下载文档原格式
现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言海洋中蕴藏着丰富的人类所需要的各种资源，海洋资源的开发和海洋环境的保护对人类的生存和发展具有重要的意义。
目前，人类主要利用水下摄影来探索海洋，水下图像的处理也逐渐受到重视。
图像采集设备的影响、较差的照明质量、较差的水浊度等原因，导致水下图像比正常的自然图像更复杂[1]；此外点光源的聚射效应、水面波纹对自然光的折射效应等影响[2]，使成像过程中大部分光能在尚未到达物体前就被水反射到相机上，即为后向散射，后向散射会在图像中形成一种朦胧感，掩盖了图像中的真实场景，同时后向散射会形成较强的背景噪声，导致图像对比度和信噪比大大降低，后向散射噪声是影响水下图像质量的主要因素。
所以行之有效地衰减水下噪声、真实客观地反映出水下信息，对海洋开发有着举足轻重的作用。
小波变换理论独特的多分辨率分析特性使其在图像去噪中得到广泛的应用。
文献[3]引入收缩因子对Donoho 阈值进行改进，提出了改进小波软硬折衷算法，使小波阈值更符合水下图像去噪的需求。
文献[4]在图像去噪之前，采用白化滤波器将水下有色噪声特性转换为白噪声，再使用不同基函数的离散小波变换对水下图像进行去噪处理。
文献[5]提出一种基于稀疏表示的图像去噪方法，利用OMP 对DCT 字典上的水下声呐图像进行分解重构，用来去除图像中的加性噪声，然后对重基于小波变换的水下图像去噪方法陈振娅， 刘增力（昆明理工大学 信息工程与自动化学院， 云南 昆明 650500）摘 要： 水下图像在拍摄、传输中会产生严重的噪声影响，这些噪声不仅影响图像质量，还影响图像后续的目标检测和定位精度。
文中改进了一种基于小波变换的水下图像去噪算法，该算法首先考虑信号和噪声在不同小波变换尺度下的不同传播特性，采用一种随分解尺度变化的自适应阈值估计方法；其次采用自适应图像特征的收缩函数对每个小波系数局部估计小波系数的能量进行分类。
基于小波变换的图像压缩与去噪技术研究1. 引言图像是一种以人眼可接受的方式来存储和传输大量视觉信息的媒体。
然而，图像文件通常具有较大的数据量，需要占用较大的存储空间和传输带宽。
因此，图像压缩成为一项重要的技术，对图像进行压缩可以减小文件大小和传输时间，提高存储利用率和传输效率。
此外，图像往往受到噪声的影响，噪声会导致图像质量的下降，降低图像的可视性和识别性。
因此，图像去噪也是一个重要的研究方向，可以提升图像的质量和信息内容。
基于小波变换的图像压缩和去噪技术因其较好的性能而备受关注。
本文将探讨小波变换在图像压缩和去噪中的应用。
2. 小波变换基础小波变换是一种数学变换方法，将函数分解为多个尺度的基函数（小波），并用各个尺度上的系数来表示原函数。
小波变换可以提取图像的频域信息和时域信息，具有较好的局部化特性。
3. 图像压缩技术图像压缩技术可以分为有损压缩和无损压缩两种方法。
有损压缩减少了图像中的冗余信息，牺牲一定的图像质量，而无损压缩可以完全恢复原始图像，但压缩比较低。
基于小波变换的图像压缩利用小波变换的多尺度分解和系数量化来实现。
首先，将原始图像进行小波分解得到低频分量和高频分量。
然后，对高频分量进行系数量化，利用人眼对于高频信息的较低敏感性，减少高频分量的数据量。
最后，将量化后的系数进行编码和存储。
4. 图像去噪技术图像去噪的目标是恢复出原始图像中的有效信息并去除噪声，提升图像的质量和可视性。
小波变换的局部化特性使其在图像去噪中有较好的效果。
基于小波变换的图像去噪方法通常采用阈值去噪的思想。
将图像进行小波分解，得到各个尺度上的小波系数。
然后，对小波系数应用适当的阈值，在不影响原始图像主要特征的情况下去除噪声。
5. 小波变换在图像压缩与去噪中的应用小波变换在图像压缩与去噪中已经得到广泛应用。
通过灵活选择不同的小波基函数和改进的算法，可以进一步提高图像压缩和去噪的性能。
在图像压缩方面，小波变换可以通过调整系数量化策略来平衡图像质量和压缩比。
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]](https://img.taocdn.com/s1/m/d66abed458fb770bf68a5511.png)
