本科毕业论文---基于小波变换的图像去噪方法研究生毕设论文.doc

《本科毕业论文---基于小波变换的图像去噪方法研究生毕设论文.doc》由会员分享，可在线阅读，更多相关《本科毕业论文---基于小波变换的图像去噪方法研究生毕设论文.doc（45页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 题 目 基于小波变换的图像去噪方法研究 学生姓名 陈菲菲 学号 1113024020 所在学院 物 理 与 电 信 工 程 学 院 专业班级 通 信 工 程 专 业 1101 班 指导教师 陈 莉 完成地点 物 理 与 电 信 工 程 学 院 实 验 中 心 2015 年 5月 20日 毕业论文设计任务书院(系) 物理与电信工程学院 专业班级 通信1101班 学生姓名 陈菲菲 一、毕业论文设计题目 基于小波变换的图像去噪方法研究 二、毕业论文设计工作自 2015 年 3 月 1 日 起至 2015 年 6 月 20 日止三、毕业论文设计进行地点: 物理与电信工程学院实验室 四、毕业论文设计的

2、内容1、图像处理中，输入的是质量低的图像，输出的是改善质量后的图像。常用的图像处理方法有图像增强、复原、编码、压缩等。一般图像的能量主要集中在低频区域中，只有图像的细节部的能量才处于 高频区域中。因为在图像的数字化和传输中常有噪声出现，而这部分干扰信息主要集中在高频区域 内，所以消去噪声的一般方法是衰减高频分量或称低通滤波，但与之同时好的噪方法应该是既能消去 噪声对图像的影响又不使图像细节变模糊。为了改善图像质量，从图像提取有效信息，必须对图像进 行去噪预处理。 设计任务： （1）整理文献，研究现有基于小波变换的图像去噪算法，尝试对现有算法做出改进； （2）在MATLAB下仿真验证基于小波变换

3、的图像去噪算法。 2、要求以论文形式提交设计成果，应掌握撰写毕业论文的方法， 应突出“目标，原 理，方法，结论”的要素，对所研究内容作出详细有条理的阐述。 进度安排： 1-3周：查找资料，文献。 4-7周：研究现有图像去噪技术，对基于小波变换的图像去噪算法作详细研究整理。 8-11周：研究基于小波的图像去噪算法，在MATLAB下对算法效果真验证。 12-14周：分析试验结果，对比各种算法的优点和缺点，尝试改进算法。 15-17周：撰写毕业论文，完成毕业答辩。 指 导 教 师 陈莉 系(教 研 室) 系(教研室)主任签名 批准日期 2015.1.1 接受论文 (设计)任务开始执行日期 2015.

4、3.1 学生签名 基于小波变换的图像去噪方法研究 陈菲菲（陕西理工学院物理与电信工程学院通信1101班，陕西 汉中 723000）指导教师：陈莉 摘 要 图像去噪是信号处理中的一个经典问题，随着小波理论的不断完善，它以自身良好的时频特性在图像去噪领域受到越来越多的关注。基于小波变换的去噪方法有很多种，本文主要讨论了基于小波变换的阈值去噪方法和基于小波变换的滤波去噪方法，其基本思想是先对含噪图像进行小波变换，再对高频系数进行阈值去噪或滤波去噪处理，最后进行小波反变换，实现基于小波的图像去噪。最后，在MATLAB下，分别对图像加入高斯噪声，泊松噪声，椒盐噪声，对算法进行了验证。 关 键 词 小波变

5、换 图像去噪 阈值 滤波 MATLAB Research on image denoising method based on Wavelet Transform Chen Feifei(Grade11,Class1,Major of Communication Engineering，School of Physics and telecommunication Engineering of Shaanxi University of Technology, Hanzhong 723000,China) Tutor:ChenLi Abstract： Denoising signal proc

6、essing is a classic problem, with the improvement of wavelet theory, which good time-frequency characteristics .It is more and more attentioned in the field of image denoising. There are many de-noising method based on wavelet transform, this paper discusses the method based on thresholding wavelet

7、transform and filtering denoising method based on wavelet transform, the basic idea is that noisy image is firstly transformed by wavelet and then the high-frequency coefficients is thresholded or filtered , wavelet-based image denoising is finished. Finally, in MATLAB, Gaussian noise and Poisson no

