图像去噪理论基础.doc
图像去噪算法及其应用
图像去噪算法及其应用图像去噪算法是数字图像处理领域中的一个重要分支，其主要任务是将图像中的噪声去除，以提高图像的质量和清晰度。
随着计算机技术的不断发展和普及，图像去噪算法也得到了广泛的应用。
本文将介绍图像去噪算法的基本原理及其在实际应用中的一些案例。
一、图像去噪算法的基本原理图像去噪算法的基本原理是利用数字图像处理技术，对图像进行滤波处理，去除噪声。
滤波有很多种方法，其中比较常见的有均值滤波、中值滤波、小波变换等。
以下分别介绍一下这几种方法的原理及其适用范围：1.均值滤波均值滤波是一种常见的线性平滑滤波方法，其原理是用像素周围的颜色平均值来代替该像素的颜色。
具体实现时，使用一个固定大小的矩形来计算像素的平均值，然后将平均值作为新的像素值。
均值滤波的优点是计算简单，但是对于图像中的高斯噪声、脉冲噪声等较强的噪声，效果不太好。
2.中值滤波中值滤波是一种非线性滤波方法，其原理是用像素周围的颜色中位数来代替该像素的颜色。
中值滤波的优点是能有效去除图像中的椒盐噪声、斑点噪声等，但对于高斯噪声、周期噪声等较强的噪声，效果不佳。
3.小波变换小波变换是一种用于分析非平稳信号的数学工具，也被广泛应用于图像处理领域。
通过小波变换，我们可以将图像分解成不同频率的子图像，然后在每个子图像上进行处理，最后将所有子图像合并为一个图像。
小波变换具有良好的局部性和多尺度特性，能够有效地去除不同类型的噪声。
二、图像去噪算法的应用案例1.医学图像处理医学图像处理是图像处理领域的一个重要应用领域，其主要任务是对医学图像进行分析、处理和诊断，以辅助医生对疾病进行诊断和治疗。
在医学图像处理中，图像去噪算法常常被应用于CT、MRI等医学影像数据的预处理，以提高其清晰度和准确性。
2.视频图像处理随着数字化技术的发展，视频图像处理在娱乐、教育、安防等领域得到了广泛的应用。
在视频图像处理中，图像去噪算法的主要任务是去除视频中的噪声和干扰，以提高图像的清晰度和稳定性，从而为后续处理提供更加可靠的基础。
图像处理中的图像去噪与图像增强技术
图像处理中的图像去噪与图像增强技术图像处理是一门广泛应用于多个领域的技术，其中图像去噪与图像增强技术是其中重要的两大方向。
图像去噪是指在图像处理过程中，将图像中的噪声去除，从而提高图像的质量和清晰度；而图像增强则是指通过各种算法和技术手段，改善图像的视觉效果，使得图像更加美观和易于分析。
本文将围绕图像去噪与图像增强技术展开，深入探讨它们的原理、应用与未来发展方向。
第一章：图像去噪技术1.1图像噪声的来源与分类图像噪声是指在采集、传输、存储等过程中由于各种因素引起的图像中的无意义的像素值。
图像噪声的来源主要包括传感器本身的噪声、传输过程中的干扰、存储设备的误差等。
根据噪声的性质，可以将图像噪声分为加性噪声、乘性噪声等不同类型。
1.2常用的图像去噪技术目前，常用的图像去噪技术包括空域滤波、频域滤波、小波去噪、基于深度学习的去噪等。
空域滤波是最早被应用于图像去噪的技术之一，主要包括均值滤波、中值滤波等。
频域滤波则通过利用图像的频谱信息，对图像进行滤波。
小波去噪利用小波变换的多尺度分析特性，可以有效地去除图像中的不同尺度的噪声。
基于深度学习的去噪技术则是近年来兴起的一种新技术，通过训练深度神经网络，可以实现高效的图像去噪效果。
1.3图像去噪技术的应用图像去噪技术在各个领域都有着广泛的应用。
在医学影像领域，图像去噪技术可以帮助医生更准确地诊断疾病；在无人驾驶领域，图像去噪技术可以提高驾驶辅助系统的精度和可靠性；在工业检测领域，图像去噪技术可以帮助工程师更准确地检测产品的质量等。
1.4图像去噪技术的挑战与发展方向尽管图像去噪技术取得了显著的进展，但是在实际应用中仍然存在一些挑战。
例如，对于复杂场景中的图像，传统的图像去噪技术往往效果不佳；另外，图像去噪技术的算法复杂度较高，需要大量的计算资源。
未来，如何进一步提高图像去噪技术的鲁棒性和实时性将成为重点研究方向。
第二章：图像增强技术2.1图像增强技术的分类图像增强技术根据不同的目的，可以分为对比度增强、边缘增强、细节增强等不同类型。
图像去噪的原理及实现
图像噪声图像在摄取或传输时所受的随机信号干扰，表现为图像信息或者像素亮度的随机变化。
一张图像通常会包含很多噪声，很多时候将图像噪声看成是多维随机过程。
·噪声来源①图像在拍摄时不够明亮、亮度不够均匀；②电路各元器件自身噪声和相互影响；③传感器长期工作温度过高等。