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。
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L M S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。
最后,通过仿真实验结果可以看到,该方法去噪效果显著,与硬阈值、软阈值方法相比,信噪比提高较多,同时去噪后仍能较好地保留图像细节,是一种有效的图像去噪方法。
小波基函数选择可从以下3个方面考虑。
（1）复值与实值小波的选择复值小波作分析不仅可以得到幅度信息，也可以得到相位信息，所以复值小波适合于分析计算信号的正常特性。
而实值小波最好用来做峰值或者不连续性的检测。
（2）连续小波的有效支撑区域的选择连续小波基函数都在有效支撑区域之外快速衰减。
有效支撑区域越长，频率分辨率越好；有效支撑区域越短，时间分辨率越好。
（3）小波形状的选择如果进行时频分析，则要选择光滑的连续小波，因为时域越光滑的基函数，在频域的局部化特性越好。
如果进行信号检测，则应尽量选择与信号波形相近似的小波。
小波变换与傅里叶变换的比较小波分析是傅里叶分析思想方法的发展和延拓。
自产生以来，就一直与傅里叶分析密切相关。
它的存在性证明，小波基的构造以及结果分析都依赖于傅里叶分析，二者是相辅相成的。
两者相比较主要有以下不同：（1）傅里叶变换的实质是把能量有限信号tf分解到以jwte为正交基的空间上去；而小波变换的实质是把能量有限的信号tf分解到由小波函数所构成的空间上去。
两者的离散化形式都可以实现正交变换，都满足时频域的能量守恒定律。
小波变换的图像去噪方法一、摘要本文介绍了几种去噪方法，比较这几种去噪方法的优缺点，突出表现了小波去噪法可以很好的保留图像的细节信息，性能优于其他方法。
关键词：图像；噪声；去噪；小波变换二、引言图像去噪是一种研究颇多的图像预处理技术。
一般来说, 现实中的图像都是带噪图像。
为了减轻噪声对图像的干扰，避免误判和漏判，去除或减轻噪声是必要的工作。
三、图像信号常用的去噪方法（1）邻域平均法设一幅图像f (x, y) 平滑后的图像为g(x, y)，它的每个象素的灰度值由包含在(x, y)制定邻域的几个象素的灰度值的平均值决定。
将受到干扰的图像模型化为一个二维随机场，一般噪声属于加性、独立同分布的高斯白噪声。
可见，邻域平均所用的邻域半径越大，信噪比提高越大，而平滑后图像越模糊，细节信息分布不明显。
（2）时域频域低通滤波法对于一幅图像，它的边缘、跳跃部分以及噪声都为图像的高频分量，而大面积背景区和慢变部分则代表图像低频分量，可以设计合适的低通滤波器除去高频分量以去除噪声。
设f(x,y)为含噪图像，F(x,y)为其傅里叶变换，G(x,y)为平滑后图像的傅里叶变换，通过H，使F(u,v)的高频分量得到衰减。
理想的低通滤波器的传递函数满足下列条件：1 D(u，v)≤DH(u,v)=0 D(u，v)≤D式中D0非负D(u，v)是从点(u，v)到频率平面原点的距离，即，即D(u, v) = u2 + v2 (3)中值滤波低通滤波在消除噪声的同时会将图像中的一些细节模糊掉。
中值滤波器是一种非线性滤波器，它可以在消除噪声的同时保持图像的细节。
(4)自适应平滑滤波自适应平滑滤波能根据图像的局部方差调整滤波器的输出。
局部方差越大，滤波器的平滑作用越强。
它的最终目标是使恢复图像f*(x,y) 与原始图f(x,y) 的均方误差e2 = E ( f (x, y) − f *(x, y))2 最小。
自适应滤波器对于高斯白噪声的处理效果比较好.（5）小波变换图像信号去噪方法小波变换去噪法的基本思想在于小波变换将大部分有用信号的信息压缩而将噪声信息分散。
小波变换在图像增强中的应用技巧图像增强是数字图像处理中的一个重要领域，它旨在改善图像的视觉效果，使得图像更加清晰、鲜明和易于理解。
小波变换作为一种有效的信号处理工具，已经被广泛应用于图像增强中。
本文将介绍小波变换在图像增强中的应用技巧，包括去噪、边缘增强和细节增强等方面。
一、小波变换在图像去噪中的应用图像中常常存在噪声，这些噪声会降低图像的质量和清晰度。
