如蒙特卡罗阈值），这种方法虽然简单，但往往无法充分考虑图像的具体特征，从而导致细节损失。 #### 快速曲波变换概述 快速曲波变换是一种高效的曲波变换实现方式，它克服了传统曲波变换中存在的计算复杂度高和冗余问题。快速曲波变换能够更准确地捕捉图像中的曲线边缘，同时减少了计算量。具体而言，快速曲波变换通过构造特定的“母曲波”并使用频带剖析和局部化的思想，实现了对多维信号中曲线型奇异性更精确的表示。 #### 基于自适应阈值的曲波图像去噪算法 本节详细介绍了提出的基于自适应阈值的曲波图像去噪算法。该算法的核心在于利用图像曲波系数的能量分布特性来动态确定阈值，以达到更好的噪声抑制效果同时最大限度地保留图像细节。具体步骤包括： 1. **曲波变换**：首先对输入图像进行快速曲波变换，获取不同尺度下的曲波系数。 2. **能量分布分析**：分析每个尺度上曲波系数的能量分布，识别出哪些系数更可能代表图像的真实信息而非噪声。 3. **阈值确定**：基于能量分布分析的结果，动态调整阈值。这一过程通常涉及统计方法，如估计噪声的标准差，并结合曲波系数的特性。 4. **软阈值处理**：对曲波系数进行软阈值处理，去除小于阈值的系数，以消除噪声。 5. **逆曲波变换**：通过逆曲波变换恢复图像。 #### 实验结果与分析 为了验证所提算法的有效性，本文进行了多个实验，包括使用不同类型的测试图像和不同强度的高斯白噪声。实验结果显示，与传统的基于蒙特卡罗阈值的曲波去噪方法相比，基于自适应阈值的方法能够显著提高峰值信噪比（PSNR），同时更好地保持图像细节。此外，通过对比不同噪声水平下的去噪结果，证明了该算法具有良好的鲁棒性和灵活性。 #### 结论 本文提出了一种基于自适应阈值的曲波图像去噪算法。该算法通过对图像经曲波变换后各尺度系数的能量分布特性进行分析，选择合适的阈值进行软阈值处理，以更好地实现去除噪声与保护图像细节之间的平衡。实验结果表明，该算法不仅能够有效地去除高斯白噪声，还能显著提高图像的质量，特别是在保护图像细节方面表现突出。未来的研究方向可能包括探索更先进的曲波变换技术以及更精细的阈值选择策略，以进一步优化去噪性能。

这是有关MATLAB的小波去噪程序。共分为全局阈值，分层阈值和采用小波分解系数阈值量化方法，供初学者使用。

MATLAB 写的自动多阈值分割程序，可以执行，希望对大家有帮助。

：针对静止摄像机下的运动目标检测问题，提出了一种基于背景减法的运动目标检测算法( 通过对一组 连续视频进行处理，从中得到不含运动目标的背景图像( 再利用背景差分的方法提取出运动目标( 在确定比较 阈值的过程中，一改以往通过实验不断调整的做法，提出了动态阈值的概念，从而增强了检测效果，提高了算法 的可实施性( 融入了高斯模型关于背景更新的算法，克服了由于背景突然改变而造成的误检测( 实验结果表明， 通过背景差分与高斯模型相结合的方法，在有诸多不确定性因素的序列视频中构建背景有较好的自适应性，能 迅速响应实际场景的变化，为准确地检测出运动目标提供了必要的基础(