基于小波变换的医学超声图像去噪方法研究(16)

第四章 小波变换在图像去噪中的理论基础

在实际处理图像时，正交性能保持能力；而线性相位既要能较容易的处理信号边界，又要适应于人眼的视觉系统，因此处理图像的方法就必须同时具有这两种能力。传统的去噪方法只能在去除噪声的同时丢失图像的边缘细节，使得图像处理后质量下降变得模糊。而小波变换则能很好的同时达到这两种效果。小波阈值图像去噪的基本原理就是对含噪的图像进行多层小波变换，这样图像信息的小波系数的绝对值越来越大，而噪声信号的小波系数的绝对值则相对较小，然后通过适当的阈值设置，把小于阈值的小波系数去除以达到去噪的目的。

4.1 基于小波去噪的发展及现状

通常图像去噪的方法有基于频域的去噪和基于空间域的去噪两种，前者是针对全局图像的处理，如维纳滤波、低通滤波等；后者则是针对图像中某一区域的局处理，如统计滤波、中值滤波等。这两种去噪方法不是完全针对全局的频域处理，就是针对局部的空间域处理，都不能很好的相结合的进行去噪。这样就造成了不能在去噪的同时保留边缘细节特征的去噪现在。

小波变换则是一种结合时间、空间和尺度的很有效的分析方法，它弥补了傅里叶方法和其他分析方法的不足之处，因此在信号处理和图像处理等多个领域中被广泛应用。小波变换能十分有效的把信号和噪声区分开来是因为它具有良好的时频域局部化能力和多分辨率分析能力。因此小波变换能很好的处理含宽带噪声信号、非平稳过程信号及短时瞬态信号中的噪声。由此可见，小波变换在图像去噪处理中的应用是很具有前景的。

近年来，由于医学影像学在临床诊断中的泛应用使得医学图像处理得到很大的关注，特别是医学图像的去噪更是不得不处理的问题。医学图像的去噪一直都是一项特别困难和复杂的问题。医生的识别和诊断组织器官是否病变都是依据医学图像中的细节特征，所以超声图像的去噪就必须做到在去除噪声的同时保留图像的边缘细节特征。传统的超声图像去噪方法有维纳滤波、中值滤波、均值滤波、自适应加权中值滤波等。维纳滤波是经典的去除加性噪声的方法，而自适应加权中值滤波则是一种低通滤波方法，它对边缘细节的分辨率比较差。Jain运用同态维纳滤波的方法去噪，Zong