图像去噪去噪算法研究 开题报告
数字图像去噪算法研究开题报告
拟解决的问题：就目前来说，我对数字图像的一些知识掌握的还不够多。而且对Matlab的操作也不是特别熟练。在以后的学习过程中，要重点掌握基本知识，多多练习实践操作能力。
第6—10周巩固和学习Matlab的使用，打到熟练使用的程度。
第11—14周针对设计中使用的算法，编制处理程序，并上机进行调试和优化，对图像处理过程进行仿真。
第15周—19周根据实验仿真结果，分析去噪后的图像的各种性能指标，整理得出结论，验证自己的算法研究。
第20—24周整理实验结果，进行课题总结撰写论文，准备答辩。
附件3：
毕业设计（论文）开题报告
题目：数字图像去噪算法研究
学院：
专业：
学生姓名：
指导教师：
一、研究的现பைடு நூலகம்及其意义
自上世纪70年代起，人们就根据实际图像的特点和噪声的一些分布规律，提出了各种各样的图像去噪方法。传统的图像去噪方法基本上可以分为两类：空间域滤波方法和频域滤波方法，最近几年又提出了许多效果更好的去噪方法。
技术路线、实验方案及可行性分析：理论与实践结合，充分的掌握理论知识后，再上机用Matlab进行调试。本课题难度不是很大，只需上机调试就可以研究课题的内容，可行性很大。
四、研究计划及进度安排
第1—5周收集资料，通过学习相应书记和查阅资料，了解课题研究的基本内容、目的和意义，对课题目前的发展和较为常见的图像去噪算法有所了解和掌握，确定设计思路。
三、研究的基本思路和方法、技术路线、实验方案及可行性分析
基于GVC的扩散模型与图像去噪方法研究的开题报告
基于GVC的扩散模型与图像去噪方法研究的开题报告题目：基于GVC的扩散模型与图像去噪方法研究一、选题背景及意义：图像去噪是图像处理领域中的一项重要任务，其目的是消除图像中的噪声污染，以提高图像质量和信息量。
图像去噪技术在计算机视觉、医学影像等领域具有广泛的应用价值，如肿瘤检测、城市交通监控、海洋遥感等。
针对图像去噪问题，扩散模型是一种重要的数学工具。
GVC （Gradient Vector Flow）扩散模型是一种基于梯度向量场的扩散模型，能够较好地保留图像边缘信息，具有很好的去噪效果。
因此，基于GVC的扩散模型在图像去噪领域中得到了广泛的应用。
二、研究内容和技术路线：本文旨在研究基于GVC的扩散模型与图像去噪方法，具体内容包括：1. GVC扩散模型的原理及算法实现GVC扩散模型是一种基于梯度向量场的扩散模型，本文将研究GVC扩散模型的原理，包括GVC梯度向量场的计算、GVC扩散算法的构建等，同时通过Matlab实验，验证GVC扩散模型的去噪效果。
2. 图像去噪算法的设计和实现本文将研究基于GVC的图像去噪算法，设计实现一种新的图像去噪方法，并与其他经典的图像去噪算法进行比较分析。
同时，本文还将研究图像去噪算法的实时性以及应用场景。
3. 基于深度学习的图像去噪方法本文将进一步研究基于深度学习的图像去噪方法，包括卷积神经网络（CNN）和自编码器（Autoencoder）等方面的研究。
通过对比分析基于深度学习和基于GVC的图像去噪方法，选出最优的算法，提高图像质量和去噪效果。
技术路线：首先对GVC扩散模型的原理进行研究，然后通过Matlab实验，验证GVC扩散模型的去噪效果。
其次，设计实现一种基于GVC的图像去噪算法，并与其他经典的图像去噪算法进行比较分析。
最后，研究基于深度学习的图像去噪方法，进行算法的设计和分析，并选择合适的算法进行实现和应用。
三、预期成果：1. 对基于GVC的扩散模型及图像去噪方法的研究有较为全面的了解，既可以从理论上进行分析，也能够进行实验验证。
基于小波变换的图像去噪算法研究的开题报告
基于小波变换的图像去噪算法研究的开题报告一、研究背景及意义数字图像是现代通信领域重要的信源之一，然而在图像采集、存储、处理中普遍存在着一些因噪声而导致的困扰，使得图像质量明显降低。
因此图像去噪成为了图像处理研究领域中的热点问题之一。
图像去噪是指将噪声对图像造成的影响尽可能减少或消除，提高图像质量，以便更好地进行下一步的处理或分析。
小波变换是图像处理领域中常用的一种技术，其可以将信号分解为多个不同时间和频率的小波，从而更好地实现信号压缩、去噪等操作。
目前已有很多基于小波变换的图像去噪算法被提出，如基于软阈值的小波去噪算法和基于最大邻近小波系数的小波去噪算法等。
本文致力于探索和研究新的基于小波变换的图像去噪算法，以提高图像去噪的精度和效率，为数字图像的后续处理提供更好的数据基础。
