秒杀把clcclear allavi = mmreader('inpaintingvideo3.avi');video = read(avi);frame = video(:,:,:,1);rframe = rgb2gray(frame);%figure,imshow(rframe);rframe = imnoise(rframe,'gaussian',0,0.001);[lod,hid] = wfilters('haar','d'); %产生小波高低通滤波器[c,s] = wavedec2(rframe,1,lod,hid);a2 = appcoef2(c,s,'haar',1);% get 2nd level approximate signal提取2层近似系数%a2 = double2uint8(a2);% convert it convert it to uint8 image in [0 255]h2 = detcoef2('h',c,s,1);% get 2nd level horizontal high frequency signal提取2层高频水平系数h2 = double2uint8(h2);v2 = detcoef2('v',c,s,1);% get 2nd level vertical high frequency signal提取2层高频垂直系数v2 = double2uint8(v2);d2 = detcoef2('d',c,s,1);% get 2nd level digonal high frequency signal提取2层高频对角系数d2 = double2uint8(d2);wave = [a2,h2;v2,d2];% compose 2nd level %figure;imshow(wave);hwi = wiener2(h2,[9 9]);vwi = wiener2(v2,[9 9]);dwi = wiener2(d2,[9 9]);wave2 = [a2,hwi,vwi,dwi];rframe2 = waverec2(wave2,s,'haar');rframe2 = double2uint8(rframe2);figure,imshow(rframe2);
图像降噪的英文名称是Image Denoising. 是图像处理中的专业术语.现实中的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，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像降噪,有时候又称为图像去噪。
导言 损坏的图像往往是在其噪声采集和传输。例如在图像采集，其性能的影像传感器是受多种因素，如环境条件和质量检测的内容本身。例如，在获取图像的CCD相机，轻水平和传感器温度是主要影响因素的数量所产生的噪声的形象。图像传输过程中还损坏，由于干扰的频道用于传输。图像降噪技术，必须消除这种添加剂随机噪声，同时保留尽可能多的重要信号的功能。的主要目标，这些类型的随机噪声去除抑制噪声，同时保持原始图像的细节。统计过滤器一样平均滤波器[ 1 ] [ 2 ] ， Wiener滤波器[ 3 ]可用于消除这种噪音，但基于小波变换的去噪方法更好的结果证明不是这些过滤器。一般来说，图像去噪规定之间的妥协，减少噪音和保护重要的图像细节。为了实现良好的性能在这方面，去噪算法，以适应图像的不连续性。小波代表性，自然有利于建设这种空间自适应算法。它压缩在一个重要信息信号转换成相对较少，大量系数，代表图像细节在不同的决议尺度。在最近几年出现了相当数量的研究小波阈值和阈值选取的信号和图像去噪[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] ，因为小波提供了一个适当的基础分离噪音信号从图像信号。许多小波阈值技术一样VisuShrink [ 10 ] ， BayesShrink [ 11 ]已经证明，效益较好的图像去噪。在这里，我们描述一个有效的阈值去噪技术通过分析统计参数的小波系数。本文安排如下：简要回顾了离散小波变换（ DWT域）和小波滤波器银行第二节。小波阈值技术是基于解释第三节。在第四部分提出了新的阈值技术的解释。的步骤在此范围内工作的解释第五节第六节的实验结果这个拟议的工作和其他去噪技术是当前和比较。最后总结发言中给出了第七节。本回答由提问者推荐
