1. 研究目的与意义（文献综述包含参考文献）
一．图像去噪技术在国内外应用现状与发展趋势[1-3]
在现阶段，涌现了许多平滑图像的方法，其中，空域平滑研究得比较深入，基本上形成了相对比较系统的算法。均值滤波的基本思想是选定中心像素，将其邻域中的各像素的灰度值求和取平均值，所得的平均值来代替所选定的中心像素点的灰度值。然而，空间平滑算法存在一个问题，即它平滑噪声的同时，模糊了图像的细节，这是因为平均就是使用平均值，改变了所有元素的灰度值，使得图像变得模糊。在空间域中的低通滤波方法也能用于平滑图像中的噪声，它是利用低通卷积模板在空间域通过二维卷积去除噪声的。多图像平均法是对同一地点的同一场景拍摄多张图片，然后对这些图片求平均值，因此需要大量图片。
除此之外，人们对保持边界清晰程度的非线性滤波算法研究也比较多，比如中值滤波，它既能很好地去除图像中的椒盐噪声，对于保持边界良好性也起到了很好的作用，但是它不适合消除高斯白噪声，而且不适合于含有很多细线等细节较多的图像。但由于它涉及不到图像的统计特性，所以在某些方面得到了广泛的应用。与利用傅里叶变换去噪相比，小波变换的优势更加明显，因为它无论是在频域还是在时域都具有良好的局部化性质，即可以将图像映射在多个分辨率层次上，此外，它还能发现某个局域空间内像素值发生突变，尤其在去除含有高斯噪声的图像效果显著，所以越来越受到重视，越来越多的人也开始利用小波变换去噪的算法进行噪声的滤除。利用小波去噪的方法通常分为以下三类：
2. 研究的基本内容、问题解决措施及方案
1.本课题要解决的问题
近年来，小波理论得到了非常迅速的发展，而且由于其具备良好的时频特性，因而实际应用也非常广泛。其中图像的小波阀值去噪方法可以说是众多图像去噪方法的佼佼者。其基本思想是利用图像小波分解后，各个子带图像的不同特性，选取不同的阀值,从而达到较好的去噪目的。但是，由于小波变换本身是一种线性变换，大多数方法对于类似于高斯噪声的效果较好，而对于混有脉冲噪声等混合噪声的情形处理效果并不理想，同时，由于线性运算往往还会造成边缘模糊。中值滤波算法对脉冲噪声的处理效果较好，但是在去除噪声时仅考虑了邻域内像素的排序信息，忽略了像素的时序信息，因此会在边缘处产生抖动并会删除一些重要的图像细节,造成图像模糊。正是在上述的基础上，课题要求实现一种利用中值滤波和小波变换相结合的办法来对混有高斯噪声和脉冲噪声的图像进行去噪处理，解决图像边缘模糊的问题。
