图像降噪技术研究背景及意义毕业论文
图像去噪技术研究背景及方法
图像去噪技术研究背景及方法1背景21世纪是信息化的时代，信息的形式不再是单纯的语音，而是发展到包括数据、文字、图像、视频等在内的多媒体形式。
据统计，人类接受外界的信息中有70%来自于图像。
图像处理技术在人类生产和生活的方方面面起到了越来越重要的作用。
例如，人们在网络上浏览、下载、共享丰富的图像、视频等多媒体信息；医生根据核磁共振扫描图像对患者进行疾病诊断；科学家根据卫星遥感图像对矿产进行定位和预测等。
图像的广泛应用对图像的表示方法、处理模型和算法提出了新的发展要求。
近年来，在数学分析、计算机视觉、模式识别和统计分析等学科中，分别独立地发展着一种彼此极其相似的理论，人们称之为：多尺度几何分析(MGA，Multiscale Geometric Analysis)。
发展多尺度几何分析的目的就是为了检测、表示、处理某些高维空间数据，这些空间的主要特点是：其中数据的某些重要特征集中体现于其低维子集中(如曲线、面等)。
在指纹图像去噪中，特别考虑减小各种元器件带来的噪声，主要包括了高斯白噪声和交沿噪声，其中交沿噪声对指纹图像影响较为突出。
傅立叶分析揭示了时域与频域之间的内在联系，反应了信号在“整个”时间范围内的“全部”频谱成分，是研究周期现象不可或缺的工具。
然而，傅立叶变换虽然具有很强的频域局部化能力，但并不具有时域局部化能力，而后一点，对于很多信号处理工作而言，特别是对于涉及非平稳信号处理的任务而言，是至关重要的。
小波分析的理论和方法是从傅立叶分析演变而来的。
小波变换以牺牲部分频域定位性能来取得时频局部性能的折衷，不仅能够提供较精确的频域定位，也能够提供较精确的时域定位。
我们所面对的真实物理信号，更多地表现出非平稳的特性，而小波变换恰恰是处理非平稳信号的有力工具。
小波理论的兴起，得益于其对信号的时频局部分析能力及其对一维有界变差函数的最优逼近性能，也得益于Mallat和Meyer等人引入的多分辨分析概念，以及Mallat提出的快速小波变换实现方法。
图像降噪技术研究背景及意义毕业论文
图像降噪技术研究背景及意义毕业论文目录1 绪论 (1)1.1 VC++6.0简介 (1)1.2 数字图像处理基本概念 (1)1.3 图像降噪技术研究背景及意义 (2)1.4 图像降噪的国外研究现状 (2)1.5 关于图像噪声 (2)2 位图操作基本知识 (4)2.1 CDIB类的介绍 (4)2.2 位图操作 (4)2.2.1 图像读取 (4)2.2.2 图像显示 (5)2.3程序源代码 (6)2.3.1 图像读取 (6)2.3.2 图像保存 (8)3 噪声的添加 (13)3.1 基本原理 (13)3.2 实现步骤 (13)3.3 程序源代码 (13)3.3.1 添加响应函数 (13)3.3.2 添加成员函数 (13)3.4 输出结果 (16)4 均值滤波 (18)4.1 基本原理 (18)4.2 实现方法 (18)4.3 程序源代码 (20)4.3.1 添加响应函数 (20)4.3.2 添加成员函数 (21)4.4 结果输出及分析 (24)4.4.1 结果输出 (24)4.4.2 结果分析 (25)5 中值滤波 (26)5.1 基本原理 (26)5.2 实现方法 (26)5.3 程序源代码 (26)5.3.1 添加响应函数 (26)5.3.2 添加成员函数 (27)5.4结果输出及分析 (32)5.4.1结果输出 (32)5.4.2结果分析 (33)6 傅立叶降噪 (34)6.1 基本概念 (34)6.1.1 二维傅里叶变换 (34)6.1.2 二维离散傅里叶变换 (34)6.1.3 快速傅里叶变换 (35)6.2 相关原理 (35)6.3 程序源代码 (36)6.3.1 快速傅里叶变换 (36)6.3.2快速傅里叶逆变换 (38)6.3.3低通滤波 (40)6.4 结果输出及分析 (44)6.4.1 结果输出 (44)6.4.2结果分析 (46)7 小波降噪 (47)7.1 基本概念 (47)7.1.1 二维离散小波变换 (47)7.2.2 Mallat算法 (48)7.2 相关原理 (49)7.3 程序源代码 (50)7.3.1 LPass_Filter函数 (52)7.3.2 HPass_Filter函数 (54)7.3.3 DWT_Inverse函数 (55)7.4 结果输出及分析 (56)7.4.1 结果输出 (56)7.4.2 结果分析 (59)结论 (60)致谢 (61)参考文献 (62)附录A 英文原文 (63)附录B 中文翻译 (76)1 绪论1.1 VC++6.0简介VC++6.0是Microsoft公司推出的一个基于Windows系统平台、可视化的集成开发环境，它的源程序按C++语言的要求编写，并加入了微软提供的功能强大的MFC(Microsoft Foundation Class)类库。
数字图像处理中的去噪技术研究
数字图像处理中的去噪技术研究第一章：引言数字图像处理是一门涉及将图像进行数字化和处理的学科，随着数字图像技术的迅速发展，我们越来越需要对图像进行去噪处理，以提高图像的质量。
本文将围绕数字图像处理中的去噪技术展开研究。
第二章：去噪技术的现状和意义2.1 去噪技术的现状随着数字图像处理技术的发展，各种去噪技术层出不穷。
目前常用的去噪技术包括加权最小二乘法、小波变换、总变差正则化等。
2.2 去噪技术的意义图像中的噪声对图像质量有很大的影响，去噪技术可以帮助我们恢复受损的图像，提高图像的视觉效果。
去噪技术在医学影像、无损检测等领域有着广泛的应用。
因此，研究数字图像处理中的去噪技术具有重要的理论和应用价值。
第三章：加权最小二乘法去噪技术3.1 加权最小二乘法原理加权最小二乘法是一种常用的去噪技术，其基本思想是寻找一个最优化的加权平均值，使得图像噪声最小化。
3.2 加权最小二乘法在去噪中的应用加权最小二乘法可以应用于图像降噪、图像滤波等方面。
通过对噪声模型进行建模，利用加权最小二乘法，可以有效降低图像的噪声水平。
第四章：小波变换去噪技术4.1 小波变换原理小波变换是一种将信号分解成不同频率的成分的技术，在数字图像处理中，小波变换被广泛用于去噪处理。
小波变换具有多尺度分析的特点，可以对不同频率的噪声进行处理。
4.2 小波变换在去噪中的应用小波变换可以将图像分解成不同频率的子带，并根据子带的特性对噪声进行处理。
通过选择适当的小波类型和阈值，可以实现对图像的去噪处理。
第五章：总变差正则化去噪技术5.1 总变差正则化原理总变差正则化是一种基于图像中的变化度量的去噪技术。
它通过最小化图像的总变差来去除图像中的噪声。
5.2 总变差正则化在去噪中的应用总变差正则化在去噪中的应用相对较为简单和直观。
通过最小化图像的总变差，可以充分利用图像中的空间信息，去除图像中的噪声。
第六章：去噪技术比较与总结6.1 去噪技术的比较对于不同类型的图像，选择合适的去噪技术至关重要。
图像去噪算法的研究与优化
图像去噪算法的研究与优化摘要：图像去噪是图像处理领域的一个重要任务，它在各种应用中都有广泛的应用。
然而，由于噪声的存在，图像往往会带来视觉上的不清晰和失真。
因此，研究和优化图像去噪算法对于提高图像质量具有重要意义。
本文将介绍图像去噪算法的研究现状和常用的优化方法，以及一些未来的研究方向。
1. 引言图像去噪是图像处理中的一个重要任务，它的目标是通过降低图像中的噪声，提高图像质量。
噪声是由于图像采集过程中的传感器噪声、信号传输过程中的干扰以及图像处理过程中的误差等因素引起的。
图像去噪算法通过去除噪声以恢复图像的原始信息，是图像处理的基础。
2. 图像去噪算法的研究现状2.1 统计滤波算法统计滤波算法是最早应用于图像去噪的算法之一，它基于图像中的统计信息对噪声进行建模，并采用滤波器对图像进行处理。
常见的统计滤波算法有均值滤波、中值滤波和高斯滤波等。
