上文提到的图像处理的最终目的是提高图像的整体质量来满足人们所期望的视觉效果，图像处理就是为达到这一目标而进行的对经过数字化的图像信息的运算或处理。然而数字图像在形成、传输、接收和处理等过程中，不可避免的会受到外部和内部的干扰，如在光电转换过程中某些敏感元器件的灵敏度不均匀性、传输过程中的误差以及人为因素、数字化过程中的量化噪声等，均会存在一定程度的噪声干扰，使图像质量变差。如果图像中噪声强度比较大的话，一方面会影响人们观赏图像时的视觉效果;另一方面，噪声还有可能影响到计算机对图像处理的结果。所以在对数字图像进行其他处理之前必须要对图像进行降噪。图像去噪的目的就是要保留图像中的有用信息，减少甚至消除图像中的干扰和噪声，因此在实际应用中，图像去噪往往作为图像处理的预处理，是图像后续处理(如图像压缩、图像分割、图像增强与复原等)的基础。  目前大多数数字图像系统中，往往都是先采用先冻结再扫描的方式把输入图像从多维图像变成一维电信号，再对电信号进行存储、传输、处理等变换。最后再将变换后的结果重新组成多维图像信号，在这个过程中图像噪声也会和原始图像信号一样受到同样的合成和分解。由于在这些合成和分解的过程中都会受到外界环境以及电气系  统变化的影响使得精确的进行图像噪声分析变得非常复杂。另外图像仅仅是视觉信息得以传输的一种媒介，最终人们如何认识理解图像的信息还是由人自身视觉系统决定。由于每个人的视觉特性不同，因此即便客观上一样的噪声对他们的感觉程度也并不是完全一样的，所以在研究图像噪声时还要充分考虑到人的噪声视觉特性。 噪声是导致图像退化的重要原因，如果不进行去噪声预处理，噪声将对进一步的图像分析和识别造成极大的影响，甚至无法进行处理。因此，去噪处理往往是进行其他图像处理前的必要步骤。近年来, 人们根据实际图像的特点、噪声的统计特征和频谱分布规律, 提出了各种各样的去噪方法。但是由于图像噪声的产生根源很多，加之图像噪声类型在不同应用环境中的差异，使得传统的噪声去除方法往往只能用于特定的噪声类型，并且通常需要预先知道噪声的特性和类型。影响图像精度的两类限制因素可以归结为模糊和噪声，由于数字图像的样本数量有限以及在采样时需要满足特定的条件所以模糊在获取数字图像时就会固有存在，但是传统的图像去噪方式（如线性低通滤波等），在去除噪声污染的同时会进一步造成图像边缘的模糊，不能很好地保持轮廓信息。保留图像边缘信息与尽可能的去除噪声这对基本矛盾一直存在。以上这些都在某种程度上增加了图像去噪的复杂性。因此不断探求新的图像去噪方法一直是图像处理中的一个重要课题。
  1.2  图像去噪的研究现状及发展趋势  由于图像的拍摄仪器、源]自{优尔^*论\文}网·www.youerw.com/传输媒介以及图像量化过程中辐射源的不同，图像信息会受到不同的干扰，形成不同的噪声模型。例如超声图像中经常出现斑点噪声，而核磁共振图像中经常出现 Rician 噪声。因此人们根据实际图像的特点、依据噪声的不同类型和特性，发展了不同的去噪方法。从广义上讲，传统的噪声消除方法基本可归为空间域和频域两种类型。空间域法又可分为线性滤波器和非线性滤波器。线性滤波器主要有均值滤波器和维纳滤波器。均值滤波器法通过计算图像中像素邻域的强度的算术平均值来平滑图像，但该方法在虽然能有效的降低噪声，但也容易使图像中的细节信息模糊或丢失。维纳滤波器方法需要知道源图像及噪声的光谱信息，而且只能在基本信号平滑的条件下才能有效地发挥作用。非线性滤波方法主要包括中值滤波器。中值滤波器法采用相邻像素的强度中值代替该像素的强度值，该方法能有效地去除脉冲和随机噪声，但与中值滤波一样也存在细节信息丢失现象。当然随着中值滤波研究的深入又形成了加权中值滤波器开关中值滤波器。频域法则大多采用低通、带通或带阻滤波器(依据噪声的不同特性而定)来消除噪声。 基于数学形态学的图像滤波研究(2):http://www.youerw.com/tongxin/lunwen_65334.html