基于自适应小波变换的红外图像去噪算法

合集下载

平稳小波变换的红外图像模糊阈值去噪

文章编号：０２０４（０８０ —０６０１０ —６０２０）５０３ —３
平稳小波变ቤተ መጻሕፍቲ ባይዱ换的红外图像模糊阈值去噪
祁飞，李言俊，张科
（北工业大学航天学院，西西安７０７）西陕１０２
摘
ＡｂｓｒｃＯｎｅｎｒｒｄｍａｅｔａｔ：ｉｆａｅｉｇｄｅｎｓｎｇｐｏｃｂｆｚｔｅｈｄ－ｏｉｉａｐｒａｈｙｕｚｙｈｒｓｏｌｂａｅｏｓａｉｎａｙｓｄｎｔｔｏｒｗａｅｅｖｌｔ
具有良好的去噪性能，且在去除红外图像噪声的同时，够获得很好的边缘保持效果。并能
关键词：稳小波变换，糊阈值，外图像去噪平模红
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ
ＩｒｒｄＩａｅＤｅ－ｉｉｙＦｕｚｙＴｈｒｓｌａｅｎｎｆａｅｍｇ — ｎｏｓｎｇｂｚｅｈｏｄｂｓｄｏＳａｉｎａｙＷａｅｅａｆｒｔｔｏｒｖｌｔＴｒｎｄｏｍ
引言
受红外成像设备的限制，外图像普遍存在边红缘模糊、低信噪比等特点。在这种情况下，统的去传噪算法就暴露出边缘保持性差、噪比提高不大等信
缺点。小波变换具有多分辨率的特性，小波分析提供了一种自适应的时域和频域同时局部化的分析方

如何使用小波变换进行图像去噪处理

如何使用小波变换进行图像去噪处理图像去噪是数字图像处理中的重要任务之一，而小波变换作为一种常用的信号处理方法，被广泛应用于图像去噪。

本文将介绍如何使用小波变换进行图像去噪处理。

1. 理解小波变换的基本原理小波变换是一种多尺度分析方法，它将信号分解成不同频率的子信号，并且能够同时提供时域和频域的信息。

小波变换使用一组基函数（小波函数）对信号进行分解，其中包括低频部分和高频部分。

低频部分表示信号的整体趋势，而高频部分表示信号的细节信息。

2. 小波去噪的基本思想小波去噪的基本思想是将信号分解成多个尺度的小波系数，然后通过对小波系数进行阈值处理来去除噪声。

具体步骤如下：（1）对待处理的图像进行小波分解，得到各个尺度的小波系数。

（2）对每个尺度的小波系数进行阈值处理，将小于阈值的系数置为0。

（3）对去噪后的小波系数进行小波逆变换，得到去噪后的图像。

3. 选择合适的小波函数和阈值选择合适的小波函数和阈值对小波去噪的效果有重要影响。

常用的小波函数包括Haar小波、Daubechies小波和Symlet小波等。

不同的小波函数适用于不同类型的信号，可以根据实际情况选择合适的小波函数。

阈值的选择也是一个关键问题，常用的阈值处理方法有固定阈值和自适应阈值两种。

固定阈值适用于信噪比较高的图像，而自适应阈值适用于信噪比较低的图像。

4. 去噪实例演示为了更好地理解小波去噪的过程，下面以一张含有噪声的图像为例进行演示。

首先，对该图像进行小波分解，得到各个尺度的小波系数。

然后，对每个尺度的小波系数进行阈值处理，将小于阈值的系数置为0。

最后，对去噪后的小波系数进行小波逆变换，得到去噪后的图像。

通过对比原始图像和去噪后的图像，可以明显看出去噪效果的提升。

5. 小波去噪的优缺点小波去噪方法相比于其他去噪方法具有以下优点：（1）小波去噪能够同时提供时域和频域的信息，更全面地分析信号。

（2）小波去噪可以根据信号的特点选择合适的小波函数和阈值，具有较好的灵活性。

毕业设计(论文)-基于小波图像去噪的方法研究[管理资料]