·常见噪声高斯噪声：高斯噪声又称为正态噪声，在噪声图像的统计直方图上呈正态分布。
高斯噪声对原图像的影响是随机，特别常见的一种噪声。
椒盐噪声：脉冲噪声又称为椒盐噪声，因为用椒盐来命名特别形象。
它是一种随机出现的黑点（胡椒）或者白点（盐），前者是高灰度噪声，后者是低灰度噪声，一般两者同时出现在图像中。
·噪声的坏处①噪声污染的图像其可读性变差，清晰度变低；②可导致违规摄像头误判，有用可读点变少；③即便对图像进行去噪，其清晰度依然没有比不上原图。
·噪声处理空间域滤波：在原图像上直接进行数据运算，对像素的灰度值进行处理，常见算法有中值和均值滤波。
变换域滤波：对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域。
有傅立叶变换和小波变换等方法。
偏微分方程：过随时间变化的更新，使得图像向所要得到的效果逐渐逼近。
可以在去除噪声的同时，很好的保持边缘。
变分法：确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态。
·常见噪声处理算法均值滤波算术均值滤波：滤出加性噪声，但丢失细节算术均值滤波器就是简单的计算窗口区域的像素均值，然后将均值赋值给窗口中心点处的像素几何均值滤波：更好保护细节滤波后图像的像素由模板窗口内像素的乘积的1/mn幂给出。
中值滤波把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围像素的值接近真实值，从而消除孤立的噪声点。
·利用MATLAB实现图像去噪利用MATLAB图像处理工具箱的imfilter函数实现均值滤波和中值滤波。
图像的降噪的原理及应用
图像的降噪的原理及应用摘要对于图像降噪，其目的在于提高图像信噪比，最大限度保持图像的原有信息。
常用的图像降噪方法是采用平滑滤波器降低图像噪声，本文主要介绍降噪原理及应用。
关键词降噪；平滑滤波器；减少杂色滤镜图像在采集、传输、接收过程，均处在复杂的外部环境中，存在各种干扰，一般都会受到噪声的影响，继而影响到输入、输出环节，从而导致图像质量下降，不止会导致图像的分辨率降低，同时图像原本精细的结构也会遭到破坏，这样对于图像的后续处理时极为不利的，因而有效的抑制噪声，对于图像的应用有着至关重要的作用。
[1]本文主要介绍降噪的原理及PHOTOSHOP中常用的降噪滤镜。
1 噪声产生的原因产生噪声一般有内、外两种原因，外因一般是指由自然物体产生的电磁干扰或经电源窜进系统内部而引起的噪声，例如天体放电现象、电器设备引起的噪声等；内因则包括：1）光电粒子随机运动产生的噪声；2）电器内部的机械运动导致电路抖动，引起电流变化，从而产生噪声；3）系统内部电路引起的噪声，例如电流引入的交流噪声、偏转系统引起的噪声等；4）材料器械本身引起的噪声，尽管随着材料科学的发展，这些噪声有望减少，但是完全避免是不可能的。
2 常见噪声分类图像噪声如果从统计理论分类，可以分为平稳噪声和非平稳噪声两类，前者其统计特性不随时间变化而变化，后者则相反。
按噪声幅度分可分为4类：1）椒盐噪声（脉冲噪声）2）指数分布噪声；3）瑞丽噪声；4）正态噪声（高斯噪声）。
根据噪声源可分为两类：1）光电子噪声；2）电子噪声。
3降噪的基本原理图像降噪的目的是调高提高图像的信噪比，使图像的应用特征突出。
对于一副图像，图像信号和噪声信号的能量在频域上分布是不同的，其中噪声能量主要分布在高频区域，而图像能量主要分布在低频区域，基于这一点我们可以分离噪声。
[2]一般情况下，采用平滑滤波器对图像进行降噪处理。
滤波的本义是指信号有各种频率之分，过滤掉不需要的成分，即图像中的噪声，保留下需要的成分，这就是滤波的目的，也是过程。
去除图像噪声方法
去除图像噪声方法去除图像噪声是图像处理领域中一个重要的任务，它可以提高图像的质量和细节，并改善后续图像分析和处理的准确性。
目前，有许多方法可以用来去除图像噪声。
下面我将介绍一些常见的方法。
1. 统计滤波器：统计滤波器是一种简单而有效的方法，它利用邻域像素值的统计信息来去除噪声。
常见的统计滤波器包括中值滤波器、均值滤波器和高斯滤波器。
中值滤波器通过取邻域像素的中值来去除噪声，适用于椒盐噪声和脉冲噪声；均值滤波器通过取邻域像素的平均值来去除噪声，适用于高斯噪声；高斯滤波器通过卷积操作将图像模糊，从而去除噪声。