8、ise were added to the image , the algorithm was validated. Keywords: Wavelet transformation; Image denoising; Wavelet threshold;filtering; MATLAB 目 录1绪论11.1课题背景11.2 课题研究现状和前景12图像的噪声分析22.1 图像噪声的概念22.2 常见噪声23小波变换原理33.1 小波变换33.2连续小波变换33.2.1一维连续小波变换33.2.2 高维连续小波变换53.3 离散小波变换64 基于小波变换的阈值去噪原理及仿真结果分析64.1 基

9、于小波变换的阈值去噪原理64.2基于小波变换的阈值去噪法仿真结果及分析75 基于小波变换的滤波去噪法原理及仿真结果分析75.1基于小波的均值滤波去噪原理75.2 基于小波的中值滤波去噪原理85.3 基于小波的维纳滤波去噪原理85.4 加各种噪声的滤波去噪仿真结果及分析8结束语12致谢13参考文献14附录A 外文及翻译15附录B 程序39 陕西理工学院毕业设计 1绪论1.1课题背景 人类传递信息主要依靠语音和图像。据统计，在人类接收的信息中，听觉信占20，视觉信息占60%。其中图像信息以其信息量大，传输速度快，距离远等优势的作用，是人类获取信息的重要来源和使用信息的重要手段。包含在图像的直观信息

10、是声音，文本不能被替换的。但是，在产生和传输过程中的图像会受到各种噪声干扰，图像的质量可能会被损坏，其遵循的图像处理的一个更高的水平是非常不利的。所以，图像预处理阶段，有必要进行图像的去噪，这样可以将信号增加到图像的信噪比，突显图像的所需特征。 人们根据实际图像的特点、噪声的频谱分布的规律和统计特征，开发了多种多样的去噪方法，最直接的方法是基于所述噪声能量通常集中在高频率和信道的频谱分布在该功能的有限范围，使用傅立叶变换使嘈杂信号变换到频域，再进行低通滤波方法滤波去噪。但是，由于图像的细节也分布在高频区域，所以去除图像噪声的方法中，它也将平滑图像的边缘，失去了一些图像细节方面的信息。比较糟糕的

11、是，信号奇点进行信号检测很重要，也可以过滤掉。因此，传统的基于傅立叶变换去噪方法中，保护信号边缘的存在和有噪声抑制之间的矛盾，在信号中的噪声难以正确地识别和除去。两难的去噪是如何保持在降低噪声和保持图像细节的平衡。小波变换具有良好的时频局部化特性，来解决这个问题提供了一个很好的工具。随着公司的不断发展和完善小波理论，其特点使它成为一个很好的时间和频率已被广泛应用于图像去噪领域。小波变换噪声信号到小波域，可以使用多分辨率分析，这将能够描绘非常良好的非稳定信号，如边缘，尖峰，断点的特性，以便提取在特征。此外还小波变换具有低熵和相关特性。小波变换对信号去相关，噪声具有美白趋势，小波系数稀疏，通常对应

12、于少数大的小波系数的一个信号，以及对应于大量小，这有利于信号的小波系数的噪声去噪。另一方面，理论和实验结果表明，在小波域具有不同的传播特性的信号和噪声，小波变换模极大信号会增加或保持不变的增加的比例，而小波变换模最大噪声值减小用规模，充分利用在小波这些特征变换域可以非常有效区分信号和噪声中。因此，基于小波变换的图像信号去噪方法可以在同一时间被保护消除边缘噪声，具有很好的应用前景和极大的发展潜力。1.2 课题研究现状和前景 Mallat是最早从事小波分析在信号处理中应用的研究者之一，它于1992年建立了小波变换快速算法，运用于信号和图像的分解与重构。同时还提出了基于指示将要描述，得到使用小波信号

13、变换奇异性检测的基本原理的使用上的信号，图像和噪声的多尺度数学特征李普希茨索引信号和图像多尺度边缘法奇点的信号。他的另一个贡献是提出一个模极大去噪方法。即根据在小波的信号和噪声的不同传播特性各尺度的变换，除去模极大噪声，保留对应模极大信号，再使用小波模极大重建因子的其余部分，并然后恢复信号。这是小波去噪方法中最经典的。然而，只有有限的使用模极大信号重构误差很大，交替投影法的Mallat还提出了这个问题更好的解决方案。但是交替投影法来计算用量大，通过迭代实现，有时并不稳定。 1994年，Xu等人提出的，用于基于信号和噪声在相邻的小波系数的尺度滤波之间的相关性的空间相关性去除噪声的方法。这种方法的