毕业论文基于小波变换的图像去噪方法的研究学生姓名：学号：学系专指导教师：2011年 5 月基于小波变换的图像去噪方法的研究摘要图像是人类传递信息的主要媒介。

然而,图像在生成和传输的过程中会受到各种噪声的干扰,对信息的处理、传输和存储造成极大的影响。

寻求一种既能有效地减小噪声,又能很好地保留图像边缘信息的方法,是人们一直追求的目标。

小波分析是局部化时频分析,它用时域和频域联合表示信号的特征,是分析非平稳信号的有力工具。

它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提取信息。

随着小波变换理论的完善,小波在图像去噪中得到了广泛的应用,与传统的去噪方法相比小波分析有着很大的优势,它能在去噪的同时保留图像细节,得到原图像的最佳恢复。

本文对基于小波变换的图像去噪方法进行了深入的研究分析,首先详细介绍了几种经典的小波变换去噪方法。

对于小波变换模极大值去噪法,详细介绍了其去噪原理和算法,分析了去噪过程中参数的选取问题,并给出了一些选取依据;详细介绍了小波系数相关性去噪方法的原理和算法;对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。

最后对这些方法进行了分析比较,讨论了它们各自的优缺点和适用条件,并给出了仿真实验结果。

在众多基于小波变换的图像去噪方法中,运用最多的是小波阈值萎缩去噪法。

传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用,而且取得了较好的效果。

但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。

鉴于此,本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。

该方法利用小波阈值去噪基本原理,在基于最小均方误差算法LMS和Stein无偏估计的前提下,引出了一个具有多阶连续导数的阈值函数,利用其对阈值进行迭代运算,得到最优阈值,从而得到更好的图像去噪效果。

基于小波变换的图像混合去噪算法

ｋｅｐｉｇｄｅｄｔｉｓａｌ．Ｔｈｅｆｌｅｉｇｐｅｆｍａｅｉｔｅｈｎｔｔｏｒｄｉｉａｅｈｏｓｅｍａｅｅｇｅａｌｓｗｅ１ｉｒｎｒｏｒｎｃｓｂｅｔｒｔａｈａｆｔａｔｏｎｌｍｔｄ．ｔ
随机的脉冲干扰和其它的噪声，些噪声使图像这像素点的灰度值不能正确地反映空间物体对应点的灰度值，严重影响图像的视觉效果，甚至妨碍了
析和计算机视觉中最基本而又十分重要的技术，
ｔｕｓｉｎｎｏｓ．ＴｈｎｔｅｉｇｅｉｅｌｔｈｅＧａｓａｉｅｅｈｍａｓｄａｔｗｉｈｍｅｄａｉｔｒｔｅｏｅｔｉｅ．Ｔｈｅｅｐｅｉｅｔｉｎｆｌｅｏｒｍｖｈｅｎｏｓｓｘｒｍｎ
ｒｓｌｓｓｏｔａｈｅａｇｏｉｈｍｔｏｙｃｎｅｆｃｅｔｙｒｍｏｖｈｅｍｉｄａｄＧａｓａｏｓｓｂｕａｎｅｕｔｈｗｈｔｔｌｒｔｎｏｎｌａｆｉｉｎｌｅｅｔｘｅｎｕｓｉｎｎｉｅｔｃ
维普资讯
第２９卷第２期２００８年４月
长春工业大学学报（自然科学版）ＪｕｎｌｆＣｈｎｃｕｉｅｓｔｆＴｅｈｏｏｙＮａｕａｃｅｃｉｉｎｏｒａａｇｈｎＵｎｖｒｉｏｃｎｌｇ（ｔｒｌＳｉｎｅＥｄｔ）ｏｙｏ
Ｉｇｙｉｅｏｉｅａｇｉｍａｅｖｅｒｎｆｒｍａｅｈｂｒｄｄｎｓｌｏｒｔｈｂｓｄｏｎｗａｅｌｔｔａｓｏｍ

