自从上个世纪七十年代开始，科学家们就提出了一些图像去噪的方法对应很多在实际中图像的特征和分布不一样的噪声。而图像去噪就是尽可能地去除图像中的噪声，从而得到有用的理想图像，而且去噪过程中还要保持原图像的重点细节与特征，努力做到不损坏。26345
因此，在数字图像处理这个畛域，图像去除噪声的技术一直是人们不可忽视的一个首要问题。对于这个热门问题，开始被科学家们进行了相关的钻研，而且后面的将近二十年里面图像去噪得到预料中猛烈的发展[3][4][5]。
人们陆续在传统基础去噪算法的后面又加入了一些新的应用，创新出来很多新的去噪算法，比如小波去噪，形态学去噪，多尺度几何变换去噪等[6]。
人们从开始关注图像去噪，就提出各种根据不同的图像和噪声特点来去噪的方法。最开始，传统图像去除噪声的技术，大致能够分成两种：空间域滤波去噪法和频域滤波去噪方法。而这些年又有人发表了很多更棒的除噪方法，接下来将会对这些方法来简单的说明一下：
1  传统的图像去噪方法
空间域滤波算法是对数字图像的像素灰度值直接进行一系列处理，它由平滑线性的空间滤波器与统计排序的非线性的空间滤波器组成。这两个都是用一定算法处理图像的邻域之间的像素灰度值，即在一定尺寸的模板下，要处理的像素点就是对应模板的中心点，然后从左到右，从上到下的让模板进行移动从而滤波处理所有的像素[9]。论文网
在线性平滑滤波器中，特别简单的就是均值滤波器，它的思路是对模板里面的像素相加取平均值，再赋给并取代中心像素的灰度值。另外还有加权均值滤波器，它采用的是对模板内的像素排序后进行加权平均，但是这两种方法易于实现并且计算速度快，但是它们在降低图像的噪声的时候也会严重的使图像细节和边缘处模糊，邻域越大就越模糊。
中值滤波器是常见的非线性排序统计滤波器，在 年被提出的。这个算法的原理就是从一个滑动模板取出中心点及其邻域里面所有像素，并给它们排序，用排序后中值替换掉模板的中心像素点的灰度值[9]。这个滤波方式能有效地随机噪声，并且比均值滤波好在它能较好的保持原始图像的一部分边沿与细节，但是因为统一的处理方式导致存在一定误差，不能完好的保持图像的细节。后来，在基本的中值除噪方法上，科学家们又发现了很多改良的算
法，各有侧重点，部分细节的模糊还是会存在[15]。
在频域的滤波方法与空间域不同的就是，频域要将图像的像素进行一系列的变换，把那些数学处理从空间域转移到频域上，再把这个反转化至空间域，之后就可以得到最后的图片。
但是这个滤波方法存在缺陷，当噪声和边缘频谱混叠相同时,图像通过滤波器会造成细节丢失，边缘模糊等现象。
2  小波和其他图像去噪方法
从上个世纪九十年代开始，科学家们不再满足于现有的空间域处理方法或者只变到单一域里面的处理效果，于是他们开始研究新的领域。
Gabor研究出一种加窗傅立叶变换方法，就是在傅里叶变换的基础上提取局部信息，在去噪效果上取得了不错的成绩。而小波去噪法就是建立在Gabor的基础上，在1984年由Mallet提出来小波函数的统一方法。因为小波函数变换低熵性，去相关性，选基灵活和多分辨率这些特点，之后小波函数的作用不止于能比较好地去噪，也在信号处理分析等领域发挥着作用。
在一文图像处理中，小波变换算法是一个里程碑一样的存在，因为它有很好的时频特性，所以可以有效的处理图像噪声。但是在自然界中，图像不可能是由单一的一文分段连续信号组成，它是有很多分割面，很多边缘。对于这种自然图片，小波变换不能有良好的处理效果，所以科学家们研究出了一种可以对二文的图像能进行很好变化的多尺度几何变换方法。这种方法对图像的水平，垂直，还有对角等方向有明显的处理优势。小波变换仅会处理点的奇异性，而多尺度几何变换能以高文函数表示下对图像的边缘和条纹有更好的处理[8]。 数字图像去噪的研究现状与发展趋势:http://www.youerw.com/yanjiu/lunwen_20482.html