当前国内、外的研究动态从对图像进行滤波的过程中所采用的滤波方法来分,可分为空间域滤波、变换域滤波;从滤波类型来分,又可以分为线性滤波和非线性滤波。2002年Do.M.N和VetterliM.提出了一种“真正”的二维图像稀疏表达方法——Contourlet变换[7,8],这种变换能够很好的表征图像的各向异性特征。由于Contourlet变换能更好的捕获图像的边缘信息,因此选择合适的阈值进行去噪就能获得比小波变换更好的效果。Starck等人将Curvelet变换应用于图像的去噪过程中并取得了良好的效果[9],该方法虽然能有效的去除噪声,但往往会“过扼杀”Curvelet系数,导致在消除噪声的同时丢失图像细节。在过去的二十年里,自适应滤波器在通信和信号处理领域引起了人们的极大关注。TerenceWang等人针对二维自适应FIR滤波器提出了一种二维最优块随机梯度算法(TDOBSG)[10]。这种算法对滤波器的所有系数使用了空间可变的收缩因子。基于使后验估计方差矢量的二范数最小的最小方差准则,在块迭代的过程中选出最优的收敛因子。线性滤波器的最大优点是算法比较简单且速度比较快,缺点是容易造成细节和边缘模糊。在目前对非线性滤波器的研究中,中值滤波器有较明显的优势,很多科学工作者对中值滤波器作了改进或者提出了一些新型的中值滤波器。Loupas等人提出的自适应的加权中值滤波方法(AWMF),但他利用的Speckle噪声模型不够精确,图像细节损失较大[11]。针对中值滤波器在处理矢量信号存在的缺点,Jakko等人提出两种矢量中值滤波器[12]。近年来,小波分析是当前应用数学中一个迅速发展的新领域,它凭借其卓越的优越性,越来越多的被应用于图像去噪等领域,基于小波分析的图像去噪技术也随着小波理论的不断完善取得了较好的效果。上个世纪八十年代Mallet提出了 MRA(Multi_Resolution Analysis),并首先把小波理论运用于信号和图像的分解与重构,利用小波变换模极大值原理进行信号的奇异性检测,提出了交替投影算法用于信号重构,为小波变换用于图像处理奠定了基础[13]。后来,人们根据信号与噪声在小波变换下模极大值在各尺度上的不同传播特性,提出了基于模极大值去噪的基本思想。1992年,Donoho和Johnstone[14]提出了“小波收缩”,它较传统的去噪方法效率更高。“小波收缩”被Donoho和Johnstone证明是在极小化极大风险中最优的去噪方法,但在这种方法中最重要的就是确定阈值。1995年,Stanford大学的学者D.L.Donoho和I.M.Johnstone提出了通过对小波系数进行非线性阈值处理来降低信号中的噪声[15,16,17]。从这之后的小波去噪方法也就转移到从阈值函数的选择或最优小波基的选择出发来提高去噪的效果。影响比较大的方法有以下这么几种:EeroP.Semoncelli和EdwardH.Adelson提出的基于最大后验概率的贝叶斯估计准则确定小波阈值的方法[18];ElwoodT.Olsen等在处理断层图像时提出了三种基于小波相位的去噪方法:边缘跟踪法、局部相位方差阈值法以及尺度相位变动阈值法[19];学者Kozaitis结合小波变换和高阶统计量的特点提出了基于高阶统计量的小波阈值去噪方法[20];G.P.Nason等利用原图像和小波变换域中图像的相关性用GCV(generalcross-validation)法对图像进行去噪[21];Hang.X和Woolsey等人提出结合维纳滤波器和小波阈值的方法对信号进行去噪处理[22],VasilyStrela等人将一类新的特性良好的小波(约束对)应用于图像去噪的方法[23];同时,在19世纪60年代发展的隐马尔科夫模型(HiddenMarkov Model)[24],是通过对小波系数建立模型以得到不同的系数处理方法;后又有人提出了双变量模型方法[25,26],它是利用观察相邻尺度间父系数与子系数的统计联合分布来选择一种与之匹配的二维概率密度函数。这些方法均取得了较好的效果,对小波去噪的理论和应用奠定了一定的基础。另外,尽管小波去噪方法现在已经成为去噪和图像恢复的重要分支和主要研究方向,但目前在另类噪声分布(非高斯分布)下的去噪研究还不够。目前国际上开始将注意力投向这一领域,其中非高斯噪声的分布模型、高斯假设下的小波去噪方法在非高斯噪声下如何进行相应的拓展,是主要的研究方向。未来这一领域的成果将大大丰富小波去噪的内容。总之,由于小波具有低墒性、多分辨率、去相关性、选基灵活性等特点[27],小波理论在去噪领域受到了许多学者的重视,并获得了良好的效果。但如何采取一定的技术消除图像噪声的同时保留图像细节仍是图像预处理中的重要课题。目前,基于小波分析的图像去噪技术已成为图像去噪的一个重要方法。