2. 基于波let变换的方法：波let变换是一种多分辨率分析方法，可以将图像分解为不同尺度的频带。
通过对小波系数进行阈值处理，可以减小较小的波动，从而去除噪声。
常见的基于波let变换的方法包括小波阈值去噪和小波软阈值去噪。
小波阈值去噪通过选择适当的阈值来将小波系数除噪，适用于高斯噪声；小波软阈值去噪通过对小波系数进行软阈值处理，适用于椒盐噪声和脉冲噪声。
3. 基于偏微分方程的方法：偏微分方程方法是一种基于偏微分方程的图像去噪方法。
它通过定义偏微分方程来描述图像中的噪声和边缘特征，并通过迭代求解偏微分方程来去除噪声。
常见的基于偏微分方程的方法包括非线性扩散滤波和总变差去噪。
非线性扩散滤波通过改变图像的梯度来去除噪声，适用于高斯噪声；总变差去噪通过最小化图像的总变差来去除噪声，适用于椒盐噪声和脉冲噪声。
4. 基于深度学习的方法：深度学习是一种机器学习方法，近年来在图像去噪任务中取得了很大的成功。
通过构建深度卷积神经网络，并通过大量的图像数据对其进行训练，可以实现高效的图像去噪。
常见的基于深度学习的方法包括基于卷积自编码器的方法和基于生成对抗网络的方法。
卷积自编码器是一种将输入图像压缩到较小维度编码，再通过解码恢复图像的神经网络，它可以学习到图像的低层特征，从而去除噪声；生成对抗网络是一种通过博弈的方式训练生成器和判别器网络的方法，可以生成逼真的去噪图像。
医学影像处理技术中的图像去噪问题
医学影像处理技术中的图像去噪问题随着科技的发展，许多新型医学设备以及医学影像处理技术也应运而生。
在医学影像处理技术中，图像去噪问题是一个需要重视的问题。
噪声是一种常见的医学图像质量问题，它可能会使图像的结构和信息受到影响，从而影响临床的判断和诊断。
因此，如何去除噪音并提高医学图像的品质是一个关键问题。
首先，需要了解噪声的来源。
噪声可以来源于多种因素，包括图像采集系统的制造和调试过程中的设计缺陷、影像传输和存储环境的不稳定性以及画质分析和图像处理中的误差等。
因此，针对不同来源的噪声，需要采用有针对性的去噪方法。
在去噪方法中，常见的方法有迭代法、小波变换法、差分方法、高斯滤波法和局部自适应阈值去噪法等。
这些方法都具有优缺点，需要根据实际情况选择合适的方法。
迭代法是一种基于泊松方程的去噪方法，其主要思想是通过反复求解泊松方程来消除图像中的噪声。
这种方法效果较好，但计算量比较大，在实际中不太适用。
小波变换法是一种比较实用的去噪方法。
在这种方法中，图像信号经过小波变换后，噪声和信号分别在不同的频带中，可以对噪声所在频带进行滤波处理，实现去噪的目的。
此外，小波变换法还可以通过改变小波变换方法、阈值以及分解层数等参数来实现更好的去噪效果。
差分方法是一种基于梯度信息的去噪方法，其思想是利用图像像素之间的差值关系来去除噪声。
这种方法简单易懂，但对于图像中的高斯白噪声等复杂噪声效果不佳，需要根据实际情况进行选择。
高斯滤波法是一种广泛应用的去噪方法。
在这种方法中，图像像素和它周围像素的加权平均值被计算出来来代替原始像素值。
这种方法简单易实现，但对于文本、细节、纹理等细节信息的保留不足，需要进行参数调整。
局部自适应阈值去噪法是一种基于区域阈值选择的去噪方法。
该方法通过局部检测图像像素的方差来动态地选择阈值，以达到更好的去噪效果。
这种方法对噪声消除效果较好，但计算量较大，需要长时间的计算、调整等。
除此之外，也可以采用深度学习等人工智能技术来进行医学影像去噪，其效果也被广泛认可。
ps 里去除噪点的原理
ps 里去除噪点的原理
PS里去除噪点的原理主要是通过图像处理技术来减少或消除图像中的噪点，从而提高图像的清晰度和质量。
具体来说，去除噪点主要依赖于以下几个原理：
1. 噪声检测：首先需要检测图像中的噪声，这通常是通过比较周围像素的亮度或颜色信息来实现的。
如果某个像素的亮度或颜色与周围像素显著不同，则可能被视为噪声。
2. 噪声平滑：一旦检测到噪声，就可以使用各种平滑算法来减少或消除它。
这些算法可以通过平均周围的像素值来减少噪声，或者使用更复杂的算法，如中值滤波或自适应滤波。
3. 细节增强：在去除噪声的同时，有时还需要增强图像的细节。
这可以通过各种细节增强算法来实现，例如使用拉普拉斯算子或高斯算子来增强图像的边缘和细节。
4. 色彩校正：在某些情况下，噪声可能会导致颜色失真。
因此，在去除噪声后，可能还需要进行色彩校正，以确保图像的颜色看起来自然和准确。
总之，PS里去除噪点的原理主要是通过检测、平滑、增强和校正等技术来
