图像中总存在许许多多的噪声,为了更好地对图像进行分析和通信,在图像预处理中就必须减小图像中的噪声。近年来,随着小波理论的不断完善,小波分析已经渗透到各学科领域。同样,小波在图像去噪中也得到了广泛的应用,并提出了许多小波图像去噪算法。 本文的研究工作主要包括以下四个方面的内容:一、对小波收缩阈值进行研究并提出了新的收缩阈值;二、对小波系数间的相关特性进行了研究提出了基于层间相关的图像去噪算法;三、利用双变量模型描述小波系数层间相关性,并结合层内相关性提出了基于层内和层间相关性的双变量模型小波去噪算法;四、对Contourlet变换作了初步的研究并将其应用于图像去噪。 Donoho提出了小波去噪的收缩阈值;这一阈值是最佳阈值的上限但不是最佳阈值,并且它只与噪声大小有关而与图像自身特性无关。本文提出了基于图像奇异特性的小波收缩阈值,并将其应用于图像去噪,获得更好的去噪结果。 图像小波系数间存在着很强的相关性,具体来说分为层间相关和层内相关性两类。考虑到图像小波系数层间相关特性,本文提出了基于层间相关性的小波收缩去噪算法。该算法根据不同尺度间系数的相关性和不同尺度子带所含图像能量的不同,分别为不同尺度的子带设立各自的收缩阈值。实验表明,该算法比传统算法获得更好的去噪效果。 利用小波系数统计模型进行图像去噪是小波去噪中的另一新方法。该方法的关键在于小波系数模型的选取。考虑到图像小波系数的层间相关特性,本文引入双变量模型描述小波系数层间相关性,结合小波系数层内相关性,提出了基于层内和层间相关性的双变量模型小波去噪算法。该算法能很好的消除图像噪声的同时,保留图像边缘细节。 小波收缩图像去噪之所以能取得较好的效果的关键在于小波变换能提供稀疏的图像表示。然而,小波在表示图像的边缘信息时,小波系数不够稀疏,其原因是小波变换不具有良好的方向性。基于此,本文介绍了一种新的图像变换方法—Contourlet变换。它不仅具有时频局域特性和多分辨特性,还具有方向性和各向异性。它对图像的边缘信息有更为稀疏的表示。在此基础之上,本文将其应用于墓于小波变换图像去嗓研究图像去噪。实验结果显示,与小波去噪相比,基于C劝ntourlct变换的图像去嗓算法能获得很好的去嗓效果,尤其是对边缘信息丰富的图像.关健词:小波收缩,圈像去嗓,圈像模型,C劝ntour】ct变换