看题目限定的范围。在题目中也许已经限定了写什么人，什么时间、什么地点的人。如《我的辅导员》就限定了必须使用第一人称；有的在材料中要求写你身边的人；有的材料要求写在学校和在家里，一个人的不同表现；有的题目是《爸爸变了》就要求你写以前和现在爸爸的不同样貌。3、看题目有没有题眼。所谓题眼，就是指题目中的关键字词，比如说一篇文章叫做《我最喜欢的一个人》，题眼是“喜欢”，你不可以大量笔墨来写我多么崇拜这个人，喜欢和崇拜是不同的情感。《奶奶的微笑》题眼在于微笑。
当前国内、外的研究动态从对图像进行滤波的过程中所采用的滤波方法来分，可分为空间域滤波、变换域滤波；从滤波类型来分，又可以分为线性滤波和非线性滤波。2002年Do.M.N和VetterliM.提出了一种“真正”的二维图像稀疏表达方法——Contourlet变换[7,8]，这种变换能够很好的表征图像的各向异性特征。由于Contourlet变换能更好的捕获图像的边缘信息，因此选择合适的阈值进行去噪就能获得比小波变换更好的效果。Starck等人将Curvelet变换应用于图像的去噪过程中并取得了良好的效果[9]，该方法虽然能有效的去除噪声，但往往会“过扼杀”Curvelet系数，导致在消除噪声的同时丢失图像细节。在过去的二十年里，自适应滤波器在通信和信号处理领域引起了人们的极大关注。TerenceWang等人针对二维自适应FIR滤波器提出了一种二维最优块随机梯度算法(TDOBSG)[10]。这种算法对滤波器的所有系数使用了空间可变的收缩因子。基于使后验估计方差矢量的二范数最小的最小方差准则，在块迭代的过程中选出最优的收敛因子。线性滤波器的最大优点是算法比较简单且速度比较快，缺点是容易造成细节和边缘模糊。在目前对非线性滤波器的研究中，中值滤波器有较明显的优势，很多科学工作者对中值滤波器作了改进或者提出了一些新型的中值滤波器。Loupas等人提出的自适应的加权中值滤波方法(AWMF)，但他利用的Speckle噪声模型不够精确，图像细节损失较大[11]。针对中值滤波器在处理矢量信号存在的缺点，Jakko等人提出两种矢量中值滤波器[12]。近年来，小波分析是当前应用数学中一个迅速发展的新领域，它凭借其卓越的优越性，越来越多的被应用于图像去噪等领域，基于小波分析的图像去噪技术也随着小波理论的不断完善取得了较好的效果。上个世纪八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，并首先把小波理论运用于信号和图像的分解与重构，利用小波变换模极大值原理进行信号的奇异性检测，提出了交替投影算法用于信号重构，为小波变换用于图像处理奠定了基础[13]。后来，人们根据信号与噪声在小波变换下模极大值在各尺度上的不同传播特性，提出了基于模极大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了“小波收缩”，它较传统的去噪方法效率更高。“小波收缩”被Donoho和Johnstone证明是在极小化极大风险中最优的去噪方法，但在这种方法中最重要的就是确定阈值。1995年，Stanford大学的学者D.L.Donoho和I.M.Johnstone提出了通过对小波系数进行非线性阈值处理来降低信号中的噪声[15，16，17]。从这之后的小波去噪方法也就转移到从阈值函数的选择或最优小波基的选择出发来提高去噪的效果。