这些算法简单有效，适用于轻度噪声的去除，但对于强噪声和复杂噪声的处理效果有限。
2.2 线性滤波算法线性滤波算法是另一类常用的图像去噪算法，它通过使用线性滤波器对图像进行卷积运算来抑制噪声。
常见的线性滤波器有拉普拉斯滤波器、Sobel滤波器和Prewitt滤波器等，并且可以通过设置不同的滤波器参数来实现去噪效果的调节。
线性滤波算法通常能够处理不同类型的噪声，但容易造成图像细节的损失。
2.3 非线性滤波算法非线性滤波算法是近年来的研究热点，它通过使用非线性滤波器对图像进行处理，具有更好的去噪效果。
常见的非线性滤波算法有双边滤波器、总变差降噪算法和非局部均值降噪算法等。
这些算法在保留图像细节的同时，有效地去除噪声，适用于复杂噪声的去除。
3. 图像去噪算法的优化方法3.1 参数优化很多图像去噪算法都需要设置一些参数来控制去噪效果，因此，参数优化是一种常用的优化方法。
参数优化的目标是找到最佳的参数组合，使得算法在减少噪声的同时最大程度地保留图像细节。
常用的参数优化方法有网格搜索、遗传算法和粒子群优化算法等。
基于增强学习的图像去噪系统
基于增强学习的图像去噪系统在现代社会中，图像处理技术的应用日益广泛，而图像质量的提升成为了人们关注的焦点。
然而，由于图像采集过程中的硬件限制、传输过程中的噪声干扰等因素，图像中常常存在着各种噪声，影响了图像的质量和可用性。
针对这个问题，基于增强学习的图像去噪系统应运而生。
一、图像去噪的背景与意义噪声是指在图像采集、传输、处理等过程中引入的不希望的干扰信号，它会导致图像细节模糊、边缘模糊、色彩失真等问题。
噪声的存在对于图像质量的评估和后续图像处理任务的进行都具有不可忽视的影响。
因此，研究图像去噪技术具有重要的理论意义和实际应用价值。
二、增强学习在图像去噪中的应用增强学习是一种通过智能体与环境的交互来学习最优策略的机器学习方法，在图像处理领域取得了一定的成果。
利用增强学习算法，可以通过观察环境中的状态，使用动作执行策略，从而学习到噪声模型，并根据模型进行噪声的去除。
三、基于增强学习的图像去噪系统的框架基于增强学习的图像去噪系统通常由以下几个模块构成：状态空间建模、动作空间建模、奖励函数设计和策略更新。
1. 状态空间建模在图像去噪系统中，状态空间是指图像的特征表示。
通过合理地定义状态空间，可以更好地描述图像的特征，并为后续的决策提供合适的信息。
常用的状态空间建模方法包括基于小波变换的系数、基于梯度的特征等。
2. 动作空间建模动作空间是指智能体可以执行的操作集合。
在图像去噪系统中，动作可以是一系列的滤波算子，如均值滤波、中值滤波等。
通过对动作空间的建模，可以使系统具备更强的适应性和智能性。
3. 奖励函数设计奖励函数是指根据智能体的行为表现给予的反馈信号。
在图像去噪系统中，奖励函数的设计需要考虑多个因素，如去噪效果的好坏、图像细节的保留程度等。
通过合理地设计奖励函数，可以引导智能体学习到最优的图像去噪策略。
4. 策略更新策略更新是指智能体根据环境反馈信息调整自身策略的过程。
在图像去噪系统中，智能体可以通过选择不同的滤波算子来进行策略更新，从而逐步提升图像去噪效果。
图像去噪技术及其在图像处理中的应用研究
图像去噪技术及其在图像处理中的应用研究随着数字信息的普及和科技的不断发展，图像处理技术已成为影像处理和传输中不可或缺的一环。
在现实生活中，图像可能经历各种问题，例如噪点、模糊、失真等问题，这些问题会影响到图像的清晰度和识别度。
对于这些问题的解决，图像去噪技术是一种非常实用的方法。
一、图像去噪技术的概念和作用图像去噪技术是一种可以消除噪点、提高图像质量的技术。
通常情况下，噪点会导致图像失真、模糊和清晰度下降，也会影响到人眼对图像的识别。
而通过去噪技术，我们可以去除这些噪点，使图像更加清晰和易于识别。
因此，图像去噪技术已成为图像处理中非常重要的一环。