小波变换可以通过分析图像的频域特征，将噪声和信号分离开来，从而实现图像的去噪。
在图像去噪中，离散小波变换（DWT）是一种常用的方法。
DWT将图像分解为不同尺度的频域子带，其中低频子带包含了图像的主要信息，高频子带则包含了噪声。
通过对高频子带进行阈值处理，可以将噪声去除，然后再通过逆变换将图像恢复到空域中。
这种方法能够有效地去除图像中的噪声，同时保留图像的细节信息。
二、小波变换在图像边缘增强中的应用图像的边缘是图像中重要的特征之一，它能够提供图像中物体的形状和轮廓信息。
小波变换可以通过分析图像的局部特征，增强图像的边缘。
在图像边缘增强中，小波变换可以通过高频子带的信息来提取图像中的边缘。
通过对高频子带进行增强处理，可以使得边缘更加清晰和明显。
同时，小波变换还可以对边缘进行检测和定位，从而实现更精确的边缘增强。
三、小波变换在图像细节增强中的应用图像的细节信息对于图像的质量和清晰度至关重要。
小波变换可以通过分析图像的局部特征，增强图像的细节。
在图像细节增强中，小波变换可以通过低频子带的信息来提取图像中的细节。
通过对低频子带进行增强处理，可以使得图像的细节更加清晰和丰富。
同时，小波变换还可以对细节进行增强和增强，从而实现更好的细节增强效果。
总结小波变换作为一种强大的信号处理工具，在图像增强中发挥着重要的作用。
通过小波变换，可以实现图像的去噪、边缘增强和细节增强等效果。
在实际应用中，还可以根据具体的需求和图像特点，选择不同的小波基函数和变换参数，以达到更好的图像增强效果。
第1章绪论由于各种各样的原因，现实中的图像都是带噪声的。
噪声恶化了图像质量，使图像变得模糊。
对同时含有高斯噪声和椒盐噪声的图像先进行混合中值滤波，在滤除椒盐噪声的同时，又很好地保留了图像中的物体细节和轮廓。
小波域去噪处理具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。
小波模极大值去噪方法能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，具有较好的图画质量，改进后可以得到更满意的图像。
小波相位滤波去噪算法是基于小波变换系数相关性去噪算法的，适于强噪声图像，去噪后也可以改善图像质量。
1.1课题背景图像信息以其信息量大、传输速度快、作用距离远等优点成为人类获取信息的重要来源及利用信息的重要手段，而现实中的图像由于种种原因都是带噪声的。
噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。
为了去除噪声，会引起图像边缘的模糊和一些纹理细节的丢失。
反之，进行图像边缘增强也会同时增强图像噪声。
因此在去除噪声的同时，要求最小限度地减小图像中的信息，保持图像的原貌。
经典的图像去噪算法，如均值滤波、维纳滤波、中值滤波等，其去噪效果都不是很理想。
中值滤波是由图基（Turky）在1971年提出的，开始用于时间序列分析，后来被用于图像处理，在去噪复原中得到了较好的效果。
它的基本原理是把数字图像或数字序列中的一点的值，用该点的一个邻域中的各点的中值代替。
中值滤波在抑制椒盐噪声的同时又能较好地保持图像特征，图像也得到了平滑。
对同时含有高斯噪声和椒盐（脉冲）噪声的图像，先进行混合中值滤波处理。
基于极值的混合中值滤波兼容了中值滤波和线性滤波的优点，在滤除椒盐噪声的同时又对图像中的物体细节和轮廓进行了很好的保留。
基于混合中值滤波和小波去噪相结合的方法，去噪效果好于单纯地使用小波变换去除噪声，或者单纯使用混合中值滤波去除噪声，能获得比单一使用任何一种滤波器更好的效果。
小波分析是20世纪80年代初Morlet提出的，经过20多年的研究，小波分析目前在图像处理等领域中得到广泛的应用。
去噪处理是小波分析的一个重要应用，尤其是对高斯噪声的滤除。
小波域信号去噪在兼容去噪和保留信号有意义特征方面，具有十分诱人的前景。
其主要原因是小波变换具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。
小波模极大值去噪方法主要适用于信号中混有高斯噪声，且信号中含有较多奇异点的情况。
该方法在去噪的同时能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，是原始信号的一个非常好的估计，且具有较好的图画质量。