减少或消除图像中的噪声，从而提高图像的质量和清晰度。
计算机视觉中的图像去噪技术
计算机视觉中的图像去噪技术随着科技的不断发展，计算机视觉技术在各个领域得到了广泛的应用，如医疗影像分析、智能监控、无人驾驶等。
然而，在图像处理的过程中，噪声是一个不可避免的问题，它会影响图像的质量，降低视觉识别的准确性。
因此，图像去噪技术在计算机视觉领域显得尤为重要。
一、图像噪声的类型图像噪声主要包括椒盐噪声、高斯噪声、泊松噪声等。
椒盐噪声是指图像中的一些像素点被随机改变成黑点或白点，使得图像中出现黑白颗粒的现象；高斯噪声则是指图像中像素值受到高斯分布的影响而发生变化；泊松噪声是由于光子在成像传感器上的随机分布而产生的。
不同类型的噪声会对图像质量产生不同程度的影响，因此需要采取不同的去噪技术进行处理。
二、基于滤波的图像去噪方法基于滤波的图像去噪方法是最常见的一种技术，它通过对图像进行滤波处理来减少噪声。
常见的滤波方法包括中值滤波、均值滤波、高斯滤波等。
中值滤波是一种非常有效的去噪方法，它通过计算邻域内像素的中值来替代当前像素值，从而减少椒盐噪声的影响；而均值滤波则是将邻域内像素值的平均值作为当前像素值，适用于高斯噪声的去除。
另外，高斯滤波则是利用高斯函数对图像进行平滑处理，减少噪声的影响。
三、基于深度学习的图像去噪技术随着深度学习技术的不断发展，越来越多的研究者开始将深度学习应用于图像去噪领域。
深度学习技术通过构建深度神经网络来学习图像的特征，从而实现对图像的高效去噪。
其中，卷积神经网络（CNN）被广泛应用于图像去噪任务中。
研究者们设计了各种不同结构的CNN网络，如自编码器、残差网络等，通过大量的图像数据训练网络模型，使其学习到图像中的噪声分布规律，从而实现对图像的高效去噪。
四、基于小波变换的图像去噪方法小波变换是一种多分辨率分析方法，它能够将图像分解为不同尺度的子图像，从而实现对图像的多尺度分析。
基于小波变换的图像去噪方法利用小波变换将图像分解为低频和高频成分，然后对高频成分进行去噪处理。
常见的小波去噪方法包括硬阈值和软阈值方法。
- 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)。
一，背景随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。
然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。
所以，降噪处理一直是图像处理和计算机视觉研究的热点。
图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。
通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。
在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。
如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。
二，图像去噪理论基础2.1 图像噪声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”。
例如，一幅黑白图片，其平面亮度分布假定为f(x，y)，那么对其接收起干扰作用的亮度分布R(x，y)，即可称为图像噪声。
但是，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。
因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。
但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。
而实际应用往往也不必要。
通常是用其数字特征，即均值方差，相关函数等。
因为这些数字特征都可以从某些方面反映出噪声的特征。
2.2 常见的图像噪声在我们的图像中常见的噪声主要有以下几种：（1），加性噪声加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声的。
这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和，即：（2），乘性噪声乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是：（3），量化噪声量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。