14、优点是易于直接实现，缺点是不够精确。在该算法的执行过程中，所估计的噪声能量是非常关键的。Pan等人得到的理论噪声能量阈值，并给出信号噪声方差估计，使得自适应滤波器算法的空间相关性的有效途径。同时还有一个斯坦福大学领导多诺霍学术团体，我们致力于去噪信号。在研究过程中，DonohoJohnstone另一种方式，在高斯噪声模型，多维普通变量独立决策理论，小波阈值方法的应用，并取得了大量的研究。他们提出在1995年的软阈值法和硬阈值信号去噪推导VisuShrink阈式和SurcShrink阈式和证明均方意义渐进最佳。同年，夸夫曼和多诺霍提出平移不变小波去噪方法，进一步提高了消噪效果。高和布鲁斯软阈值函

15、数和硬阈值函数进行了改进和半软阈值函数和绞喉阈值函数研究不同收缩功能的特点，给予差，方差等计算阈值的估计，但通过对比说明了半软连续性阈方法比硬阈值更好，有比软阈值法等较小的偏差。约翰斯通等1997年小波阈值估计都给出了相关噪声去除。詹森，使用广义互估计来估计的小波阈值，以及相关噪声去除图像。 1998年Dowinc和Silvcrman建议一般阈值的公式多小波，同年，裴和CHCN平移不变小波去噪扩展到多小波的场景。诺瓦克，在1999年提出了小波域滤波算法用于光子成像系统，用于去除泊松噪声的图像。同年Hsung等人提出了去噪算法基于奇点的检测和MaUat模极大去噪方法是相似的，但它并没有，而是通过

16、计算一个锥形区小波的影响进行模极大检测和处理系数来估计信号的局部模式和规律性，从而过滤小波系数。这种方法避免了复杂的重建，而且几乎没有噪声先验信息。在2000年，没有基于小波系数噪声服从广义高斯分布的假设下，Chang等人提出了一种方法，用于BayesShrink阈值的图像，所选择的阈值可以根据图像本身的统计特性变化做出改变自适应，我们取得了良好的去噪效果。去噪小波理论仍在不断发展，从变换方法研究通过选择不同的基函数或使用该框架转换（非抽取小波变换），或者通过选择最佳群变换（小波包，多小波），在图像处理已得到更好的去噪效果。一些学者小波系数建模，而且结合空域自适应方法提出了一种基于小波系数模型

17、，依赖于小波去噪模型的各种数量去噪方法是准确的，这些都是丰富-f，J，波浪内容消噪功能。一个更好的方法有滤波算法基于非正交小波的基础上，基于多小波等。另外新的小波包去噪算法，目前脊波，曲波变换，变换轮廓的理论降噪也引起了广泛的研究兴趣。2图像的噪声分析2.1 图像噪声的概念 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。 比如，一个黑白图像，平面亮度分布被假定为，那么它接收从亮度分布可称为图像噪声的干扰。然而，理论上的噪声可以被定义为“不可预测的，概率方法只能用于理解随机错误”。所以，图像的噪声作为一个多维随机过程是合适的，因此描述噪声的方法可以借描述随机过程，即分布函数，并

18、与它的概率的概率密度函数。但是在许多情况下，这样的描述方法是非常复杂的，甚至是不可能的。而且在实际应用中经常是不必要的。通常意味着其数字特征和方差，相关函数。大多数数字成像系统中，输入图像被冻结，然后使用第一扫描多维图像转换成一维的电信号，那么他们的处理，存储，传输，处理的转变。最后往往具有多维图像信号组成，以及图像噪声也受到这种分解和合成。电气系统和外部影响在这些过程将允许图像噪声的精确的分析变得非常复杂。另一方面可视图象仅仅是用于传输信息的介质，由人的视觉系统的图象信息的知识的理解来确定。不同的图像噪声，让人感到的程度也是不同的，这就是所谓的人类视觉特性的噪音问题。 数字图像处理技术的重要

19、性是越来越明显，如高倍率航拍照片解释，X - 射线成像系统，去除噪声，已经成为不可缺少的技术措施。2.2 常见噪声 我们常见的噪声有高斯噪声，泊松噪声，椒盐噪声。 随机噪声是由时间上随机产生的大量起伏骚扰积累而造成的，其值在给定瞬间内不能预测的噪声。 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。一个高斯随机变量的表达式可表示为 (2-1)其中代表灰度，是的均值，是的标准差。高斯噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊且会出现细小的斑点，使图像变得不清楚。 泊松噪声是指它的概率密度函数服从泊松分布的一类噪声。在