二、研究内容与研究思路1. 研究各种基于小波变换的图像去噪算法，包括常见的基于软阈值的小波去噪算法、基于最大邻近小波系数的小波去噪算法等，并对各种算法进行分析和比较。
2. 针对现有算法存在的局限性，提出一种新的基于小波变换的图像去噪算法，具有更好的精度和高效性。
3. 通过MATLAB等软件进行仿真实验，对各种算法的效果做出对比并评价算法的优劣。
4. 最终，对实验结果进行总结，并对新算法进行改进和完善。
三、预期成果1. 对小波变换的图像去噪算法进行系统研究和分析，了解其应用的局限性和不足。
提取算法中存在的问题，并从实用性、效率、精度等方面出发提出改进的方案。
2. 提出新的基于小波变换的图像去噪算法，具有更高的准确性和更好的实用性，能够明显提高数字图像的清晰度和质量。
3. 通过实验验证新算法的有效性和可行性，并对实验结果进行总结和分析，总结实验结果的经验和教训，为以后的研究工作提供指导。
基于小波变换的ROF模型的图像去噪方法研究的开题报告
基于小波变换的ROF模型的图像去噪方法研究的开题报告一、研究背景随着数字图像处理技术的发展，图像去噪成为了数字图像处理中的一个重要问题。
在数字图像处理中，图像噪声往往会影响到图像质量和识别率，因此，如何有效地去除图像噪声，一直是数字图像处理研究领域中的热点和难点问题。
在图像去噪方法中，小波变换是一种常用的方法。
小波变换可以将一幅图像分解成不同尺度的子带，因此可以有效地去除图像中的噪声。
同时，小波变换还可以保留原始图像中的重要信息，从而避免了图像处理过度的问题。
近年来，基于小波变换的ROF模型在图像去噪方面取得了一定的成果。
二、研究目的本研究旨在探索小波变换在ROF模型中的应用，研究基于小波变换的ROF模型的图像去噪方法，提高数字图像处理的效果和准确性。
三、研究内容和方法本研究的内容包括：1.研究小波变换在图像去噪中的基本原理和方法，深入探讨小波变换的特点和优势；2.研究ROF模型在图像去噪中的基本原理和方法，分析ROF模型中的红外相机图像优化算法及原理；3.研究基于小波变换的ROF模型的图像去噪算法，探究其处理图像的机理和方式；4.设计实验验证基于小波变换的ROF模型的图像去噪方法的有效性和可行性，以及与其他方法的比较；5.分析基于小波变换的ROF模型在实际应用中的可行性和优越性。
本研究主要采用文献调研、理论分析和实验验证等方法，对基于小波变换的ROF模型的图像去噪方法进行探究和研究。
四、预期研究结果本研究预计获得以下研究成果：1.深入了解小波变换在图像去噪中的应用原理和方法；2.研究了基于小波变换的ROF模型的图像去噪方法，并比较分析了其与其他方法的差异和优势；3.设计实验，验证基于小波变换的ROF模型的图像去噪方法的有效性和可行性；4.探究了基于小波变换的ROF模型在实际应用中的优越性和可行性。
五、研究意义本研究的意义主要体现在以下几个方面：1.为数字图像处理和图像去噪提供了一种新的思路和方法；2.深入研究了小波变换在ROF模型中的应用，拓展了小波变换的应用领域；3.提高了数字图像处理的效果和准确性，促进了图像处理技术的发展。
基于多尺度变换的图像去噪方法研究的开题报告
基于多尺度变换的图像去噪方法研究的开题报告一、研究背景与意义图像处理技术一直是计算机视觉领域的重要研究方向之一。
随着数字摄影技术的普及和图像传输技术的发展，数字图像不可避免地会受到来自各种源头的噪声干扰，其中包括传感器噪声、信道噪声、压缩噪声等。
这些噪声不仅影响了图像的视觉效果，而且对后续图像分析和处理的准确性也产生了重大影响，因此图像去噪技术一直是图像处理领域的基础和热点问题之一。
目前，图像去噪技术主要可以分为基于小波变换的方法、基于局部图像统计特征的方法、以及基于深度学习的方法等。
在实际应用中，这些方法均存在各自的优点和缺点，如何充分发挥它们的优点、弥补它们的缺陷、提高图像去噪效果，成为图像去噪领域研究的重点之一。
本课题研究的目的是基于多尺度变换的方法，从多个尺度对图像进行分析和处理，采用合适的图像去噪模型和优化算法，对噪声图像进行去噪处理，实现更好的去噪效果，提高图像质量。
二、研究内容和方法1. 研究多尺度分析和处理方法，并总结其特点；2. 分析图像噪声的特点和类型，研究基于多尺度变换的图像去噪算法；3. 考虑各种条件和约束，构建相应的优化模型，并分析其性质；4. 提出有效的求解算法，如迭代优化算法等；5. 在公开数据集上进行实验，评价所提方法的性能，并与其他流行的图像去噪方法进行比较。