影响比较大的方法有以下这么几种：EeroP.Semoncelli和EdwardH.Adelson提出的基于最大后验概率的贝叶斯估计准则确定小波阈值的方法[18]；ElwoodT.Olsen等在处理断层图像时提出了三种基于小波相位的去噪方法：边缘跟踪法、局部相位方差阈值法以及尺度相位变动阈值法[19]；学者Kozaitis结合小波变换和高阶统计量的特点提出了基于高阶统计量的小波阈值去噪方法[20]；G.P.Nason等利用原图像和小波变换域中图像的相关性用GCV(generalcross-validation)法对图像进行去噪[21]；Hang.X和Woolsey等人提出结合维纳滤波器和小波阈值的方法对信号进行去噪处理[22]，VasilyStrela等人将一类新的特性良好的小波(约束对)应用于图像去噪的方法[23]；同时，在19世纪60年代发展的隐马尔科夫模型(HiddenMarkov Model)[24]，是通过对小波系数建立模型以得到不同的系数处理方法；后又有人提出了双变量模型方法[25,26]，它是利用观察相邻尺度间父系数与子系数的统计联合分布来选择一种与之匹配的二维概率密度函数。这些方法均取得了较好的效果，对小波去噪的理论和应用奠定了一定的基础。另外，尽管小波去噪方法现在已经成为去噪和图像恢复的重要分支和主要研究方向，但目前在另类噪声分布（非高斯分布）下的去噪研究还不够。目前国际上开始将注意力投向这一领域，其中非高斯噪声的分布模型、高斯假设下的小波去噪方法在非高斯噪声下如何进行相应的拓展，是主要的研究方向。未来这一领域的成果将大大丰富小波去噪的内容。总之，由于小波具有低墒性、多分辨率、去相关性、选基灵活性等特点[27]，小波理论在去噪领域受到了许多学者的重视，并获得了良好的效果。但如何采取一定的技术消除图像噪声的同时保留图像细节仍是图像预处理中的重要课题。目前，基于小波分析的图像去噪技术已成为图像去噪的一个重要方法。
一般情况下，这个阈值函数的选取与噪声的方差是紧密相关的。 通常情况下，现在论文中的噪声都是选用高斯白噪声。 被噪声污染的信号=干净的信号+噪声， 由于信号在空间上(或者时间域)是有一定连续性的，因此在小波域，有效信号所产生的小波系数其模值往往较大；而高斯白噪声在空间上(或者时间域)是没有连续性的，因此噪声经过小波变换，在小波阈仍然表现为很强的随机性，通常仍认为是高斯白噪的。 那么就得到这样一个结论：在小波域，有效信号对应的系数很大，而噪声对应的系数很小。 刚刚已经说了，噪声在小波域对应的系数仍满足高斯白噪分布。如果在小波域，噪声的小波系数对应的方差为sigma，那么根据高斯分布的特性，绝大部分(99.99%)噪声系数都位于[-3*sigma，3*sigma]区间内。因此，只要将区间[-3*sigma，3*sigma]内的系数置零(这就是常用的硬阈值函数的作用)，就能最大程度抑制噪声的，同时只是稍微损伤有效信号。将经过阈值处理后的小波系数重构，就可以得到去噪后的信号。 常用的软阈值函数，是为了解决硬阈值函数“一刀切”导致的影响(模小于3*sigma的小波系数全部切除，大于3*sigma全部保留，势必会在小波域产生突变，导致去噪后结果产生局部的抖动，类似于傅立叶变换中频域的阶跃会在时域产生拖尾)。软阈值函数将模小于3*sigma的小波系数全部置零，而将模大于3*sigma的做一个比较特殊的处理，大于3*sigma的小波系数统一减去3*sigma，小于-3*sigma的小波系数统一加3*sigma。经过软阈值函数的作用，小波系数在小波域就比较光滑了，因此用软阈值去噪得到的图象看起来很平滑，类似于冬天通过窗户看外面一样，像有层雾罩在图像上似的。 比较硬阈值函数去噪和软阈值函数去噪：硬阈值函数去噪所得到的峰值信噪比(PSNR)较高，但是有局部抖动的现象；软阈值函数去噪所得到的PSNR不如硬阈值函数去噪，但是结果看起来很平滑，原因就是软阈值函数对小波系数进行了较大的 “社会主义改造”，小波系数改变很大。因此各种各样的阈值函数就出现了，其目的我认为就是要使大的系数保留，小的系数被剔出，而且在小波域系数过渡要平滑。 还有的什么基于隐马尔科夫模型去噪，高斯混合尺度去噪(英文缩写好像是GSR,不好意思，记不大清楚了)和自适应阈值去噪等，也就是利用有效信号的小波系数和噪声的小波系数在小波域的分布特征不同等特征来进行有效信号的小波系数和噪声的小波系数在小波域的分离，然后重构得到去噪后的信号。 说了这么多，忘了关键的一点，如何估计小波域噪声方差sigma的估计，这个很简单：把信号做小波变换，在每一个子带利用robust estimator估计就可以(可能高频带和低频带的方差不同)。 robust estimator就是将子带内的小波系数模按大小排列，然后取最中间那个，然后把最中间这个除以0.6745就得到噪声在某个子带内的方差sigma。利用这个sigma，然后选种阈值函数，就可以去去噪了~~