但是信噪比比较低时，模极大值去噪方法的效果不好，改进后则可以得到满意的图像。
由于信号与噪声的幅值在小波变换下有不同的传播特性，因此多数去噪算法都是基于小波系数的幅值特性而设计的。
小波相位去噪算法是基于小波变换系数相关性，是一种对幅度不敏感的小波去噪算法。
该去噪算法适于强噪声图像，即信噪比较高的图像，去噪后也可以改善图像质量。
1.2本文的工作本文首先对当前比较成功的图像去噪算法，均值滤波、中值滤波、维纳滤波和小波域去噪等图像去噪技术有一个较为全面的分析和比较。
其次，针对实际去噪问题和去噪要求设计出较合理的三种去噪算法：混合中值滤波和小波域去噪相结合的算法、小波模极大值去噪、小波相位去噪。
本文分析和阐述了这三种去噪方法的原理和特点，最后将这些去噪方法用MATLAB程序仿真实现，完成图像的去噪处理。
第2章经典图像去噪技术的介绍随着科学技术的发展，图像去噪的方法越来越多。
经典的图像去噪算法有均值滤波、中值滤波、维纳滤波等等。
这些去噪方法都有各自的优点和不足。
2.1图像噪声2.1.1噪声来源①在光电、电磁转换过程中引起的人为噪声。
②大气层电（磁）暴、闪电、电压和浪涌等引起的强脉冲性冲击干扰。
③由物理的不连续性或粒子性所引起的自然起伏性噪声。
2.1.2噪声分类图像是一种重要的信息源，其本质是光电信息。
一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。
根据噪声和信号的关系，可将其分为三种形式（)(yxg表示图像信号，,,f表示给定原始图像，)(yxn表示噪声）：x,(y)①加性噪声含噪声的图像可表示为：),xyyx=，即噪声与信号的关系是相加的。
f+ng,)(()(y,x不管有没有信号，噪声都会存在。
加性噪声干扰有用信号，因而不可避免地对通信造成危害，所以对图像进行相关处理前必须去除加性噪声。
信道噪声及光导摄像管的摄像机扫描图像时产生的噪声，就属这类噪声。
加性噪声中包括椒盐噪声、高斯噪声等典型的图像噪声。
椒盐噪声往往由图像切割引起的，是由图像传感器等产生的黑图像的白点、白图像上的黑点。
去除脉冲干扰级椒盐噪声可以用均值滤波、维纳滤波等经典图像去噪技术进行去噪处理，而非线性滤波技术中值滤波是其中最常用的方法。
高斯噪声就是n维分布都服从高斯分布，即正态分布的概率密度函数的噪声。
高斯噪声是图像含有的主要噪声，在小波域里能很好地实现去除高斯噪声。
②乘性噪声含噪声的图像可表示为：)xnygyg=，即噪声与信号的关系是f+xxxy,)(,(y(,)),(相乘的。
信号在它在，信号不在也就不在。
乘性噪声一般由信道不理想引起，飞点扫描器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。
③量化噪声此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。
这类噪声不是我们研究的方向。
一般来说，图像噪声多是与信号直接相加的。
因此，原则上乘性噪声信号的去除最好先转换为加性噪声。
所以我们去噪的主要目的是去掉加性噪声的影响，即高斯噪声和椒盐噪声。
2.2噪声模拟研究图像去噪技术，首先要给图像添加噪声，进行噪声的模拟。
数字图像噪声产生的途径有很多种。
MATLAB的图像处理工具箱提供imnoise函数，可以用该函数给图像添加五不同种类的噪声。
表2.1列出了imnoise函数能够产生的五种噪声及对应参数。
具体的应用为：首先将图像读出来，然后给图像添加噪声。
I=imread('filename.tif')J=imnoise(I, 'type', parameters)其中，filename为图像名称，且一般为灰度图像，参数type指定滤波器的种类，parameters 是与滤波器种类有关的具体参数。
表2.1 imnoise函数支持的噪声种类及其参数说明2.3 经典图像去噪技术现有的经典的图像去噪方法大致可以划分为两类：一类是空间域方法，主要采用各种图像平滑模板对图像进行卷积处理，以达到压抑或去除噪声的目的；另一类是频域方法，主要通过对图像进行变换以后，选用适当的频率带通滤波器进行滤波处理，经反变换后获得去噪声图像。
