小波域图像去噪的方法研究开题报告

1. 研究目的与意义

图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。在图像处理中，图像去噪是一个永恒的主题，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。

计算机图像处理主要采取两大类方法：一是在空间域中的处理，即在图像空间中对图像进行各种处理；另一类是把空间域中的图像经过正交变换到频域，在频域里进行各种处理然后反变换到空间域，形成处理后的图像。人们也根据实际图像的特点、噪声的统计特征和频谱分布的规律，发展了各式各样的去噪方法。其中最为直观的方法，是根据噪声能量一般集中于高频而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式来进行去噪，或对图像进行平滑处理等，这属于第一类图像处理方法。还有就是在频域进行处理，如：傅立叶变换、小波基变换。

近年来，小波理论得到了非常迅速的发展，而且由于其具备良好的时频/空域特性，实际应用也非常广泛。小波去噪主要优点有：

2. 研究内容和预期目标

一.研究内容

所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。

图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。

3. 研究的方法与步骤

在传统去噪方法中，对随时间变化的信号，采用两种最基本的描述形式，即时域和频域。时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。对应的图像的去噪处理方法基本上可分为空间域法和变换域法两大类。前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。变换域法是在图像的变换域上进行处理，对变换后的系

数进行相应的处理，然后进行反变换达到图像去噪的目的。

对于小波阈值去噪，有学者提出了小波阈值去噪方法的基本思想是当小波系数小于某个临界阈值时，认为这时的小波系数主要是由噪声引起的，予以舍弃。当小波系数大于这个临界阈值时，认为这时的小波系数主要是由信号引起，那么就把这一部分的小波系数直接保留下来(硬阈值方法)，或者按某一个固定量向零收缩(软阈值方法)，然后用新的小波系数进行小波重构得到去噪后的信号。对此，拟采用以下步骤：

(1)先对含噪声信号f(t)做小波变换，得到一组小波分解系数。

4. 参考文献

[1] 焦莉娟, 王文剑. 一种快速的k-svd图像去噪方法[j]. 小型微型计算机系统, 2016, 37(7):1608-1612.

[2] 赵井坤, 周颖玥, 林茂松. 基于稀疏表示与非局部相似的图像去噪算法[j]. 计算机应用, 2016, 36(2):551-555.

[3] 涂刚, 刘华清, 朱昌平. 一种改进的自适应非局部均值图像去噪方法[j]. 控制工程, 2016, 23(6):839-843.

5. 计划与进度安排

2.20--3.12，熟悉课题背景，查阅资料，完成开题。

3.13--4.20，开展课题工作，完成课题的主要实验工作。