基于小波变换的图像去噪方法的研究开题报告

基于小波变换的图像去噪方法的研究开题报告硕士研究生学位论文选题报告基于小波变换的图像去噪方法的研究一、拟选题目在图像处理中，图像通常都存在着各种不易消除的噪声。

寻求一种既能有效地减小噪声、又能很好地保留图像边缘信息的方法，一直是人们努力追求的目标。

传统的去噪方法很难同时兼顾这两个方面。

而小波分析由于在时域频域同时具有良好的局部化性质和多分辨率分析等优点，所以本文拟用小波变换的方法对图像去噪进行分析研究。

二、课题的目的和意义图像降噪是图像预处理的主要任务之一，其作用是为了提高图像的信噪比，突出图像的期望特征。

不同性质的噪声应采用不同的方法进行消噪。

最简单的也[1]比较通用的消噪算法，是用傅立叶变换直接进行低通滤波或带通滤波。

这种方法虽然简单、易于实现，但它对滤去有用信号频带中的噪声无能为力，并且带宽的选择和高分辨率是有矛盾的。

带宽选的过宽，达不到去噪的目的;选的过窄，噪声虽然滤去的多，但同时信号的高频部分也损失了，不但带宽内的信噪比得不到改善，某些突变点的信息也可能被模糊掉了。

[2]将小波变换应用于信号处理中，是因为它的主要优点是在时间域和频率域中同时具有良好的局部化特性，从而非常适合时变信号的分析和处理。

特别在图像去噪领域中，小波理论受到了许多学者的重视，他们应用小波进行去噪，并获得了非常好的效果。

具体来说，小波去噪方法的成功主要得益于小波变换具有以下特点:(1)低熵性由于小波系数的稀疏分布，使得图像变换后的熵降低了;(2)多分辨率由于小波采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等;(3)去相关性因为小波变换可以对信号进行去相关，且噪声在变换后有白1硕士研究生学位论文选题报告化趋势，所以小波域比时域更利于去噪;(4)选基灵活性由于小波变换可以灵活选择变换基，所以对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的去噪效果。

因此，就信号消噪问题而言，它比传统的傅立叶频率域滤波和匹配滤波器更具有灵活性。

基于小波变换和脊波变换的自适应图像去噪算法

线刻画线的奇异性。在二维情况下，和线可以通过Ｒｄｎ变点ａｏ
其中为原始图像的第个像素，ｇ为滤波后的图像的第ｉ个
像素。一
换相联系，因此Ｒｄｅｔｉｇｌ变换和４波变换也可以通过Ｒｄｎ变ｅ、ａｏ
＝８ｉ１２ … ，（２）ｇ十＝，，ＮＮ＝（）１
小波在表示具有点奇异性的图像信息时能够达到最优逼
近，但不能充分利用图像本身的几何特征，即不是最优的或最稀疏的函数表示方法－ｊｏｏｏ和Ｃｎｅ提出了一种新的４。Ｄｎｈａｄｓ
ａｄｌｅｓｎｕａｉｅｎａｇｔｉａａｔｅｍｅｈｄｈｓｓｎｆａｔ Байду номын сангаасｕｅｏｔｖｒｔｅｔｒｓｏｄｄｎｉｉｇａｇｒｈｏｌｎｎｉｇｌｒｉｓｉｎｉｅ，ｓｄｐｉｔｏａｉｉｃｎｌｓｐｒｒｙｏｅｈｅｈｌｅｏｓｎｌｏｔｍｎｙｉｔｍａｈｖｇｉｙｉｉｈｉｂｓｄｏｈｖｌｔｔｎｆｒｒｒｇｌｔｒｎｆｒ．Ｔｉｎｖｌｌｏｉｈｉｒｏｅｆｌｎｐａｔｅａｅｎｔｅｗａｅｅｒｓｍｏｉｅｅａｓｍａｏｄｔｏｈｓｏｅｇｒｍｓｍｏｅｐｗｒｒｃｉ．ａｔｕｉｃＫｅｒｓｉｇｌｔｒｎｆｒ；ｗｖｌｔｔｎｆｒｙｗｏｄ：ｒｅｅａｓｍｄｔｏａｅｅｒｓｏｍ；Ｒａｏｒｎｆｒ；ｔｒｓｏｄｆｎｔｎ；ｉｇｅｏｓｎａｄｎｔａｓｏｍｈｅｈｌｕｃｉｏｍａｅｄｎｉｇｉ

