1、隨著科技的進(jìn)步與發(fā)展，圖像已經(jīng)成為了當(dāng)今信息時(shí)代人們獲取信息的重要來(lái)源，但實(shí)際中的圖像不可避免地會(huì)受到噪聲的干擾，因此如何有效地對(duì)圖像進(jìn)行去噪處理一直是圖像處理領(lǐng)域中的研究熱點(diǎn)。本文在介紹一些常見(jiàn)圖像去噪方法的基礎(chǔ)上，提出了一些新的去噪算法，主要?jiǎng)?chuàng)新點(diǎn)如下:
　　(1)針對(duì)影響小波閾值去噪效果的兩個(gè)關(guān)鍵因素——閾值函數(shù)和閾值進(jìn)行了研究，本文提出了新的參數(shù)可調(diào)節(jié)的閾值函數(shù)，然后提出閾值大小隨小波分解尺度變化而自動(dòng)調(diào)整的計(jì)算公式，實(shí)現(xiàn)

2、在不同分解尺度上采用不同大小的閾值對(duì)小波系數(shù)進(jìn)行處理。
　　(2)針對(duì)傳統(tǒng)P-M擴(kuò)散模型在圖像去噪時(shí)存在的不足之處，本文提出了一種改進(jìn)的模型，改進(jìn)后的擴(kuò)散模型增設(shè)了能很好檢測(cè)邊緣輪廓細(xì)節(jié)的邊緣閾值，較好地區(qū)分了圖像邊緣和噪聲。
　　(3)詳細(xì)介紹了非下采樣Contourlet變換(Nonsubsampledcontourlet transform，NSCT)和全變差(Total Variation，TV)模型的基本原理及優(yōu)點(diǎn)

3、，在此基礎(chǔ)上提出了將NSCT和偏微分方程這兩類(lèi)不同的圖像去噪方法進(jìn)行合理地相結(jié)合，即對(duì)經(jīng)過(guò)NSCT分解后所得低頻分量采用TV模型進(jìn)行處理，對(duì)高頻分量采用本文第四章提出的改進(jìn)各向異性擴(kuò)散模型進(jìn)行處理，然后將經(jīng)過(guò)處理的高低頻分量進(jìn)行NSCT逆變換，最終得到去噪后的圖像。
　　本文進(jìn)行了大量的實(shí)驗(yàn)仿真，結(jié)果表明采用文本提出的算法得到的圖像有更良好的視覺(jué)效果和更豐富的細(xì)節(jié)信息，并且在客觀評(píng)價(jià)指標(biāo)下對(duì)不同去噪算法進(jìn)行分析比較，說(shuō)明本文算法具