二、图像去噪技术的原理和方法目前，对于图像去噪技术，已经有很多研究成果和技术手段。
常见的技术手段包括了中值滤波、高斯滤波、小波去噪等。
这些方法都有着不同的原理和特点，具体来说，可以分为以下几种：1.中值滤波中值滤波是其中一种比较简单的方法，并且相对效果比较好。
它的原理是将像素值进行排序，然后选择中间值作为目标像素的值。
通常情况下，这种方法应用于同时包含了高斯和椒盐噪声的情况。
2.高斯滤波高斯滤波是另一种常见的方法，它的原理是用高斯函数来对像素值进行平滑，以达到去除噪点的目的。
该方法主要应用于高斯噪声的情况。
3.小波去噪小波去噪是相对比较高级的一种方法。
基于小波变换的理论，该方法在去除噪点的同时可以保留图像的细节。
通常情况下，该方法适用于噪点比较难以区分的情况。
三、图像去噪技术在实际应用中的意义除了理论研究之外，图像去噪技术在很多实际应用中也扮演着非常重要的角色。
以下是图像去噪技术在部分领域的应用举例：1.视频监控领域在视频监控过程中，噪点往往会影响到图像的清晰度和稳定性。
通过图像去噪技术，可以提高视频监控系统的效率和准确性。
2.电子医疗领域在医疗实践中，精确准确的图像识别和分析是非常重要的。
因此，在医疗图像处理中，图像去噪技术已应用于医疗影像的清洗、放大等多个环节。
数字图像处理中的图像降噪技术研究
数字图像处理中的图像降噪技术研究数字图像处理是一门涉及到图像处理、数字信号处理等诸多学科的交叉学科，其中图像降噪是数字图像处理中的一个重要部分。
图像降噪技术的研究旨在消除图像中噪声的干扰，使其更加清晰、真实。
该技术广泛应用于医学图像、遥感图像、视频图像等诸多领域。
为什么需要图像降噪？图像降噪技术源于现实生活中对图像清晰度要求的需求。
在图像处理领域，往往图像获取时会受到各种因素的影响而产生噪声，例如光照、传感器性能、信号传输、数字化误差、图像压缩等。
这些噪声会影响到图像的质量和真实性，使得图像难以被分析、理解和应用。
而图像降噪技术则可以通过去除噪声的干扰使得图像更加清晰、真实，便于后续的图像处理。
基本的图像降噪方法1.空间滤波法空间滤波法是常见的一类图像降噪方法，它通过在像素邻域内对像素值进行加权平均或加权求和来消除图像中的噪声。
其中最常见的是均值滤波、中值滤波和高斯滤波。
均值滤波法是将像素值在邻域内求平均数，因为噪声分布随机，通过取平均数可以将噪声的影响降到最小，但是会造成图像失真；中值滤波法则是将邻域内的所有像素值进行排序，取中间值作为当前像素值，该方法适用于噪声对像素值的影响不大的情况；高斯滤波法则是将图像像素在邻域内的像素值使用高斯函数进行加权平均，使得像素值滤波后的变化更加平缓，同时能够保留图像的边缘信息。
2.频域滤波法频域滤波法是一种基于傅里叶变换的图像降噪方法。
它将原来的空域图像变换到频域，对其进行降噪处理后再将其变回原来的空域图像。
其中最常用的滤波方法是低通滤波和带阻滤波。
低通滤波法是选取图像中幅值较低的频率成分，将其保留下来，将幅值较高的频率成分滤波掉，从而达到降噪的目的。
其主要应用于图片的平滑处理上，比如人脸肌肤的皮肤磨皮。
带阻滤波法则是在图像的频域中选择一个频率范围，保留该范围内的频率成分，将其他频率成分滤波掉。
这种方法比较适合于去除特定频率的噪声，如光照变化等。
目前，空间滤波法和频域滤波法仍然是图像降噪技术中应用最广泛的两种方法，同时也存在其各自的不足之处。
《基于神经网络的图像去噪》论文
写一篇《基于神经网络的图像去噪》论文《基于神经网络的图像去噪》摘要：图像去噪是深度学习领域中一个具有挑战性的问题，主要目标是从受损图像中重建出有效信息，以恢复最高可能的图像质量。
本文所提出的图像去噪方法是基于深度神经网络（DNN）的，旨在提高图像去噪的性能，以获得更好的去噪效果。
我们提出使用DNN进行图像去噪的思想，该方法的基本流程是：（1）将输入图像预处理以获得用于训练的样本数据集；（2）训练深度神经网络用于恢复去噪后的图像；（3）将训练得出的网络应用于输入图像，得到去噪后的图像。