20、随机过程的一个周期内，泊松分布的统计模型是 (2-2)其中k表示单位时间内随机事件的个数，既是随机事件的均值，也是其方差。所以泊松过程有其方差等于均值的性质，即。也就是说，在由泊松噪声构成的图像中，其信噪比跟泊松噪声自身均方根成正比。 椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声，往往由图像切割引起。它是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。3小波变换原理3.1 小波变换 小波变换提议改变的时间窗口中，当需

21、要精确的低频信息，使用相当长的时间窗口时需要精确的高频信息，使用很短的时间窗口。 小波变换不是在时间上使用 - 频域，是使用时间 - 尺度域。在较大规模的时候，更多地利用时间窗，使用较短的窗口的时候，也就是与频率成反比的规模。3.2连续小波变换3.2.1一维连续小波变换定义：设，其傅立叶变换为，当当满足许可条件（完全重构条件或身份来区分条件） (3-1)时，我们称为一个基本小波或母小波。将母函数经平移和伸缩后得 (3-2)后获得的生成函数称为小波序列。其中，一个是上的伸长率，b是平移因子。对于任意的函数的连续小波变换为 (3-3)其重构公式（逆变换）为 (3-4)由于基小波生成的小波在小波变换

22、中对被分析的信号起着观测窗的作用，所以还应该满足一般函数的约束条件 (3-5)故的约束，它是一个连续函数。这意味着，为了满足完全重建条件类型，必须等于0在原点，即 (3-6) 以使实现信号重构是数值稳定，完美重构处理的条件，但也需要傅立叶小波变化以满足下列稳定件： (3-7)式中0AB从稳定条件可导致一个重要的概念。定义（对偶小波） 若小波满足稳定性条件（3-7）式，则定义一个对偶小波，其傅立叶变换由下式给出： （3-8）注意，稳定性条件（3-7）式实际上是对（3-8）中的约束分母，它的作用是保证双波傅立叶变换稳定存在。值得一提的是，小波双小波一般不是唯一的，但在实践中，我们始终希望他们有独特

23、的联系。因此，找到一个独特的双小波适合小波小波分析的问题已刻不容缓。连续小波变换具有以下重要性质：（1）线性性：一个多分量信号的小波变换等于各个分量的小波变换之和（2）平移不变性：若f（t）的小波变换为，则的小波变换为（3）伸缩共变性：若f（t）的小波变换为，则f（ct）的小波变换为，（4）自相似性：对应不同尺度参数a和不同平移参数b的连续小波变换之间是自相似的。（5）冗余性：连续小波变换中存在信息表述的冗余度。小波变换的冗余性事实上也是自相似性的直接反映，它主要表现在以下两个方面：（1）由连续小波变换恢复原信号的重构分式不是唯一的。也就是说，信号f（t）的小波变换与小波重构不存在一一对应关系

24、，而傅立叶变换与傅立叶反变换是一一对应的。（2）小波变换的核函数即小波函数存在许多可能的选择（例如，它们可以是非正交小波、正交小波、双正交小波，甚至允许是彼此线性相关的）。 在不同的小波变换（a，b）的难度增加之间的相关性小波变换分析和解释的结果，因此，冗余小波变换应尽可能减少，它是在小波分析的主要问题之一。 3.2.2 高维连续小波变换对，公式 (3-9)有几个扩展一个可能性，一种可能性是，它是小波的球对称的选择，其傅立叶变换也是球对称的， （3-10）并且其相容性条件变为 （3-11）对所有的。 （3-12）这里，=，其中且，公式（3-5）也可以写为 （3-13）如果所选择的子波不是球对称

25、的，但可以延长具有相同的平移的旋转。例如，在二维时，可定义 （3-14）这里，兼容性条件变成 （3-15）方程对应于重建式 （3-16）对于高于二维的情况，可以给出类似的结论。3.3 离散小波变换在实际运用中，尤其是在计算机上实现时，连续小波必须加以离散化。因此，有必要讨论连续小波和连续小波变换的离散化。需要强调指出的是，这一离散化都是针对连续的尺度参数a和连续平移参数b的，而不是针对时间变量t的。这一点与我们以前习惯的时间离散化不同。在连续小波中，考虑函数： （3-17）这里，且，是容许的，为方便起见，在离散化中，总限制a只取正值，这样相容性条件就变为 (3-18)通常，把连续小波变换中尺度