三、预期成果1. 提出一种新的基于多尺度变换的图像去噪方法；2. 在公开数据集上评价所提方法的性能，并与其他流行的图像去噪方法进行比较；3. 发表相关论文；4. 实现一个实用的图像去噪软件，可以应用在数字图像处理领域中。
四、进度安排1. 第1-2周：查找并阅读相关文献，确定研究内容和方向；2. 第3-4周：学习多尺度分析和处理技术，总结其特点和优缺点；3. 第5-6周：分析图像噪声的特点和类型，研究基于多尺度变换的图像去噪算法；4. 第7-8周：构建图像去噪模型，分析其性质，并提出相应的求解算法；5. 第9-10周：在公开数据集上进行实验，评价所提方法的性能，并与其他流行的图像去噪方法进行比较；6. 第11-12周：整理实验结果，撰写论文，准备答辩。
基于SVM分类与回归的图像去噪研究的开题报告
基于SVM分类与回归的图像去噪研究的开题报告一、研究背景及意义随着现代社会的快速发展，数字图像处理技术逐渐成为科研领域中的重要研究方向之一。
数字图像处理技术应用广泛，如医学影像、遥感影像、安防监控等领域。
然而，在各种数字图像处理应用中，噪声是不可避免的，噪声会影响图像质量，影响后续分析处理的效果。
因此，图像去噪成为数字图像处理中的重要部分。
支持向量机（Support Vector Machine, SVM）是一种经典的机器学习方法，已经成为在分类和回归问题中的一种重要的工具。
相比于其他机器学习技术，SVM不仅具有高精度、可靠性和泛化能力，而且不容易陷入局部极值，且具有较好的启发式解释。
因此，在数字图像处理中使用SVM对图像进行去噪处理具有广阔的应用前景和研究意义。
二、研究内容1. 对SVM的基本原理进行研究，在此基础上学习SVM在分类和回归问题中的应用。
2. 研究数字图像处理中的主要噪声种类及其特点，例如高斯噪声、椒盐噪声等，并对常用的图像去噪方法进行调研，如中值滤波、均值滤波、小波变换等。
3. 研究SVM分类与回归在数字图像处理中的应用，深入探究SVM 算法对噪声过滤的效果。
4. 研究SVM图像去噪算法中的参数优化方法，提高算法的准确性和鲁棒性。
5. 基于Matlab等图像处理软件进行算法实现和实验验证。
统计实验数据，比较实验数据和标准数据之间的偏差，以验证算法的准确性和效果。
三、预期成果1. 理解SVM分类与回归的基本原理，并掌握在数字图像处理中的应用方法。
2. 掌握数字图像处理中常见的噪声种类以及去噪处理方法，对SVM 算法进行适应性拓展。
3. 实现SVM图像去噪算法，并对算法的准确性和鲁棒性进行评估和改善。
4. 提升对数字图像处理的理解及其在实际应用领域中的应用。
四、研究方法本次研究将基于文献研究和实验研究相结合的方法，通过对已有的文献进行调研和分析，深入挖掘SVM在数字图像处理中的应用，提高算法的准确性和效率。
基于小波变换的图像去噪研究的开题报告
基于小波变换的图像去噪研究的开题报告一、研究背景和意义：在数字图像处理领域中，图像去噪一直是一个非常受关注的研究方向。
图像噪声的来源很广泛，包括图像采集和传输过程中的噪声，以及储存和复制过程中的噪声等。
这些噪声会导致图像质量下降，甚至影响图像分析和处理结果的准确性，因此，如何有效地去除噪声，提高图像质量，是图像处理领域中的重要问题之一。
小波变换作为一种数字信号处理技术，已经被广泛应用于图像去噪中。
小波变换可以将信号分解成不同尺度和频率的子带，从而可以对信号的局部进行描述和处理。
通过选择适当的小波基函数和阈值处理方法，可以对图像进行有效的去噪，同时保留图像中的细节和特征。
本研究旨在探究基于小波变换的图像去噪方法，在实验中比较不同的小波基函数和阈值处理方法在去噪效果上的差异，为图像去噪问题提供更加有效的解决方案。
二、研究内容：1. 研究基于小波变换的图像去噪理论基础，包括小波变换的基本原理、小波基函数的选择和阈值处理方法的分类等。
2. 分析不同小波基函数在图像去噪中的适用性，比较不同基函数在去噪效果中的优缺点。
3. 探究不同阈值处理方法在图像去噪中的作用和应用，对比不同阈值处理方法对图像去噪效果的影响。
4. 综合应用小波变换及相关处理方法，设计并实现基于小波变换的图像去噪系统，并进行实验验证。
三、研究方法和步骤：1. 研究小波变换及相关的基础理论和方法。
2. 分析不同小波基函数的特点和应用范围，比较它们在图像去噪中的优缺点。