（4），“椒盐”噪声此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。
2.3 图像噪声模型实际获得的图像含有的噪声，根据不同分类可将噪声进行不同的分类。
从噪声的概率分情况来看，可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声。
它们对应的概率密度函数（PDF）如下：（1），高斯噪声在空间域和频域中，由于高斯噪声在数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用在实践中。
高斯随机变量Z的PDF由下式给出：其中，z表示灰度值，μ表示z的平均值或期望值，α表示z的标准差。
当z服从上述分布时，其值有95%落在[(μ-2σ)，(μ+2σ)]范围内。
（2）脉冲噪声（椒盐噪声）（双极）脉冲噪声的PDF可由下式给出：如果b>a，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。
若Pa 或Pb为零，则脉冲称为单极脉冲。
如果Pa和Pb均不可能为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。
由于这个原因，双极脉冲噪声也称为椒盐噪声。
（3）瑞利噪声其均值和方差分别为：（4）伽马噪声其密度的均值和方差为：（5）指数分布噪声其中a>0，概率密度函数的期望值和方差是：（6）均匀噪声其均值和方差分别为：2.4 图像去噪算法分类（1），空间域滤波空域滤波是在原图像上直接进行数据运算，对像素的灰度值进行处理。
常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。
（2），变换域滤波图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。
将图像从空间域转换到变换域的变换方法很多，如傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。
而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。
（3），偏微分方程偏微分方程是近年来兴起的一种图像处理方法，主要针对低层图像处理并取得了很好的效果。
偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好的保持边缘。
偏微分方程的应用主要可以分为两类:一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种算法的代表为Perona和Malik的方程[27]，以及对其改进后的后续工作。
该方法在确定扩散系数时有很大的选择空间，在前向扩散的同时具有后向扩散的功能，所以，具有平滑图像和将边缘尖锐化的能力。
偏微分方程在低噪声密度的图像处理中取得了较好的效果，但是在处理高噪声密度图像时去噪效果不好，而且处理时间明显高出许多。
（4），变分法另一种利用数学进行图像去噪方法是基于变分法的思想，确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态，现在得到广泛应用的全变分TV模型就是这一类。
这类方法的关键是找到合适的能量方程，保证演化的稳定性，获得理想的结果。
（5），形态学噪声滤除器将开与闭结合可用来滤除噪声，首先对有噪声图像进行开运算，可选择结构要素矩阵比噪声尺寸大，因而开运算的结果是将背景噪声去除；再对前一步得到的图像进行闭运算，将图像上的噪声去掉。
据此可知，此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像除噪效果会较好。
三，几种图像去噪算法介绍3.1 基于空间域的中值滤波中值滤波器是一种常用的非线性平滑滤波器，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换。
设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为A的中值滤波器可以定义为：当n为奇数时，n个数x1，x2，…xn的中值就是按数值大小顺序处于中间的数；当n为偶数时，我们定义两个中间数平均值为中值。