常见的空域滤波有均值滤波、中值滤波和维纳滤波等方法。
它们的基本特点都是让图像在傅里叶空间的某个范围内的分量受到抑制，同时保持其他分量不变，从而改变输出图像的频率分布，达到图像增强的目的。
常见的频域滤波则有高通滤波和低通滤波等方法。
2.3.1 均值滤波⒈ 基本原理均值滤波器，是一种最常用的线性低通滤波器。
这种方法的基本思想是，用几个像素灰度的平均值来代替每个像素的灰度值。
均值滤波器所有的系数都是正数，为了保持输出图像仍在原来的灰度范围内，模板与像素邻域的乘积和都要除以9[1]。
以33⨯邻域为例，假设当前的待处理像素为),(n m f ，最简单的一种均值滤波模板为：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=11111111191H 将以上的均值滤波器加以修正，可以得到加权平均滤波器。
例如：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=1111211111011H ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=1212421211612H ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=111101111813H 设一幅数字图像),(y x f 为N M ⨯的阵列，平滑后的图像为),(y x g ，它的每个像素的灰度由包含),(y x 的预定邻域的几个像素的灰度级的平均值所决定，如式（2.1），∑∈=),(),(1),(s j i j i f k y x g （2.1） 式（2.1）中，S 是),(y x 像素点的不包含),(y x 像素点的预定邻域，K 是S 内的坐标点总数。
⒉ 滤波效果对图像进行均值滤波处理，相当于让图像信号通过一低通滤波器。
这种方法通过把突变点的灰度分散在其相邻点中，然后达到平滑作用。
原始图像经过均值滤波后噪声得到了抑制，图像也得到了平滑。
但是均值滤波对极限像素值（与周围像素灰度值相差较大的像素）比较敏感，同时也使图像边缘变得模糊[2]。
2.3.2 维纳滤波维纳滤波是一种自适应滤波，它能根据图像的局部方差调整滤波器的输出。
维纳滤波的最终目标是使恢复图像),(y x f ∧与原始图像),(y x f 的均方误差MSE 最小。
维纳滤波器以最小均方误差MSE min 作为最优准则。
{}⎭⎬⎫⎩⎨⎧⎥⎦⎤⎢⎣⎡-==∧22),(),(min ),(min min y x f y x f E y x e E MSE （2.2） 因为对误差进行平方运算，使得大误差的分量远远小于小误差的分量，选择MSE min 就可以限制滤波输出的主要误差，也可以使用其他的最优原则进行分析（例如平均误差等）。
但是这些准则将使得分析过程变得较为复杂，而且效果也不是很好。
我们可以用MATLAB 中的wiener2函数对一幅图像进行自适应滤波，wiener 2函数的调用格式为：J = wiener2(I,[M N],NOISE)I 表示输入图像，[M N]表示卷积使用的邻域大小，缺省值为[3 3]；NOISE 为噪声强度，如果不指定此参数，那么wiener2函数将返回一个估计的噪声强度。
2.3.3 中值滤波⒈ 基本原理中值的定义为：有一组数n x x x x ,,,,321 ，把各数值按大小顺序排列于下，),,,,(321321n ini i i x x x x Med y x x x x =≤≤≤其中，y 就称为序列n x x x x ,,,,321 的中值。
若n 为奇数，则中值y 为排在第21+n 的数；n 为偶数时，则中值为排在第2n 的数与排在第12+n 的数之和的平均值。
例如有一序列为(80，90，200，110，120)，那么这个序列的中值为110。
中值滤波的基本原理是，把数字图像或数字序列中的一点用该点的一个邻域中各点值的中值代替[3]。
把一个点的特定长度或者形状的邻域称做窗口。
在一维情况下，中值滤波器是一个含有奇数个像素的滑动窗口，窗口正中间的那个像素的值用窗口中各像素的中值代替。
设输入序列为{}I i x i ∈,，I 为自然数合集或子集，n 为窗口长度。