3. 研究不同的阈值处理方法，包括硬阈值、软阈值、伽马阈值等，并分析它们在图像去噪中的优缺点。
4. 基于Matlab工具，实现基于小波变换的图像去噪系统，并进行实验验证。
5. 分析实验结果，比较不同方法在去噪效果上的差异，并探究优化方法和方案。
四、研究预期成果：1. 完成基于小波变换的图像去噪研究，并撰写相关论文。
2. 分析不同小波基函数和阈值处理方法在图像去噪中的优缺点，提出更有效的图像去噪方法。
基于像素分类的图像去噪的开题报告
基于像素分类的图像去噪的开题报告一、研究背景及意义随着数字图像科技的发展，图像在不同领域中得到越来越广泛的应用，例如医学影像、行车记录仪、无人机影像等。
但在图像获取和处理的过程中，往往会受到噪声的影响，导致图像清晰度和质量下降，严重影响图像的可视化和分析。
为此，图像去噪技术成为图像处理领域的一个重要研究方向。
目前已经有许多用于图像去噪的方法被提出，如小波去噪、基于总变分（TV）的去噪、非局部均值去噪等。
然而，这些方法无法适应各种图像噪声类型和分布特性的变化，同时其计算复杂度较高，难以满足实时应用的需求。
因此，基于像素分类的图像去噪方法在近年来吸引了广泛的关注，其主要思想是将像素分为不同的类别，然后对每个类别进行自适应的图像去噪处理。
相较于传统的去噪方法，该方法具备处理不同噪声类型和提高计算效率的优点。
二、研究内容及方案本文将采用基于像素分类的图像去噪方法，主要研究包括以下内容：1. 基本原理与算法设计：对基于像素分类的图像去噪方法进行深入研究，分析其基本原理和算法流程，设计出适用于不同噪声类型和特征的图像去噪算法。
2. 训练数据集的构建：构建针对不同噪声类型和强度的训练数据集，并针对不同场景进行优化和调整。
采用公共数据集和自建数据集进行验证实验。
3. 算法实现与评价：利用MATLAB、PYTHON等软件编程语言和主流的深度学习框架TensorFlow、PyTorch等实现基于像素分类的去噪方法，并进行多个性能评价指标的实验验证。
三、预期成果本文旨在设计一个实用高效的基于像素分类的图像去噪算法，进一步提高图像去噪效果。
预期成果包括：1. 开发一个针对不同噪声类型和特征的图像去噪算法。
2. 构建一个包含各种噪声类型和强度的数据集，可以用于训练和测试算法。
3. 实现并验证算法的正确性和有效性，可作为图像去噪应用的参考。
4. 发表一篇在国内外高水平期刊上的相关论文。
四、进度安排第一周：查阅相关文献，了解基于像素分类的图像去噪方法，并构思具体的研究思路和算法设计。
- 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)。
图像去噪去噪算法研究论文开题报告（1）选题的目的、意义目的：由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。
另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。
这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。
一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。
要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。
意义：噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。
所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。
现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。
科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。
但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要[4] [5]。
图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。
如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。
（2）国内外对本课题涉及问题的研究现状针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。