基于小波变换的自适应图像去噪研究

等，并给出了优化的自适应图像去噪方案。
一
、
图像去噪方法
１．常用的图像去噪方法。图像去噪是图像处理的重要环节，关系到图像处理的质量。常用的图像去噪方法可分为基于空域
的方法和基于变换域的方法。前者是对原图像素点的灰度值进
）【，））２ｘｎ（－］＝ｙ，ｄ（－— ）２ｍ），２￣
，
（）５
ｙ＝（，，（一）（，ｍ））【ｙ２２ｎｑ２ — 】厂），－ｙ，
ｙ＝，）（－— ）（－－］）ｙ，２２ｘｎ＋２ｙｍ），￣￣ｙ＝，）（－— ）２ｙｍ）。）ｙ，２２ｘｎＯ（－－］，ｉ
级的子图像由低频的轮廓信息和原信号在水平、垂直和对角
线方向上的高频部分的细节信息组成。每一次分解均使得图像的分辨率变为原信号的１。对于二维离散小波变换，分解公／２其
式为：
，
现的，即图像边缘（信号的突变点）对应的小波系数极大值随着分解尺度的增大而增大，噪声（而以自噪声为例）应的小波系对
对应二维平面的３方向：个水平、垂直和４。向。３５方个方向
的二维小波函数为：
。
（Ｙ）（（，，＝）Ｙ）
（）２
行数据处往会在去除噪声的同时引起图像边缘和细节模糊等问题。变换域去噪是将原定义在空域的图像以某种形式转换到其他空

基于小波分析的图像去噪算法研究

基于小波分析的图像去噪算法研究一、引言图像处理是数字图像处理领域的重要分支，对于图像的去噪问题一直是研究的热点和难点。

在实际的应用中，图像去噪可以提升图像的清晰度和质量，使得图像更容易被有效使用。

将小波分析应用于图像去噪问题中，可以有效地去除噪声，提高图像质量。

本文将对基于小波分析的图像去噪算法进行研究和分析。

二、小波分析基础小波分析是一种新的信号分析方法，与传统的傅里叶分析方法相比，小波分析能更好地表示信号的局部特征。

小波分析中，使用小波基函数对信号进行多分辨率分解。

小波基函数具有有限时间和无限频率的性质，因此在图像处理领域中应用十分广泛。

三、基于小波分析的图像去噪算法小波变换将图像分解成不同的频带。

高频分量对应的是图像中的细节信息，而低频分量则表示图像大部分的基础结构。

根据这一性质，基于小波分析的图像去噪算法通常分为两个主要步骤：小波变换和阈值处理。

1.小波变换小波变换将图像分解成不同的频带，每个频带对应不同的尺度。

在小波分析中，离散小波变换（DWT）是最常用的方法。

DWT可以将图像分解成多个频带，其中LL用于表示图像基础信息，HL、LH 和 HH 分别用于表示图像的水平、垂直和对角线方向的频带。

2.阈值处理在小波变换的基础上，阈值处理是去噪算法的核心步骤。

不同的阈值处理方法会使用不同的阈值来抑制噪声和细节信息。

其中，软阈值和硬阈值是最常用的两种阈值处理方法。

硬阈值将小于某个阈值的系数都置为0，而大于这个阈值的保持不变。

软阈值的作用则是将小于某个阈值的系数都置为0，而对于大于这个阈值的部分，使用某个函数进行调整，以减少降噪过程中过多的数据丢失。

四、实验结果本文使用了8个测试图像进行了实验，比较了不同去噪算法的最终效果。

实验结果表明，基于小波分析的图像去噪算法比传统的傅里叶变换等其他方法有更好的去噪效果。

同时，软硬阈值处理也是影响去噪效果的重要因素。

其中，软阈值方法能够更加准确地去除图像中的噪声，保留更多的图像细节信息。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