我们还提出使用自适应学习率来提高DNN的性能，并评估了两个常见的熵衡量指标，包括平均偏差和熵，两者都可以评估DNN的图像去噪性能。
实验结果表明，与传统图像去噪方法相比，所提出的DNN-based图像去噪方法可以获得更好的结果。
关键词：图像去噪；深度神经网络；自适应学习率；平均偏差；熵1. 引言近年来，随着深度学习（DL）技术的发展，图像去噪也变得越来越重要。
图像去噪的目的是从受损的输入图像中重建出有意义的信息，以恢复最高可能的图像质量。
目前，已经有许多研究工作提出了各种图像去噪方法来提高图像质量。
但是，大多数方法都不能在复杂环境下达到理想的图像去噪性能。
2. 相关工作传统的图像去噪方法基于图像处理、图像增强和统计图像处理技术，主要包括中值滤波、均值滤波等。
最近，越来越多的学者把深度学习（DL）的技术应用到图像去噪任务中，以改善传统图像处理技术的图像去噪性能。
例如，Xie等人使用卷积神经网络（CNN）来提高图像去噪的性能，并且取得了不错的结果[1]。
Guo等人提出了一种基于局部近邻搜索的自适应滤波器，用于图像去噪[2]。
3. 方法在本文中，我们提出一种基于深度神经网络（DNN）的图像去噪方法，以改善常规图像处理技术的图像去噪性能。
该方法的基本流程如下：（1）图像预处理，以获得用于训练的样本数据集；（2）训练深度神经网络，即训练网络以恢复去噪后的图像；（3）将训练得出的网络应用于输入图像，以获得去噪后的图像。
- 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)。
图像降噪技术研究背景及意义毕业论文目录1 绪论 (1)1.1 VC++6.0简介 (1)1.2 数字图像处理基本概念 (1)1.3 图像降噪技术研究背景及意义 (2)1.4 图像降噪的国外研究现状 (2)1.5 关于图像噪声 (2)2 位图操作基本知识 (4)2.1 CDIB类的介绍 (4)2.2 位图操作 (4)2.2.1 图像读取 (4)2.2.2 图像显示 (5)2.3程序源代码 (6)2.3.1 图像读取 (6)2.3.2 图像保存 (8)3 噪声的添加 (13)3.1 基本原理 (13)3.2 实现步骤 (13)3.3 程序源代码 (13)3.3.1 添加响应函数 (13)3.3.2 添加成员函数 (13)3.4 输出结果 (16)4 均值滤波 (18)4.1 基本原理 (18)4.2 实现方法 (18)4.3 程序源代码 (20)4.3.1 添加响应函数 (20)4.3.2 添加成员函数 (21)4.4 结果输出及分析 (24)4.4.1 结果输出 (24)4.4.2 结果分析 (25)5 中值滤波 (26)5.1 基本原理 (26)5.2 实现方法 (26)5.3 程序源代码 (26)5.3.1 添加响应函数 (26)5.3.2 添加成员函数 (27)5.4结果输出及分析 (32)5.4.1结果输出 (32)5.4.2结果分析 (33)6 傅立叶降噪 (34)6.1 基本概念 (34)6.1.1 二维傅里叶变换 (34)6.1.2 二维离散傅里叶变换 (34)6.1.3 快速傅里叶变换 (35)6.2 相关原理 (35)6.3 程序源代码 (36)6.3.1 快速傅里叶变换 (36)6.3.2快速傅里叶逆变换 (38)6.3.3低通滤波 (40)6.4 结果输出及分析 (44)6.4.1 结果输出 (44)6.4.2结果分析 (46)7 小波降噪 (47)7.1 基本概念 (47)7.1.1 二维离散小波变换 (47)7.2.2 Mallat算法 (48)7.2 相关原理 (49)7.3 程序源代码 (50)7.3.1 LPass_Filter函数 (52)7.3.2 HPass_Filter函数 (54)7.3.3 DWT_Inverse函数 (55)7.4 结果输出及分析 (56)7.4.1 结果输出 (56)7.4.2 结果分析 (59)结论 (60)致谢 (61)参考文献 (62)附录A 英文原文 (63)附录B 中文翻译 (76)1 绪论1.1 VC++6.0简介VC++6.0是Microsoft公司推出的一个基于Windows系统平台、可视化的集成开发环境，它的源程序按C++语言的要求编写，并加入了微软提供的功能强大的MFC(Microsoft Foundation Class)类库。
