【文章內(nèi)容簡(jiǎn)介】 定的當(dāng)前像素作為鄰域平均處理后的灰色的算術(shù)平均值。操作方法是簡(jiǎn)單高斯噪聲和泊松噪聲具有良好的抗噪聲能力。均值濾波可以歸因于一個(gè)矩形窗口加權(quán)線性濾波器的有限脈沖響應(yīng)。所以，低通濾波器的等效平均濾波器。這個(gè)低通性能的同時(shí)平滑噪聲，也必須是消除噪聲，而且會(huì)導(dǎo)致?lián)p壞和的圖像的高頻細(xì)節(jié)成分損失，使得圖像模糊通過(guò)以上處理的圖像可以看出模糊細(xì)節(jié)和邊緣信號(hào)：鄰域平均削弱了圖像的邊緣，使圖像變得有些模糊。高斯噪聲抑制濾波器均值是好的，但脈沖噪聲的不是很好的抑制作用，脈沖噪聲仍然存在，但它已被削弱。為了提高細(xì)節(jié)的對(duì)比并不意味著過(guò)濾，區(qū)域界限模糊的缺陷，常用的閾值法來(lái)抑制脈沖噪聲，保護(hù)質(zhì)地細(xì)膩，用加權(quán)的方法來(lái)改善邊界模糊的形象，以適應(yīng)技術(shù)的選擇以保持圖像的平均邊緣。具體消噪步驟:1對(duì)圖像進(jìn)行小波變換分解,小波系數(shù)記為wj,其中j為小波變換的尺度,i表示該小波系數(shù)的位置。2根據(jù)均值濾波技術(shù)對(duì)小波分解中各高頻分進(jìn)行均值濾波。3重構(gòu)圖像 基于小波的中值濾波去噪原理 中值濾波器是非線性的噪聲抑制一種常用的方法，它可以克服的，例如最小均方線性濾波濾波器和平均濾波器帶來(lái)的模糊邊緣，以獲得令人滿意的恢復(fù)作用。它可以更好的保護(hù)邊界，為消除椒鹽噪聲的圖像是非常有效的，但有時(shí)會(huì)丟失目標(biāo)區(qū)域圖像細(xì)線和小的塊。其原理是很簡(jiǎn)單的，被包含在順序的一個(gè)窗口的像素的奇數(shù)從小移動(dòng)圖像，在該窗口中的像素的灰度值的各位置分別列于大，然后在中間灰度值作為窗口，小波變換的最大優(yōu)勢(shì)之一的中心像素的輸出值是該部的功能是非常豐富的，你可以有多種選擇的小波產(chǎn)生會(huì)有不同的效果不同的小波系數(shù)。噪聲常常表現(xiàn)為孤立的圖像像素灰度突變，高頻性能和空間是不相關(guān)的。通過(guò)小波分解低頻部分和高頻部分和低頻部分獲得的圖像反映了圖像的輪廓，反映在噪聲圖像細(xì)節(jié)和混合的高頻部分，因此，該圖像去噪，只需要具體去噪步驟：1小波變換的圖像分解，記為WJ，其中j是小波的尺度變換的小波系數(shù)，i是小波系數(shù)表示的位置。2根據(jù)每個(gè)高頻通過(guò)中值濾波器分割的中值濾波小波分解。 3重構(gòu)圖像 基于小波的維納濾波去噪原理 維納濾波是一種對(duì)退化圖像進(jìn)行恢復(fù)處理的一種常用算法，也是最早也最為人們熟知的線性圖像復(fù)原方法。其設(shè)計(jì)思想是使輸人信號(hào)乘響應(yīng)后的輸出，與期望輸出的均方誤差為最小。 具體消噪步驟:1對(duì)圖像進(jìn)行小波變換分解,小波系數(shù)記為wj,其中j為小波變換的尺度,i表示該小波系數(shù)的位置。2根據(jù)維納濾波技術(shù)對(duì)小波分解中各高頻分進(jìn)行均值濾波。3重構(gòu)圖像 加各種噪聲的濾波去噪仿真結(jié)果及分析 在MATLAB下，再分別加入各種噪聲，先對(duì)含噪圖像進(jìn)行小波變換，再對(duì)高頻系數(shù)進(jìn)行濾波去噪處理，最后進(jìn)行小波反變換，實(shí)現(xiàn)基于小波的圖像去噪。 圖 圖 分析：均值濾波對(duì)高斯噪聲抑制是比較好的，中值濾波對(duì)高斯噪聲效果不佳，維納濾波對(duì)高斯噪聲有明顯的抑制作用。 圖 分析：均值濾波對(duì)泊松噪聲的抑制是比較好的，維納濾波相對(duì)于中值濾波對(duì)泊松噪聲有明顯的抑制作用。 圖 分析：均值濾波對(duì)椒鹽噪聲的抑制作用不好，椒鹽噪聲仍然存在，只不過(guò)被削弱了而已，中值濾波對(duì)椒鹽噪聲特別有效，取得了很好的效果，維納濾波對(duì)椒鹽噪聲的抑制效果更好，缺點(diǎn)就是容易失去圖像的邊緣信息。 結(jié)束語(yǔ) 小波理論，因?yàn)樗哂辛己玫臅r(shí)頻局部化特性和多分辨率特性，使得它在數(shù)字圖像處理有著廣闊的應(yīng)用前景。本論文針對(duì)基于小波變換的圖像去噪方法進(jìn)行了研究。具體歸納如下:（1）首先對(duì)基于小波變換的圖像去噪研究背景及意義進(jìn)行了說(shuō)明，然后分析了圖像噪聲；（2）小波變換的理論知識(shí)的總結(jié)；（3）對(duì)基于小波變換的圖像去噪方法進(jìn)行了理論分析及仿真驗(yàn)證，并對(duì)比得出各種方法的優(yōu)缺點(diǎn)。 致謝 在畢設(shè)過(guò)程中，有喜有憂，有付出也有收獲，整個(gè)過(guò)程很充實(shí)，仿佛就像大學(xué)生活的一個(gè)縮影。 在此期間，要特別感謝陳莉老師給我的指導(dǎo)，在她的嚴(yán)格要求下，我的畢業(yè)設(shè)計(jì)才一步步走向成熟，還要感謝各位同學(xué)，他們陪我一起解決問(wèn)題，使我學(xué)到了很多東西。 當(dāng)然，我也要感謝我的母?！兾骼砉W(xué)院 ，為我們提供了良好的學(xué)習(xí)和生活環(huán)境，給我留下了美好的回憶，畢業(yè)設(shè)計(jì)整個(gè)過(guò)程給了我一個(gè)鍛煉的機(jī)會(huì)，使我拓寬了知識(shí)面，也提高了我對(duì)所學(xué)知識(shí)的綜合應(yīng)用能力，祝愿母校的將來(lái)更美好！最后，我要深深感謝我的父母，他們的無(wú)私付出和奉獻(xiàn)，給我巨大的動(dòng)力，深深感謝他們對(duì)我的關(guān)心及支持。 參考文獻(xiàn)[1] [M].北京:北京郵電大學(xué)出版社, 2006.[2] 劉直芳,王運(yùn)瓊,[M].北京:清華大學(xué)出版社，2006 .[3] 鄭阿奇,（第2版）[M].北京:電子工業(yè)出版社，2009.[4] 李彥軍,[J]計(jì)算機(jī)工程與設(shè)計(jì),2009,2(12)：4445.[5] [J].數(shù)研究光子學(xué)報(bào),2002,5(6): 34.[6] 孫宏琦,施維穎,[J]長(zhǎng)安大學(xué)學(xué)報(bào)（自然科學(xué)版），2010,25（4）：1015.