但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。
后来在众多研究者的努力下，产生了很多其他不同的方法。
而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。
目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。
其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。
在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。
实践证明，这些方法虽有一定的降噪效果，但都有其局限性。
比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。
实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。
对于去除椒盐噪声，主要使用中值滤波算法。
中值滤波是在1970年由Tukey提出的一种一维滤波器。
它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。
中值滤波以一种简单的非线性平滑技术。
它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。
中值滤波对消除椒盐噪声非常有效。
在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。
但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。
后来人们将其应用于二维图像上，产生了标准中值滤波。
标准中值滤波是采用滤波窗口对图像进行滤波窗口内部的二维中值滤波。
去除图像噪声过程中，滤波窗口的大小可以自由设定，一般采用奇数的正方形窗口，选择奇数的原因如上，如3*3、5*5的正方形窗口[17] [18] [19]。
除此以外，大量的研究学者基于标准中值滤波，经过努力工作，得到了更多有效的去除图像噪声算法。
比如：加权中值滤波、中心加权滤波、模糊多级中值、多重中值滤波算法等等。
它们都是从不同侧面对中值滤波算法进行改进，以提高去除图像噪声效果[20] [21] [22]。
但是，它们在去除细节较丰富的图像噪声往往将非噪声点误判断为噪声点而直接替换像素灰度值，对保持图像细节和保持图像边缘造成一定的消极影响。
除此之外，去除高密度椒盐噪声在现今图像处理问题中仍然是一个难点。
参考文献：[1]阮秋琦. 数字图像处理学[M]. 电子工业出版社, 2007[2]路系群,陈纯.《图像处理原理、技术与算法》[M].浙江大学出版社,2001,8[3]章霄.数字图像处理技术[M]. 冶金工业出版社, 2005[4] 郭卫民. 基于Matlab的图像去噪算法的研究[D]. 沈阳工业大学, 2006[5]刘明奇,党长民.实用数字图像处理[M].北京理工大学出版社,2002[6]杨群生，陈敏等．基于模糊技术的随机噪声消除算法[J]．华南理工大学学报，2000，28(8)：82-87[7]KrimH,SchickIC,Minimax description length for signal denoising and optimized representation.[J].In:IEEE rmation.Theory,1999,45(3) ： 898-908[8]Malfait M, Roose D.Wavelet based image denoising using aMarkov random field apriorl mode.[J.In:IEEE Trans.Image Processing, 1997, 6(4):549-565[9]李俊生.图像非线性滤波技术的研究[J].常州工学院学报,2005, 18(2):33-38[10]徐建华. 图像处理与分析[M]. 科学出版社, 1992[11]谢杰成,张大力,许文立.小波图像去噪综述[J].中国图像图形学报, 2002 ,3(7):209-217[12]王民,文义玲,常用图像去噪算法的比较与研究[J]．西安建筑科技大学学报,2010,11(3): 23-28[13]张宇,王希勤,彭应宁.