3.2 基于小波域的小波阈值去噪小波萎缩法是目前研究最为广泛的方法，小波萎缩法又分成如下两类：第1类是阈值萎缩，由于阈值萎缩主要基于如下事实，即比较大的小波系数一般都是以实际信号为主，而比较小的系数则很大程度是噪声。
因此可通过设定合适的阈值，首先将小于闽值的系数置零，而保留大于闭值的小波系数；然后经过阈值函数映射得到估计系数；最后对估计系数进行逆变换，就可以实现去噪和重建；而另外一种萎缩方法则不同，它是通过判断系数被噪声污染的程度，并为这种程度引入各种度量方法(例如概率和隶属度等)，进而确定萎缩的比例，所以这种萎缩方法又被称为比例萎缩。
阈值萎缩方法中的两个基本要素是阈值和阈值函数。
阈值的选择：阈值的确定在阈值萎缩中是最关键的。
目前使用的阈值可以分成全局阈值和局部适应阈值两类。
其中，全局阈值对各层所有的小波系数或同一层内的小波系数都是统一的；而局部适应阈值是根据当前系数周围的局部情况来确定阈值。
目前提出的全局阈值主要有以下几种：（1），Donoho和Johastone统一阈值（简称DJ阈值）：其中σ为噪声标准方差，N为信号的尺寸或长度。
（2），基于零均值正态分布的置信区间阈值：（3），Bayes Shrink阈值和Map Shrink阈值。
在小波系数服从广义高斯分布的假设下，Chang 等人得出了阈值：其中，（R为噪声标准方差，RB为广义高斯分布的标准方差值）。
（4），最小最大化阈值：这是Donoho和John Stone在最小最大化意义下得出的阈值与上边的阈值不同，它是依赖于信号的，而且没有显式表达式，在求取时需要预先知道原信号。
（5），理想阈值：理想阈值是在均方差准则下的最优阈值，同最大最小化阈值一样，也没有显式的表达式，并且这个阈值的计算通常也需先知道信号本身。
阈值函数：Bruce和Gao。
提出了一种半软阈值函数：该方法通过选择合适的阈值T1和12，可以在软阈值方法和硬阈值方法之间达到很好的折中。
另外，zhang等人为了对SIJRE误差准则函数进行基于梯度的优化搜索，提出了另外一种阈值函数，这种阈值函数同上边闭值函数所不同的是它拥有更高的导数阶，故其重建图像更为平滑，但该文作者将去噪效果的提高归功于搜索方法，其实，Donoh。
和Johnstone提出的在当前小波系数集合中，搜索最优阈值的方法，对于当前已经是优的了，由此可见，该去噪效果的提高则应归功于阈值函数的选取。
3.3 基于PDE的图像去噪目前，基于PDE的图像处理方法的研究，也是图像去噪的研究热点方向，并且己经取得了一定的理论和实际应用方面的成它的去噪过程为通过建立噪声图像为某非线性PDE的初始条件，然后求解这个PDE，得到在不同时刻的解，即为滤波结果。
Perona和Malik提出了基于PDE的非线性扩散滤波方法（以下简称P-M），各向异性的去噪模型根据图像的梯度值决定扩散的速度，使之能兼顾噪声消除和边缘保持两方面的要求。
以P-M模型为代表的这类方法己经在图像增强、图像分割和边缘检测等领域得到了广泛的应用，取得了很好的效果。
P-M是一种非线性的各向异性方法，目的是为了克服线性滤波方法存在的模糊边缘和边缘位置移动的缺点。
基本思想是:图像特征强的地方减少扩散系数，图像特征弱的地方增强扩散系数。
方程如下：其中u(x，y，t)是随时间变化的图像，是梯度的模，扩散系数函数用于控制扩散速度。
理想的扩散系数应当使各向异性扩散在灰度变化平缓的区域快速进行，而在灰度变化急剧的位置（即图像特征处）低速扩散乃至不扩散函数，所以，应具有如下性质：基于以上的两个性质，P-M提出了如下扩散系数函数：其中k为边缘阈值，用来判断边缘区域和平坦区域。
引入通量函数，主要是为了阐明阈值k 在扩散操作中的作用，其函数定义如下：尽管P-M方程在抑制噪声与保留图像重要特征方面取得了一定的效果，但却表现出病态且不稳定。
Catt等人对该方程进行了改进，他们先用高斯核同图像作卷积，然后取其梯度模作图像边缘信息的估计。
文献提出用优化的对称指数滤波器对图像作光滑，然后取其梯度模作图像边缘信息的估计。
这两种估计方法的基本思想是降低噪声的干扰，更加真实地提取图像的边缘特征信息，以便利用边缘信息更好地控制P-M方程的扩散行为。
3.4 全变分（TV）图像去噪TV方法是由Rudin Osher and Fatemi提出，它基于变分法的思想，确定图像的能量函数，通过对图像能量函数最小化达到平滑去噪的目的。