红外线热成像是一种非接触无损伤式的体表温换方法存在较大的误差．本文在此基础上提出了一
度测量方法．它利用红外辐射成像的原理研究人体种新的方法．
本文提出了一种红外图像的自适应小波去噪算度像素点的图像．这种图像噪声产生的因素主要是法，该方法首先用小波变换对含噪图像信号进行小因为红外光波的相干作用，既包括乘性噪声，也包波分解，这样可以保证对图像中的不相关噪声的有括加性噪声，但大部分情形下加性噪声对图像的影效抑制，保持图像的细节信息．然后将经小波变换响远小于乘性噪声的影响．因此，如果仍然使用传所分离出来的噪声成分作为自适应滤波器的输入。
的噪声成分作为自适应滤波器的输入．通过选用自
金属薄膜的电阻中都发现了ｌ／声Ｌ．１噪声是持图像的细节信息．后将经小波变换所分离出来厂噪２／］ｆ然可见１厂噪声在不同时刻取值是相关的．在图像处适应滤波器的维纳滤波算法从而实现信噪分离的最／理中，为了去除１噪声，可利用小波变换的去相关佳滤波，以保证去除信号中的相关（／ｆ乘性）噪声．
作用，合理地选择小波基，使１／厂噪声变为易于清除２采用小波模极大值去除相关噪声．１
２．小波变换模极大值．１１在实际应用中，为了减少计算的复杂度，通常１２散斑噪声．采用二进小波变换，即只考虑二进尺度＝２Ｊ∈ ，，在红外图像的成像过程中，广泛的存在着散斑噪声，它的形成主要是因为成像过程中红外波的相ｚ的小波变换模极大．Ｍａｌ等人建立了小波变换）ｌｔａｉｓｈｔｚ３：４干涉作用，除此以外，它还与成像组织表面的粗糙与Ｌｐｃｉ指数之间的关系Ｉ
ｏＥｅｔｎｃＥｇｅｒｇＨｕａｉｅｓｆｓｎｃｎｅ，ｈｇｅ１００Ｃｉａｆｌｃｏｉｎｉｅｎ，ｎｎｖｒｉｏＡ￣ｄＳｉｃｓＣａｄ５０，ｈｎ）ｒｎｉＵｎｙｔａｅｎ４
ＡｂｔａｔＡｃｏｄｎｏｉｆａｅｍａｅｔｄｉｖ，ｌｐｉａｉｅａｄｍｉｅｏｓ，ｉａｅｕｓｆｒｒｄａｉｆａｅｓｒｃ：ｃｒｉｇｔｒｒｄｉｇｓｗｉａｄｔｅｍｕｔｌｔ，ｎｘｄｎｉｅｔｓｐｐｒｐｔｏｗａｒｄｎｈｉｉｃｖｈｎｒｉａｅｄｎｉｅａｇｒｈａｅｉａａｔｅｗａｅｅｒｓｏｍ．ｉｓ，ｏｓｄｉｆａｅｍａｅｓｇａｓｉｖｓｉａｅｓｎｍｇｅｏｓｌｏｔｍｂｓｄＯｌｄｐｉｖｌｔｔａｆｒＦｒｔｎｉｅｎｒｄｉｇｉｎｌｉｎｅｔｇｔｄｕｉｇｉｖｎｒｗａｅｅａｓｏｍ，ｄｉｖｏｓｅｕｅＯｔａｆａｅｇｓｄｔｉｉｍａｎｉｅ，ｅｅｓｐａｅｏｓｆｓｎｌｖｌｔｒｎｆｒａｄｔｅｎｉｅｉｒｄｃｄＳｔｉｒｄｉｔｉｓｈｎｒｍａｅｅａｌｓｉｔｎｄｔｎｔｅａｔｄｎｉｅｏｇａａｈｈｒｉｂｖｌｔｔａｓｏｍｓｔｅｉｐｔｓｇａｆａａｔｅｆｔｒＴｅｏｔｌｆｔｒｇｍｅｏｆｓｇａ・ｏｓｅｏｏｉｏｓｙｗａｅｅｎｆｒｉｎｕｉｌｏｄｐｖｌ．ｈｐｍａｌｉｔｄｏｉｌｎｉｅｄｃｍｐｓｔｎｉｒｈｎｉｉｅｉｉｅｎｈｎｉｒａｉｅｙｆｔｒａｇｒｈａｄｃ￣ｅｇｅｏｓｆｓｇａｅｖｌｄｉｓｂｉｅ．Ｓｍｕａｉｎｒｓｌｈｗａｈｅｌｄｂｌｌｏｉｍｎｏｌｄｎｉｅｏｉｌｒｍｏａｅｓｅｔｌｈｄｉｌｔｅｕｔｓｏｔｔｔｅｚｉｅｔｎａｓｏｓｈｐｏｏｅｅｏｓｇａｇｒｈｉｂａｒｔａｎｙｅｉｎｔｏｓ，ｎｏｖｓｔｅｐｏｌｍｆｔｅｌｗｏｔｓｆｒｄｒｐｓｄｄｎｉｉｌｏｔｍｅｅｎｍａｘｔｇｍｅｈｄａｄｓｌｅｈｒｂｅｏｎｉｓｈｉｈｏｃｎａｔｎｉｒｅｒｉｎａｉｇ，ｎｉｈｉｈｓｔｅｉａｅｄｔｉ．ｍａｅａｄｈｇｌｔｇｅａｌｇｈｍＫｅｒ：ｎａｅｇ；ｖｌｔｒｎｆｒｗｉｎｒｌｅｙｗｏｄｓｉｆｒｄｉｒｍａｅｗａｅｅａｓｏｍ；ｎｅｔｒｔｉｆ