自适应中心加权的改进均值滤波算法[J].清华大学学报,1999，39(4):76-78[14]L.K.Shark and C.Yu.Denoising by optimal fuzzy thresholding inwavelet domain [J]．IEEE Electronics letters，2000，36(6)：581-582[15]Xu Yansun, Weaver J B, Healy M J et al.Wavelet transformdomain filters :A spatially selective noise filtration technique.[J] In: IEEE Trans. Image Processing, 1994, 3(6),743-758[16]章毓晋.图像处理和分析[M].清华大学出版社,1999[17]贵预风,陶剑峰.数字图像中值滤波改进算法研究[J].武汉理工大学学报，2004，28(1): 103-105[18]刘丽梅,孙玉荣,李丽.中值滤波技术发展研究[J].云南师范大学学报,2004,24(1):23-27[19]勒中鑫. 数字图像信息处理[M]. 国防工业出版社, 2003[20] 李亮.图像去噪算法的研究[D]. 东北石油大学, 2008[21]许录平.数字图像处理[M].北京科学出版社,2007[22]朱秀昌,刘峰,胡栋编著.数字图像处理与图像通信[M].北京邮电大学出版社, 2002.05（1）本课题主要研究方法、研究手段通过认真阅读国内外关于去除图像噪声的相关文献和书籍，同时研读数字图像处理相关知识，学习求解最优解决问题的方法。
在大量阅读文献的基础上通过使用MATLAB软件进行仿真实验，并总结每种方法的优缺点，并提出新的能量最小模型及在此基础上的改进的中值滤波算法；同时研究并提出可变化的滑动滤波窗口噪声检测算法。
通过努力，达到最终目的，能够在替换像素灰度值时给予判断，以达到保持图像的细节信息与边缘信息的目的，甚至更好地还原含有高密度噪声图像，最大限度地去除噪声。
（2）需要重点研究的问题及解决的思路1. 如何改进中值滤波器降低图像分辨率的缺点。
针对中值滤波器降低图像分辨率的缺点，提出一种改进的中值滤波算法，即在中值滤波前进行边缘判断。
首先判断象素是否是边缘，是则不进行变换，直接将该像素值输出。
反之则进行中值滤波，将中值滤波后的值输出。
2.如何解决去噪过程中非噪声点误判为噪声点的问题。
针对多重中值滤波算法，通过与能量最小化相结合，提出新的改进的多重中值滤波算法，这个算法构造了两个不同能量函数模型，两个模型均从图像像素点局部邻域出发，通过比较局部邻域能量值判断是否利用多重中值替换原像素灰度值。
新算法不仅改变了原中值滤波算法单一的替换灰度值的做法，降低了将非噪声点误判为噪声点的可能性，并且可以根据实验图像的大小自适应调节阈值，最后达到去除噪声的效果。
提出可滑动滤波窗口的噪声点检测算法，利用变化的滤波窗口，有效地减少非噪声点误判为噪声点的情况，改变了固定滤波窗口的单一性，更有效地减少非噪声点的改变，保护图像细节，并且针对高密度噪声图像进行去除噪声实验取得良好的实验效果。
（1）论文的工作方案1.搜集查阅相关资料，了解图像降噪的现状及其研究意义。
查阅相关文献资料，了解并掌握图像去噪技术的相关知实现原理。
了解并掌握重要的滤波算法（中值滤波、均值滤波、维纳滤波等）。
2.研究分析各种滤波算法，掌握图像去噪的方法。
3.用以上几种方法实现噪声图像的降噪处理，并比较不同算法的降噪性能，对各种方法的优缺点进行相应的分析。
对中值滤波的缺点进行改进，通过与能量最小化相结合，提出改进的中值滤波算法，以及可滑动滤波窗口的噪声点检测算法。
4.对图像去噪过程进行仿真，并对结果分析讨论。
5.通过实践验证改进的算法在图像降噪中的有效性，并对改进的算法的优缺点进行分析。
6.对去噪后的数字图像进行各种性能指标的评价，得出实际的有用的结论。
（2）进度计划2014年11月10日—2014年12月15日收集资料，通过学习相应书记和查阅资料，了解课题研究的基本内容、目的和意义，对课题目前的发展和较为常见的图像去噪算法有所了解和掌握，确定设计思路,完成任务书的撰写。
2014年12月16日— 2015年2月28日学习了解中值滤波、均值滤波和小波变换的原理以及特性。
2015年3月1日—2015年3月9日撰写开题报告及开题报告答辩PPT，准备开题答辩。