郭 洪， 张清志

（福州大学数学与计算机科学学院，福建 福州 350108）

图像高频部分包含大量的图像噪声，低频部分为图像的轮廓子图包含了图像大部分的能量和少量噪声。为此，对高低频部分采用不同的方式会有更好的结果。文献[4]的基于Perona-Milik扩散模型的各向异性扩散算法在去除少量噪声的同时能避免破坏图像轮廓。文献[5]的小波阈值去噪将小于阈值的噪声系数置零，而保留大于阈值的系数，但该方法的结果对阈值过于敏感。文献[6]的改进的PM模型的各向异性滤波能避免出现滤波后的“阶梯”效益，但该方法没有考虑到图像各个频率域的特性。文献[7]的自适应遗传算法能找到一个基于图像特性的最优阈值，但有时会出现陷入局部最优的“早熟”现象。同时，还需计算每个个体的Pc和Pm，影响算法效率，算法还可能破坏较好的个体。文献[8]基于种群集中的自适应遗传算法能较好地解决在整体进化的停滞期跳出局部最优，但对于种群集中的情况划分只利用了最大和最小的适应度之间的关系，导致收敛速度变慢。文献[9]的小波自适应增强算法能较好地补偿图像高频能量的丢失、抑制噪声的放大，但算法利用中值滤波去噪，导致部分图像的有效信息丢失、使去噪效果不理想。

据此，本文提出了一种改进的算法，结合小波的多分辨分析能力对图像进行处理，以期能在保持上述方法优点的同时克服其缺点。算法将图像进行小波分解后，利用图像高/低频部分的不同特性进行相应处理，并引入遗传算法对图像的高频去噪阈值获取进行优化，同时，根据分水岭算法的特性对边缘进行锐化增强。……