MFC中封装了大部分Windows API函数和Windows控件，它包含的功能涉及到整个Windows操作系统。
MFC不仅给用户提供了Windows图形环境下应用程序的框架，而且还提供了创建应用程序的组件，这样，开发人员不必从头设计创建和管理一个标准Windows应用程序所需的程序，而是从一个比较高的起点编程，故节省了大量的时间。
另外，它提供了大量的代码，指导用户编程时实现某些技术和功能。
因此，使用VC++提供的高度可视化的应用程序开发工具和MFC类库，可使应用程序开发变得简单。
1.2 数字图像处理基本概念数字图像处理（DigitalImageProcessing）是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
20世纪20年代，图像处理首次应用于改善伦敦和纽约之间海底电缆发送的图片质量。
到20世纪50年代，数字计算机发展到一定的水平后，数字图像处理才真正引起人们的兴趣。
1964年美国喷气推进实验室用计算机对“徘徊者七号”太空船发回的大批月球照片进行处理,收到明显的效果。
20世纪60年代末，数字图像处理具备了比较完整的体系，形成了一门新兴的学科。
20世纪70年代，数字图像处理技术得到迅猛的发展，理论和方法进一步完善，应用围更加广泛。
在这一时期,图像处理主要和模式识别及图像理解系统的研究相联系，如文字识别、医学图像处理、遥感图像的处理等。
20世纪70年代后期到现在，各个应用领域对数字图像处理提出越来越高的要求，促进了这门学科向更高级的方向发展。
特别是在景物理解和计算机视觉（即机器视觉）方面，图像处理已由二维处理发展到三维理解或解释。
近年来，随着计算机和其它各有关领域的迅速发展，例如在图像表现、科学计算可视化、多媒体计算技术等方面的发展，数字图像处理已从一个专门的研究领域变成了科学研究和人机界面中的一种普遍应用的工具。
1.3 图像降噪技术研究背景及意义随着计算机科学和图像处理技术的迅速发展，图像在医学成像、模式识别等方面取得了广泛应用。
但是，图像在形成、传输过程中，不可避免会受到噪声的干扰，而且有些图像的噪声非常严重，图像中的噪声往往和信号交织在一起，会使图像本身的细节如边界轮廓、线条等变的模糊不清。
引起噪声的原因很多，噪声的种类也很多。
因此，需要对图像进行降噪处理，便于更高层次的图像分析与理解。
如何既对图像中出现的噪声进行合理的抑制、衰减以及去除不需要的信息，又能使有用的信息得到加强，从而便于目标区分或对象解释，是图像去噪主要研究的主要任务。
1.4 图像降噪的国外研究现状图像降噪是图像处理的一个重要环节。
目前图像噪声的取出在数字图像处理技术中的重要性愈加明显。
近年来，在小波基础上发展起来的图像去噪仍是一个值得关注的问题,在理论和实践上都具有重大的研究意义。
其中，基于中值滤波和小波变换的图像去噪小波变换是近年来兴起的信号处理技术，它具有良好的局部化分析特性和多分辨率分析特性，非常适合于图像处理。
1.5 关于图像噪声噪声是不可预测的随机信号，通常采用概率统计方法对其进行分析。
噪声对图像处理十分重要，它影响图像处理的、采集、处理的各个环节以及输出结果的全过程。
特别是图像的输入、采集噪声的抑制是十分关键的问题，若输入伴有较大的噪声，必然影响处理全过程及输出的结果。
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”。
