图像去噪论文文献综述

导言 损坏的图像往往是在其噪声采集和传输。例如在图像采集，其性能的影像传感器是受多种因素，如环境条件和质量检测的内容本身。例如，在获取图像的CCD相机，轻水平和传感器温度是主要影响因素的数量所产生的噪声的形象。图像传输过程中还损坏，由于干扰的频道用于传输。图像降噪技术，必须消除这种添加剂随机噪声，同时保留尽可能多的重要信号的功能。的主要目标，这些类型的随机噪声去除抑制噪声，同时保持原始图像的细节。统计过滤器一样平均滤波器[ 1 ] [ 2 ] ， Wiener滤波器[ 3 ]可用于消除这种噪音，但基于小波变换的去噪方法更好的结果证明不是这些过滤器。一般来说，图像去噪规定之间的妥协，减少噪音和保护重要的图像细节。为了实现良好的性能在这方面，去噪算法，以适应图像的不连续性。小波代表性，自然有利于建设这种空间自适应算法。它压缩在一个重要信息信号转换成相对较少，大量系数，代表图像细节在不同的决议尺度。在最近几年出现了相当数量的研究小波阈值和阈值选取的信号和图像去噪[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] ，因为小波提供了一个适当的基础分离噪音信号从图像信号。许多小波阈值技术一样VisuShrink [ 10 ] ， BayesShrink [ 11 ]已经证明，效益较好的图像去噪。在这里，我们描述一个有效的阈值去噪技术通过分析统计参数的小波系数。本文安排如下：简要回顾了离散小波变换（ DWT域）和小波滤波器银行第二节。小波阈值技术是基于解释第三节。在第四部分提出了新的阈值技术的解释。的步骤在此范围内工作的解释第五节第六节的实验结果这个拟议的工作和其他去噪技术是当前和比较。最后总结发言中给出了第七节。

图像去噪是一个基础的，并具有挑战的难题。对于一幅图像，相邻像素间的灰度值普遍意义上具有相关性，所以大部分图像的能量主要集中在低频区域，而高频区域则主要体现出图像的细节信息点。在图像的转换和传输过程中可能会随机引入噪声，大部分噪声会出现在高频区域，因此通常选用低通滤波等处理方法来消除高频分量。但是这样也会造成原始图像信息点的缺失，致使图像模糊，这当然不是我们所期望的结果。所以，一个好的图像滤波算法应该既可以去除噪声，同时也可以保留图像的原始信息。82425对此科学界已经研究了几十年。现如今已经发展出许多种先进的降噪算法，其中较为经典的有均值滤波、中值滤波、维纳滤波、高斯滤波、快速非局部均值降噪(NLM)等算法。当然随着科技的进步，一些学者也提出了很多改进或者新型的算法。例如，小波去噪这一方法也得到了广泛的使用，利用非线性阈值，可以将噪声和信号在不同尺度上分开，根据噪声的规律可以得到图像增强的目的，是一种多尺度多分辨率的分解方法。还有基于模糊数学的滤波方法，通过各种模糊条件来综合模拟得出变换的结果。更深层次的算法还有基于神经算法和遗传算法机理研究得出的滤波方法。还有近年来被公认为最好的去噪算法之一的BM3D算法，一种根据图像色块之间的相似性提出的三维块匹配算法，具有高性噪比和很好的视觉效果。