26、参数a和平移参数b的离散公式分别取作，这里，扩展步长是固定值，为方便起见，总是假定（由于m可取正也可取负，所以这个假定无关紧要）。所以对应的离散小波函数即可写作 （3-19）而离散化小波变换系数则可表示为 （3-20）其重构公式为 (3-21）C是一个与信号无关的常数。然而，怎样选择和，才能够保证重构信号的精度呢？显然，网格点应尽可能密（即和尽可能小），因为如果网格点是稀疏的，小波函数和使用不太精确的信号重构的离散小波系数也将更低。实际计算不可能计算CWTa，B值对于所有的比例因子的值和位移参数，并结合实际观察到的信号是离散的，所以信号处理的离散小波变换（DWT）。在大多数情况下，根据两个分立

27、的功率缩放因子和位移参数。计算的最有效的方法为s。的Mallat于1988年，快速小波算法的发展（也称为塔算法）。对于任何信号，离散小波变换操作是第一步成信号部分称为近似）和离散部分（称为细节）的低频部分。近似部分表示信号的主要特征。第二步骤是相似的进一步操作的低频部分。但随后的比例因子发生了变化。打开所需的规模。除了连续小波（CWT），离散小波（DWT），以及小波（小波包）和多维小波常用的方法对图像进行去噪小波阈值的方法，这是一个简单的和更好的降噪方法，思路阈值的方法很简单，它是稀疏小波分解模块系数的层大于和小于某一阈值分别处理，然后用处理过的图象噪声出重建后的小波系数。4 基于小波变换的阈

28、值去噪原理及仿真结果分析4.1 基于小波变换的阈值去噪原理 阈值去噪，阈值函数体现了通常用于硬阈值和软阈值函数阈值函数的小波稀疏不同的治疗策略和不同的估算方法，一个硬门槛功能可以很好地保留图像边缘等地方特色，但图像将出现吉布斯效应，和其他视觉变形，而软阈值相对稳定，但可能会出现边缘模糊失真，因为这又提出了半软阈值函数。小波阈值处理方法的阈值选择，另一个关键因素是特定的估计的阈值，如果阈值过小，该图像去噪噪声仍然存在，相反，如果阈值太重要的图像特征被过滤反过来造成偏差。直观地说，给定的小波系数，噪声越大，阈值越大。图像信号和去噪步骤相同的一维信号，只使用了二维小波分析工具，而不是一维小波分析工具

29、的小波去噪步骤，如果用在一个固定的阈值的形式，该阈值被选择，而不是一维m 2的信号n。阈去噪步骤如下：多级小波分解图像：在这一步骤需要选择适当的小波函数，需要确定的小波分解M层的数目，然后执行M个层信号离散小波变换，从而多层次的图像信号的小波分解。高频系数分解量化门槛：高频系数的第一-N M-层小波分解（小波系数）来选择合适的阈值，这就需要通过阈值函数确定大小阈值会很高量化频率系数阈值以获得所估计的小波系数。小波重构图像：估计小波系数小波重建，具体方法是通过所有阈值逆小波变换4.2基于小波变换的阈值去噪法仿真结果及分析 图 4.1（基于阈值的去噪仿真结果）分析：第一次去噪滤除了大部分的高频噪声

30、，但与原图比较，依然有不少的高频噪声，第二次去噪在第一次的去噪基础上，再次滤除高频噪声，去噪效果较好，但图像的质量比原图稍差。5 基于小波变换的滤波去噪法原理及仿真结果分析5.1基于小波的均值滤波去噪原理 均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法。即可以对当前点处理，选择一个模板，它通过它的邻居M个像素的，平均在模板中的所有像素，则平均给定的当前像素作为邻域平均处理后的灰色的算术平均值。操作方法是简单高斯噪声和泊松噪声具有良好的抗噪声能力。均值滤波可以归因于一个矩形窗口加权线性滤波器的有限脉冲响应。所以，低通滤波器的等效平均滤波器。这个低通性能的同时平滑噪声，也必须是消除噪声

31、，而且会导致损坏和的图像的高频细节成分损失，使得图像模糊通过以上处理的图像可以看出模糊细节和边缘信号：邻域平均削弱了图像的边缘，使图像变得有些模糊。高斯噪声抑制滤波器均值是好的，但脉冲噪声的不是很好的抑制作用，脉冲噪声仍然存在，但它已被削弱。为了提高细节的对比并不意味着过滤，区域界限模糊的缺陷，常用的阈值法来抑制脉冲噪声，保护质地细腻，用加权的方法来改善边界模糊的形象，以适应技术的选择以保持图像的平均边缘。具体消噪步骤:1对图像进行小波变换分解,小波系数记为wj,其中j为小波变换的尺度,i表示该小波系数的位置;2根据均值滤波技术对小波分解中各高频分进行均值滤波;3重构图像5.2 基于小波的中值