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。
除此之外，噪声的灰度值与其周围的灰度之间有着明显的灰度差，也正式这些明显的灰度差才造成了视觉障碍。
因此一个良好的图像处理系统，不论是模拟处理还是用计算机进行的数字处理，无不把减少最前一级的噪声作为主攻目标。
特此根据噪声性质的不同，消除噪声的方法也不同，本文将介绍“均值滤波”、“中值滤波”、“傅里叶降噪”、“小波变换”四种降噪方法。
根据噪声产生的来源，大致可以分为外部噪声和部噪声两大类。
外部噪声是指从处理系统外来的影响，如天线干扰或电磁波从电源线窜入系统的噪声。
部噪声则有一下几种最常见形式：（1）由光和电的基本性质引起的噪声。
例如电流可看作电子或空穴运动，这些例子运动产生随机散粒噪声，导体中电子流动的热噪声，光量子运动的光量子噪声等。
（2）由机械运动引起的噪声。
例如，接头振动使电流不稳，磁头或磁带、磁盘抖动等。
（3）元器件期检噪声。
如光学底片的颗粒噪声，磁带、磁盘缺陷噪声，光盘的疵点噪声等。
（4）系统部电流的噪声。
从噪声的分类方法来看是多种多样的。
但综合来说，噪声是随机产生的量，所以又可以从统计数学的观点来定义噪声。
凡是统计特性不随时间变化的噪声称为平稳的噪声，而统计特性随时间变化的噪声称作非平稳噪声。
以上所讨论的各种类型的噪声反映在图像画面上，大致可以分为两种经典的图像噪声。
若噪声的幅值基本相同，但是噪声出现的位置是随意的，称这类噪声为椒盐噪声。
若从噪声幅值大小的分布统计来看，其密度函数有高斯型、瑞利型，分别称为高斯噪声和瑞利噪声，又如频谱均匀分布的噪声称为白噪声等等。
本文着重讨论椒盐噪声。
2 位图操作基本知识2.1 CDIB类的介绍大多数图像处理都是基于与设备无关位图（DIB）来进行讨论的，而MFC中没有处理DIB位图的类，这就给编程带来了很大困难。
所以需要建立一个处理DIB位图的专用类，CDIB类，在其中封装必要而有效的处理函数，该类具有的功能如下：Void LoadFile(Cstring m_fileName)； //装载BMP位图文件Char*GetFileName()； //返回位图文件名DWORD GetSize()； //返回位图文件的大小UINT GetWidth()； //返回位图的宽度UINT GetHeight()； //返回位图的高度UINT GetNumberOfColors()； //返回位图颜色数目RGBQUAD*GetRGB()； //返回颜色表首地址BITMAPINFO*GetInfo()； //返回图像信息结构首地址BYTE*GetData()； //返回图像数据首地址根据对DIB操作的分析，以及参照Cbitmap的功能设计，CDIB类的基本操作功能应包括：（1）DIB文件的读写操作；（2）提供位图宽度、高度、颜色数目等位图相关信息；（3）提供有关位图占据存空间的信息，包括：图像数据区首地址、颜色表首地址、位图信息结构首地址等信息。
2.2 位图操作2.2.1 图像读取图2.1 图像读取流程图2.2.2 图像显示图2.2 图像显示流程图2.3程序源代码2.3.1 图像读取通过ReadDIBFile()函数实现对函数的读取，参数CFile& file，返回值HDIB。
HDIB CDIB::ReadDIBFile(CFile& file){BITMAPFILEHEADER bmfHeader;HDIB hDIB;LPBYTE lpDIB;// 获取DIB（文件）长度（字节）DWORD dwBitsSize = file.GetLength();// 尝试读取DIB文件头if (file.Read((LPBYTE)&bmfHeader, sizeof(bmfHeader)) != sizeof(bmfHeader)) {// 大小不对，返回NULL。