刘 慧 ，彭良玉 ，刘美华

(1.湖南师范大学 物理与信息科学学院，湖南 长沙 410081；2.湖南工程学院，湖南 湘潭 411104)

噪声可以理解为“妨碍人们感觉器官对所接收的信源信息进行理解的因素”。现实中，数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，成为含噪图像[1-2]。常用的去噪方法有均值滤波、中值滤波、维纳滤波和小波变换等。大多数方法从本质上来说都是低通滤波的方法，而图像细节包含在高频信号中，因此，在去噪的同时很容易将图像细节部分也去掉。小波变换能同时给出信号的时域和频域信息，其多分辨率特性使其能比传统算法很好地在去噪的同时保护图像边缘信息。基于小波变换的去噪方法利用小波变换中的变尺度特性，对确定信号具有一种“集中”能力[1]。小波能够去噪是因为它具有以下特点：(1)低熵性，小波系数的稀疏分布能降低图像处理后的熵；(2)多分辨特性，能够精确描述信号的非平稳性，可以在不同分辨率下根据信号和噪声的分布情况来去噪；(3)去相关性，可对信号去相关，噪声在变换后有白化趋势；(4)基函数选择很灵活，可以针对不同的信号特点和降噪要求或者不同场合，灵活选择小波基函数[2-4]。小波变换后，对应图像特征奇异点处的系数幅度较大，且相邻尺度层间有很强的相关性，便于提取和保护特征。一般认为，经小波变换后，信号的小波系数幅值较大，而噪声的系数较小。只要设置一个适当的阈值，保留幅值较大的小波系数，将小于该阈值的系数置零或者进行相应的收缩处理，最后用处理过后的小波系数进行重构就能得到去噪后的图像[5]。……