基于小波理论的图像去噪和图像增强
1．3图像去噪技术
图像去嗓是信号处理中的一个经典的问题。

传统的去噪方法多采用平均或线性方法，如Wiener滤波，但去嗓效果不令人满意。

随着小波理论嚣趋完善，它以其自身良好的时频特性在图像信号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。

小波变换用于豳像去噪的理论基础始于S。

Mallat把数学上的Lipschitz系数与小波变换的模极大值联系起来。

随后Donohol8j提出了小波M值萎缩方法并从渐透意义上证明了其优越性。

然而在实际应用中却往往效果不好，存在“过扼杀"系数的缺点。

以后人们进一步研究小波相关去噪方法、比例萎缩方法等，并且在进一步提高辣法的局部适旋性、先验模型的准确性、边缘信息的傈留性等方西取得了巨大的进步。

具体回顾小波去噪方法可以大致分成以下三个阶段：第～阶段，最初的去噪方法主要是利用小波变换去相关性。

在小波分解后不同层次麴纲节子带，采用不同的阈值。

代表方法有Visushrink(逶用软闺值去噪方法)和SureShrink(基于Stein's的无偏风险估计，可得出接近最优软阈值的佶计量)方法等。

这期间硬阂值、．软阙值和半软闽值等阈值函数也楣继提出。

第二阶段，人们开始根据小波系数的统计性质建立各种先验模型，对小波系数的萎缩自适应变化，也就是每个小波系数所采取的阈值都各不相同。

小波系数模型主要可分为基于尺度内相关性的层内模型、基于尺度阗相关性的层闻模型和混合模型。

最常用小波系数先验模型是广义高斯分布模型。

原图像小波系数的方差估计采髑局部邻域估计，代表方法有数据驱动的爨适应BayesShrink 方法，LawmlShrink方法等。

第三阶段，这～阶段入们主要关注如何利用小波系数层闻和层肉的楣关性，二元或多元的小波萎缩函数被提出。

在去噪的同时如何尽可能地保留边缘、纹理等细节、如何使去噪后的图像更光滑、如何将小波变换去噪与其他方法结合等都处于不断地探索和研究中，代表方法有BivaShrink方法、小波的马尔可夫方法和复数小波去噪方法等。

1．4图像增强技术
数字图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，其主要目的是使处理后的图像对某种特定的应用来浼，比原始图像更适用。

因此，这类处理是为了某种应用目的两去改 3 武汉理王大学硕士学位论文善图像矮量的。

处理的结果锼图像更适合于人的视觉特性或机器的识别系统Il别。

图像的增强技术主要分为两大类：～类是空域类处理法，一类是频域类处理法。

空域法是指蛊接对图像孛的像素进行处理，基本上是以获度映射变换为基础的。

频域法的基础是卷积定理，一般情况下采用修改傅立叶变换的方法来实现对图像进行增强处理。

健在这里以延伸为其毽的变换翔DCT变换、Walsh 变换和小波变换等。

小波算法的发展极大影响了信号与图像处理领域的研究。

在图像处理领域，很多算法被痰用到罂像去嗓方面。

相对来讲在图像增强这个领域研究工作做得稍微少了些，但还是出现了～些很重要的方法。

图像增强中主要问题是噪声，许多通用、知名方法都存在下列瓣题：帮在增强细节信号豹同时，也放大了噪声。

在诸如CCD这种低对比度、多噪声图像中，尤其需要改进算法，在增强微弱细节信号的困时抑制背景孛的离频噪声。

传统图像增强方法，如直方腿均衡、高通滤波、反掩模锐化法等。

但是，这些传统的图像增强方法都存在着不足，如噪声放大、有时可能弓l入新的噪声结擒等。

知翁解决这些闯题一直是图像增强领域孛的～个难题。

小波分
析是近些年来发展起来的一种新的时频分析工具，特别适合于信号处理领域，如图像处理，基于小渡於图像增强方法瘟运丽生，并取褥了薯每零不错的效果。

焉这种方法也有不足之处，特别是存在酋噪声放大问题，于是围绕解决该问题研究了不少新方法，使图豫增强技术鹩研究跨入一个新的领域。