多图平均法跟多次测量取平均值差不多。多幅图像加权，噪声的强度下降。至于难点，应该是加权权值的选取，以及图像的多少。图像去噪方法的研究摘要图像中的噪声会妨碍人们对图像的理解，而图像去噪的目的就是去除图像中的噪声，提高人们对图像的认识程度，以便对图像作进一步地处理。本论文的主要工作就是对图像的去噪方法进行了一定的介绍，并对其中的一些去噪算法作了进一步地研究，给出了几种新的图像去噪算法，在实验中这几种新的算法也取得了比较理想的去噪效果。 本文为了去除图像噪声，保留图像的边缘特征，提高峰值信噪比PSNR，最终得到清晰的重构图像，进行了研究改进.传统的去噪方法没有区分小波变换后高频部分中噪声信息和边缘特征信息，所以虽然能去除图像中的噪声，但是不能较完全的保留图像的边缘信息。针对这一缺点，本文首先对图像进行边缘检测。通过小波边缘检测方法确定边缘特征点的位置。在对小波变换后的各高频子带进行闺值处理时，保持非边缘特征点所在位置的小波系数在值去噪时不变，只对边缘点小波系数进行处理。这样就能既有效地去除噪声信息又能保留好边缘特征信息。理论分析和实验结果表明，与传统的去噪方法相比，本文方法能较好的保留图像的边缘信息的保留图像的边缘信息，并且提高了图像的峰值信噪比。关键词：图像处理；去噪；空域；频域；小波追问
多图像平均法为什么能去除噪声，该方法的难点是什么本回答被网友采纳
这是个监测系统，比较复杂。你是要做毕业设计吗有点复杂哦。希望你能得到好的答案。楼主,祝你好运啊~~~
噪点就是数码相机CCD光传感器产生的杂讯号，一般是CCD光传感器温度升高时会多一些。在图片上的表现是红蓝的点，如你拍的是雪白的墙，本不该有红、蓝的点出现，因为墙上没有，但是图片上有密集的红、蓝的点，那就是噪点。噪点是所有数码相机CCD光传感器都会产生的，只是程度不同。一般规律是CCD光传感器面积大，有利于抑制噪点产生。使用较低的ISO值（感光度）有利于抑制噪点产生。 去噪就是通过软件除去红、蓝噪点，但是照片一旦产生噪点，软件除噪只是权宜之计，除噪后图片的清晰度同时下降，除噪力度越大，图片质量下降越严重。本回答被提问者和网友采纳二值化处理意义：二值图像进行相关比用灰度级图像进行相关有更好的相关性能和去噪作用。 在用硬件实现时可避免乘法运算，从而提高硬件系统的速度和降低成本。在图像的符号匹配方面，二值图像比灰度级图像更适合于用符号来表达。二值图既保留了原始图像的主要特征，又使信息量得到了极大的压缩。流程：二值图像进行相关比用灰度级图像进行相关有更好的相关性能和去噪作用。 在用硬件实现时可避免乘法运算，从而提高硬件系统的速度和降低成本。在图像的符号匹配方面，二值图像比灰度级图像更适合于用符号来表达。二值图既保留了原始图像的主要特征，又使信息量得到了极大的压缩。二值化的方法固定门限二值化方法Dither 矩阵二值化方法基本自适应门限二值化方法确定门限和阔叶的方法基本全局门限OTSU 自适应门限
第11章 特殊滤波器设计与MATLAB实现11.1 Lee滤波11.1.1 算法原理11.1.2 算法仿真与MATLAB实现11.2 Gabor滤波11.2.1 算法原理11.2.2 算法仿真与MATLAB实现11.3 Wiener滤波11.3.1 算法原理11.3.2 算法仿真与MATLAB实现11.4 Kuwahara滤波11.4.1 算法原理11.4.2 算法仿真与MATLAB实现11.5 Beltrami流滤波11.5.1 算法原理11.5.2 算法仿真与MATLAB实现11.6 Lucy-Richardson滤波11.6.1 算法原理11.6.2 算法仿真与MATLAB实现11.7 Non-Local Means滤波11.7.1 算法原理11.7.2 算法仿真与MATLAB实现北航的书，《MATLAB图像滤波去噪》，余胜威著本回答被提问者采纳
文献 图像 论文