32、滤波去噪原理 中值滤波器是非线性的噪声抑制一种常用的方法，它可以克服的，例如最小均方线性滤波滤波器和平均滤波器带来的模糊边缘，以获得令人满意的恢复作用;它可以更好的保护边界，为消除椒盐噪声的图像是非常有效的，但有时会丢失目标区域图像细线和小的块。其原理是很简单的，被包含在顺序的一个窗口的像素的奇数从小移动图像，在该窗口中的像素的灰度值的各位置分别列于大，然后在中间灰度值作为窗口，小波变换的最大优势之一的中心像素的输出值是该部的功能是非常丰富的，你可以有多种选择的小波产生会有不同的效果不同的小波系数。噪声常常表现为孤立的图像像素灰度突变，高频性能和空间是不相关的。通过小波分解低频部分和高频部分和

33、低频部分获得的图像反映了图像的轮廓，反映在噪声图像细节和混合的高频部分，因此，该图像去噪，只需要具体去噪步骤：1小波变换的图像分解，记为WJ，其中j是小波的尺度变换的小波系数，i是小波系数表示的位置;2根据每个高频通过中值滤波器分割的中值滤波小波分解; 3重构图像5.3 基于小波的维纳滤波去噪原理 维纳滤波是一种对退化图像进行恢复处理的一种常用算法，也是最早也最为人们熟知的线性图像复原方法。其设计思想是使输人信号乘响应后的输出，与期望输出的均方误差为最小。 具体消噪步骤:1对图像进行小波变换分解,小波系数记为wj,其中j为小波变换的尺度,i表示该小波系数的位置;2根据维纳滤波技术对小波分解中各

34、高频分进行均值滤波;3重构图像5.4 加各种噪声的滤波去噪仿真结果及分析 在MATLAB下，对256x256的lena.jpg图像进行灰度处理，再分别加入各种噪声，先对含噪图像进行小波变换，再对高频系数进行滤波去噪处理，最后进行小波反变换，实现基于小波的图像去噪。 图 5.1原图 图 5.2加高斯噪声的各种滤波去噪仿真结果分析：均值滤波对高斯噪声抑制是比较好的，中值滤波对高斯噪声效果不佳，维纳滤波对高斯噪声有明显的抑制作用。 图 5.3加泊松噪声的各种滤波去噪仿真结果分析：均值滤波对泊松噪声的抑制是比较好的，维纳滤波相对于中值滤波对泊松噪声有明显的抑制作用。 图 5.4加椒盐噪声的各种滤波去噪

35、仿真结果分析：均值滤波对椒盐噪声的抑制作用不好，椒盐噪声仍然存在，只不过被削弱了而已，中值滤波对椒盐噪声特别有效，取得了很好的效果，维纳滤波对椒盐噪声的抑制效果更好，缺点就是容易失去图像的边缘信息。 结束语 小波理论，因为它具有良好的时频局部化特性和多分辨率特性，使得它在数字图像处理有着广阔的应用前景。本论文针对基于小波变换的图像去噪方法进行了研究。具体归纳如下:（1）首先对基于小波变换的图像去噪研究背景及意义进行了说明，然后分析了图像噪声；（2）小波变换的理论知识的总结；（3）对基于小波变换的图像去噪方法进行了理论分析及仿真验证，并对比得出各种方法的优缺点。 致谢 在毕设过程中，有喜有忧，有付出也有收获，整个过程很充实，仿佛就像大学生活的一个缩影。 在此期间，要特别感谢陈莉老师给我的指导，在她的严格要求下，我的毕业设计才一步步走向成熟，还要感谢各位同学，他们陪我一起解决问题，使我学到了很多东西。 当然，我也要感谢我的母校陕西理工学院 ，为我们提供了良好的学习和生活环境，给我留下了美好的回忆，毕业设计整个过程给了我一个锻炼的机会，使我拓宽了知识面，也提高了我对所学知识的综合应用能力，祝愿母校的将来更美好！最后，我要深深感谢我的父母，他们的无私付出和奉献，给我巨大的动力，深深感谢他们对我的关心及支持。