高斯噪声污染图像的去噪方法研究

摘要

本论文介绍了在非变换域中对图像去噪中，常采用的各种自适应滤波器，及模糊原理和自学习神经网络等方法在图像去噪的应用。并根据噪声的特点提出一个模糊函数，相对传统的模糊函数能更好的区别图像局部的变化的原因，从而在空间域中基于新提出的模糊函数提出一种自适应均值滤波器，文中称为FAM方法。与其他算法比较，去噪性能好且简单实用。　　本论文介绍了小波理论及其统计特性，从小波系数的统计模型：层内模型、层间模型和混合模型出发，系统的介绍了图像去噪的各种方法。并接着把空间域中提出的模糊函数应用到小波域中，得到一种对信号方差估计的新方法，应用到LMMSE去噪算法中，把这种新的去噪方法称为FLAWML方法。并在此基础上，提出基于FLAWML和FAM在小波域中结合使用的方法，在图像去噪取得良好的效果。

目录

文摘

英文文摘

第一章绪论

1.1图像与噪声

1.2图像去噪

1.2.1非变换域中的噪声滤波

1.2.2小波域中图像去噪

1.3本文的主要工作及论文安排

第二章非变换域中噪声滤波器

2.1 LMMSE滤波器

2.2自适应LMMSE滤波[1]

2.3加权均值滤波器

2.4基于灰度值相似度和空间临近度的加权均值滤波

2.4.1常用模糊函数[15,16,24]

2.4.2灰度值相似度和空间临近度

2.4.3参数K的确定及滤波器的优化

2.4.4试验结果及讨论

2.5小节

第三章小波变换

3.1小波变换概述

3.1.1小波的物理考虑

3.1.2连续小波变换的离散化

3.2多分辨率分析

3.3小波变换的实现

3.3.1一维信号的小波变换

3.3.2二维信号(图像)的小波变换

3.3.3二维信号(图像)的非降采样小波变换[11]

3.3.4多Band的小波变换

3.4小波的函数奇异性

3.5图像小波系数的一些重要统计特性

3.6小节

第四章小波域中图像去噪的研究

4.1小波去噪中的小波系数模型

4.1.1层内模型

4.1.2层间模型

4.1.3混合模型

4.2小波去噪方法综述

4.2.1小波去噪方法的硬阈值或软阈值

4.2.2阈值的选择

4.3基于Bayes的去噪

4.4基于模糊的局部方差估计

4.5 FLAWML(Fuzzy-based LAWML)算法及试验结果

4.5.1算法步骤

4.5.2试验结果

4.6结合自适应均值和FLAWML的混合算法

4.6.1混合算法

4.6.2试验结果及讨论

4.7结论

第五章结论与展望

参考文献

攻读硕士期间发表论文情况

致谢

论文独创性声明及论文使用授权声明