如处于绝对零度以上的导体中的热噪声，通过势垒的载流子构成的散粒噪声等。每种噪声都
有适合它自己的去噪方法[2]
。图像经过去噪处理后，能提高清晰度，获取更多细节信息，从
而获得更多关于目标的情报。微光技术在军事上用途广泛，经过去噪后从图像上获得尽可能
多的信息尤为重要。因此，研究微光图像去噪技术意义重大。
传统的去噪法是空域滤波方法，常见的有均值滤波，中值滤波，文纳滤波等。常规方法
去噪时会引起图像边缘模糊，而保留边缘特征时，又会导致去噪不彻底[3]
。寻找能够兼顾去
噪效果和边缘特征保留的去噪方法是图像处理领域的重点课题。
近年来，小波理论发展迅速，而且由于它具有良好的时频域局部化特性和多分辨率特性，
使得它在图像处理的各种领域都得到了广泛的应用。在图像处理领域中，小波理论深受很多
研究人员重视，他们提出了各种关于小波的去噪理论，并获得了良好的效果。
1.2 国内外研究现状
人们根据自然图像的自身特点及噪声的分布规律，发展出了各种各样去噪的方法。主要
的思想是，噪声能量一般处于高频段，而图像的信号能量处于低频段，将信号通过一个低通
滤波器，就可以滤除高频的噪声分量，从而达到去噪目的。常用的滤波器有均值滤波器，中
值滤波器，文纳滤波器等[4]
。
目前，有很多关于数字图像处理的方法。其中，空域相关的滤波方法是数字图像处理的
一个较大分支，经过了多年的发展，形成了许多比较系统和完善的算法。基本思想都是用一
个窗口，将窗口内的各个像素值通过某种算法计算得到中央像素的灰度值。但是，这种方法
在去除噪声的同时，也会平滑图像的细节部分，从而导致图像变得模糊[5]
。针对这种情况，
人们提出了非线性的滤波算法，典型的像中值滤波，它能有效地抑制椒盐噪声，而且对图像
的细节也有较好的保护作用。从根本上讲，图像去噪都是靠低通滤波实现的。但是，低通滤波方法在去除高频噪声的
同时，也会滤除同样处于高频的图像边缘信息。所以，对各种图像去噪方法的研究，实际上
就是对去噪和高频信号保留之间的权衡[6]
。
小波分析在图像处理领域所表现出的优势和潜力，使得它成为这几年研究的热点，并且
取得了很多成果。小波去噪的本质是函数逼近，将小波母函数通过伸缩和平移，形成函数空
间，根据具体的准则，逼近原函数，区分噪声和信号。小波去噪法和空域滤波法的不同是，
小波法在去除噪声的同时，还能一定程度地保留图像的边缘信息，因此，小波法是低通滤波
和边缘提取的结合。
在传统方法中，通过某些方法对细节信息进行提取，以缓解低通滤波造成的细节信息丢
失，这点与小波法相类似。但是小波法能保留边缘特征，是因为小波变换的多分辨率特性。
图像经过小波变换后，有用信号的系数较大，而且相邻尺度间相关性较大，所以很容易进行
细节信息的提取和保护。而且和传统滤波方法比较，小波的数学背景很强，容易对信号进行
系统的理论分析。
1.3 本文内容安排
本文主要是用小波法对图像去噪进行研究， 并使用Matlab软件进行编程实现相关的算法。
本文一共分为四个部分，内容安排如下：
第一章是绪论，主要介绍微光图像去噪的选题背景和研究意义，国内外研究现状，及本
文的内容安排。 Matlab微光图像去噪技术研究与实现(2):http://www.751com.cn/tongxin/lunwen_18771.html