光学测量干涉技术在科学研究和工程实际中具有广泛应用。在成像过程中,由于成像条件和方法的限制,各种随机噪声和模糊干扰影响了这个技术的效能和准确性。对于含有不同方向和频率信息的条纹图像数据进行恢复和增强处理,以提取其中隐含的相位场和重要特征信息,达到对于测量物理量的准确测量和识别,一直是一个关键问题和研究热点。在消除条纹模式图像数据的噪声和各种干扰的过程中,由于条纹模式复杂的不稳定性,以及条纹和噪声的频率经常交叠在一起,不能清楚地分离；均值和中值滤波,小波阈值等简单的处理会模糊条纹的特征,特别是对于高密度的条纹区域。各种旋滤波方法(Spin filtering),短时傅里叶变换(STFT), Goldstein滤波以及Gabor滤波等方法,考虑了条纹模式的非平稳特性,得到了可行的恢复结果。但是,仍然不能满足工程实际对于准确性的较高要求。图像的稀疏滤波方法利用图像特征的稀疏性进行增强处理,在这个领域产生了很大的影响。目前,关于图像稀疏表示的研究大体上沿着两条主线展开。(1)基于固定基函数的多尺度几何分析理论。例如,各种傅里叶变换方法和小波变换方法。这类方法通过拟合图像的局部几何结构,进行图像的稀疏表示。(2)基于过完备字典的稀疏表示理论。这类方法从一些样本中通过机器学习训练得到学习字典(Learned Dictionary),表示信号的基函数自适应地根据图像本身的特点灵活选取,能够得到非常稀疏的图像表示,但是算法的计算效率较低,不便于实时的图像测量。本文将条纹模式图像分成若干交叠的图像小块,对于其局部结构进行稀疏表示,利用特征自适应的加权平均进行滤波处理。具体的说,本文主要在以下的两个方面进行了深入的研究工作：(1)自适应分块DCT滤波算法；DCT滤波算法对图像的去噪有个假设：图像是平稳的。但是条纹图像是复杂多变的,完全平稳乃至近似平稳的图像是不多见的。对于平稳变化的图像进行DCT滤波处理,可以得到较好的去噪效果。但是条纹图像的变化是复杂而不稳定的,采用统一的硬阈值处理会导致去噪不足或特征模糊现象。我们对图像进行分块处理,每个小块可以近似认为是稳定的,对于不同的图像小块采用不同的阈值和权值进行自适应的加权处理,得到了较好的图像滤波效果。(2)自相似性短时傅里叶变换算法。相对于经典的傅里叶滤波算法,短时傅里叶滤波算法能够适应图像的不平稳性变化,得到了更好的滤波效果。首先,将图像分为相互交叠的图像块,对每个图像块进行傅里叶变换；抽取图像特定频率进行傅里叶反变换,得到在这个频率下的特征图像。其次,由于特征图像的频率一致,有很大的信息冗余性,我们利用非局部平均方法进行有效的去噪滤波。最后,将所有频率的非局部平均处理后的特征图像进行加权求和,得到最后的滤波结果。条纹模式图像的特征具有很大的自相似性和冗余性,因此在图像变换下具有分解系数的稀疏性,而噪声没有这种稀疏性。我们提出的上述算法充分利用了条纹模式的稀疏性,得到了较好的滤波结果,可望满足高精度的光学测量要求,有重要的科学价值和实际意义。