Ｖｌ．３Ｎｏ３０２１．
Ｓｎ２１ｅ．０１
ｄｉ１．６￣ｉｎ１７－１６２１．．１ｏ：０３９．ｓ．２６４．０Ｏ９ｓ６０１３１
基于自适应小波变换的红外图像去噪算法
曹斌芳，李建奇，郭杰荣，刘长青
（．南文理学院物理与电子科学学院，南常德，１００２湖南文理学院电气与信息工程学院，１湖湖４５０；．湖南常德，
统计自相似的随机过程，频率与功率谱密度成反比，
噪声．从２世纪５年代中期以来，在真空管、极管首先用小波变换对含噪图像信号进行小波分解，这００二样可以保证对图像中的不相关噪声的有效抑制，保
它对于红外图像处理将带来很大的误差．
２本文采用的红外图像去噪方法
本文采用的红外图像去噪方法包含以下步骤：
了１／声．随后，各种半导体器件中，也发现此种厂噪和晶体管的电压或电流中，以及拾音器、半导体、
表面温度．根据体表不同的温度分布以形成不同灰统的图像去噪算法，将不能达到最佳效果．针对这通过选用自适应滤波器的维纳滤波算法从而实现信个情况，文献［】出了一种基于小波变化的方法，噪分离的最佳滤波，以保证去除信号中的相关乘性１提
第２３眷第３期２１０１年９月
湖南文理学院学报（然科学版）自ＪｕｎｌｆｕａｎｖｒｉＡｔａｄｃｎｅａｒＬｃｎｅｄｉｎｏｒａｏｎｎＵｉｓｙｆｒｉｃ（ｔａｓｉｃｉｏ）ＨｅｔｏｓｎＳｅＮｕｅＥｔ
３８
湖南文理学院学报（然科学版）自
２ｌ年Ｏ１
ቤተ መጻሕፍቲ ባይዱ
１红外图像噪声类型及去噪分析
１１ｌ＂．／噪声ｔ１２年，约翰逊在电子管板极电流中首次发现９５
比较复杂，很多文献的分析都忽略了这种噪声，但
该方法将乘性噪声转换为加性噪声再处理，但此转噪声．
收稿日期：０１０．７２１－６２
作者简介曹斌芳（７．女，师，１９）９，讲博士研究生，研究方向为自适应滤波器、图像处理．－ａ：ａｆ１３ｏＥｍｉｃｏｂ６．ｍｌ＠ｃ基金项目：湖南省自然科学基金（１Ｊ０２；湖南文理学院青年专项基４（ＱＮ１０）１Ｊ６６）Ａ－ＹＸ０５
的最佳滤波．仿真结果表明，本文提出的去噪算法优于已有的各种算法，提高了图像的对比度，出了图像细节．突
关键词：红外图像；小波变换；维纳滤波
中圈分类号：Ｎ９７Ｔ１．１３
文章编号：６２６４（００— ０７０１７— １６１）３０３－４２１
Ｉｒｒｄｉａｅｄｅｉｉｌｏｉｈｍｓｄｏｄａｔｖｅｗａｌｔｔａｓｏｍｎｆａｅｍｇｎｏｓｎｇａｇｒｔｂａｅｎａｐｉｖｅｅｒｎｆｒ
的白噪声，从而达到去噪的目的．
程度有着密切的关系．从视觉角度看来，这种噪声在图像中呈现斑点分布状．根据散斑的密度可以将这种噪声分成３类型，从数学角度散斑噪声可以种
用广义分布来描述．从噪声的性质来分析，严格地讲，散斑噪声既包含乘性噪声的成分也包含加性噪声的成分，可以由式（）１来表达：Ｙ
４５０）１００
摘
要：针对红外图像存在的加性、乘性及混合噪声，提出了一种自适应小波变换的图像去噪算法．该方法首先用