[7]Sawant A,Zeman H, Muratore D, etal. An adaptive median filter algorithm to remove impulse noise in Xray and CT images and speckle in ultrasound images [J] proc. SPIE, 19991 3661(2):12631274.[8]Oppenheim . and Schafer . Digital Signal Processing. PrenticeHall[J]. 1975:361367.[9]路系群 陳 純. 《圖像處理原理技術(shù)與算法》[M].杭州：浙江大學(xué)出版社,2001.[10]Vidakovic B, Johnstone C B. On time dependent wavelet donoising. [J] In:IEEE Trans, Signal processing, 1998, 46(9),25492551.[11]Donoho D L, Johnstone IM, Kerkyacharian G et al. Wavelet shrinkage: asymptopia[J] In: Journal of royal statistics society series, 1995, 57:301369.[12]Weyich N, Warhola G T. Wavelet shrinkage and generalized cross validation for image denoising. [J] In: IEEE Trans. Image on Processing, 1998, 7(71), 8290.[13]Gunawan D. Dennoising images using wavelet transform.[J] In:Processings of the IEEE Pacific Pim Conference on Communications, Computter and Signal Processing, Victoria BC, USA, 1999, 8385.[14]Shark L K, Yu C. Denoising by optimal fuzzy thresholding in wavelet domain. [J] In: Electronices Letters, 2000, 36(6), 581582.[15]Stein C. Estimation of the mean of a multivariate normal distribution.[J] In:Annals of Statistics, 1981, 9, 11351151. 附錄A 外文及翻譯外文ADAPTIVE NONCPHERENT LINEAR MINIMUM EQUALIZATION FOR MDAPSK SIGNALS Robert Schober , Wolfgang H. Gerstacker , and Johannes Laboratorium f252。r Nachrichtentechnik,Universit228。t Erlangen N252。rnberg CauerstraBe 7, D 91058 Erlangen, GermanyAbstract In this paper, a novel noncoherent linear equalization scheme is introduced and analyzed. The proposed scheme is not only applicable for Mary differential phaseshift keying (MDPSK) but also for Mary differential amplitude/phaseshift keying ( MDASK ) and minimizes the variance of intersymbol interference ( ISI ) in the equalizer output signal. The optimum equalizer coefficients may be calculated directly from an eigenvalue problem. For an efficient recursive adaptation of the equalizer coefficients, a modified leastmeansquare ( LMS ) algorithm is proposed. Simulations confirm the good performance of the considered noncoherent equalization scheme and its robustness against frequency offset. 1. Introduction The bination of linear or nonlinear equalization and coherent detection (CD) has been studied extensively in literature (see . [1, 2] and references therein) and is applied in many existing munication systems. However, only few results are available for noncoherent equalization schemes, . , for the bination of linear or nonlinear equalization and noncoherent detection. Such noncoherent receivers have the important advantage offset than coherent equalization schemes. Noncoherent linear minimum mean squared error ( MMSE ) equalization has been proposed in [3, 4] , while noncoherent decision feedback equalization ( DFE ) has been regarded in [5, 6] . These noncoherent equalizers have in mon that they