变换域去噪技术

       变换域去噪的基本思想是先将图像从空间域变换至某个变换域中，随后再对变换域中的稀疏进行处理，最后通过反变换回到原始空间域来达到去除噪声的目的。典型的方法有小波变换去噪和多尺度分析去噪。

1.小波变换去噪

       小波变换去噪是将图像变换到小波域，利用图像和噪声在小波变换下的不同特性，对小波稀疏进行处理，通过最大限度地保留图像信号的系数而减少噪声系数来除去噪声。常见的小波去噪方法有模极大值法、系数相关法和系数收缩法等。

（1）模极大值法

       模极大值重构方法利用信号与噪声的小波变换模极大值的不同特性，通过剔除那些幅度随尺度减小的噪声模极大值点，保留幅度随尺度增大的信号模极大值点，来除去噪声[1]。这类方法可以较好的去除白噪声和脉冲噪声，但是重构时需进行复杂的交替投影，容易造成重构信号的偏差。

（2）系数相关法

       系数相关法是利用各尺度下小波系数的相关性来去除噪声的方法[2]。信号经小波变换之后，其小波系数在各尺度上具有很强的相关性，在边缘处的相关性更加明显，而噪声对应的小波系数没有这种相关性。根据这个规律，系数相关方法对系数进行区分和取舍，从粗尺度到细尺度逐步搜索信号的主要边缘，然后直接重构得到恢复信号。

（3）系数收缩法

       该方法以信号能量为依据，认为信号的能量可由一小部分小波系数表示，信号对应的系数数目较少，且幅值较大，而噪声对应的系数是一致分布的，个数较多，但幅值小[3]。基于这个思想，该方法通过选取一个合适的阈值，对小波分解后各层系数进行阈值处理，来除去噪声。

       阈值处理的方式有硬阈值和软阈值。硬阈值处理只保留较大的小波系数，将较小的小波系数置为0，这样只保留了部分细节信息，但容易产生伪吉布斯现象；软阈值处理将较小的小波系数置为0，对较大的小波系数向0作收缩，这样可以得到比较光滑的图像，但容易丢失边缘信息。小波系数收缩法计算速度快，被广泛使用。但是该方法的去噪效果依赖于阈值的选取，如果选择不当便容易将小的信号和噪声一起去除，造成失真。

2.多尺度分析去噪

       多尺度几何分析利用图像自身结构的几何正则性，能很好地表示图像中的直线、曲线等高维奇异特征，从而客服了小波分析的不足。多尺度几何分析在保证较低均方误差的同时，实现了对图像数据的精简表示，表现出较强的去噪潜力。

 

参考文献：

[1] S.Mallat,W.L.Hwang.Singularity detection and processing with wavelets.IEEE Trans. Inform.Theory,1992,38(2):617-643

[2] Y.Xu,B.Weaver,D.Healy.Wavelet transform domain filters:a spatially selective noise filter ration technique.IEEE Trans.Image Process,1994,3(6):747-758

[3] D.L.Donoho.Denoising by soft thresholding.IEEE Trans.Inform.Theory,1995,41(3):613-627