摘要：随着无智能化技术的发展，图像作为重要的信息广泛使用，在军事、工业、交通、农业和生活等领域均有应用，但在某特殊环境及条件下，图像质量会受到影响，无法满足后续应用的需求，所以图像去噪是图像应用的前端技术，与图像获取途径、用途直接相关，本文主要多图像的去噪方法进行归纳总结，并指出适应场合及优缺点。
　　一、空域去噪方法
　　传统的空域去噪算法有中值滤波及其改进方法、均值滤波及其改进方法及基于直方图等图像统计信息的去噪方法等。
　　中值滤波会使不同灰度的点看起来更接近其邻近点，可以很好地滤除尖峰值的脉冲和椒盐噪声，且能很好地保持图像原有边缘清晰度，然而这种做法也会改变未受噪声影响的像素灰度值，导致图像模糊，所以对含高斯和泊松噪声较多和含细节信息较丰富的图像来说效果一般，且不适合具有点、线、尖峰细节较多的图像的滤波处理，对随机噪声的抑制效果也不够理想。
　　均值滤波及其改进算法对高斯噪声具有较好的去噪能力，能够在去除噪声和保持边缘细节之间取得较好平衡。但是这类方法采用滤波窗内像素值的平均值取代中心像素的灰度值的方法进行滤波处理，没有考虑不同像素对滤波结果所做的贡献的差异，造成非噪声点的误处理，去噪的同时引起湍流退化图像边缘的“二次模糊”以及细节的退化，而且当噪声浓度较大时，滤波效果不够理想。
　　基于图像统计特征的滤波方法，如基于图像统计直方图的滤波方法和基于图像局部方差的阈值去噪方法等，根据图像的局部或全局统计特征，设置阈值将图像分成不同的区域，有针对性的进行平滑处理。杨群生提出的直方图加权均值滤波，以加权均值滤波器为基础，利用被污染图像的直方图函数作为权值进行加权运算。该方法的去噪效果因退化图像的不同而有较大差异。乔闹生提出的基于均值去噪与图像增强的方差滤波法，结合平滑低通滤波器和中值滤波器去除图像噪声，从实际的去噪效果来看，噪声去除、对比度增强和边缘保持效果都优于一般方法。
　　总结以上方法发现，单一的空域去噪算法及其改进算法虽然对单一噪声成分具有一定的去噪效果，但对混合噪声中的其他噪声成分不具有滤除作用，甚至还可能造成图像的“二次模糊”。
　　二、变换域去噪方法
　　变换域去噪算法有傅里叶变换去噪、小波变换去噪以及多尺度分析方法去噪等。傅里叶变换是频域分析的主要工具。但是，傅里叶变换假设输入信号是静态的，不能提供随时间变化的频谱信息，因此对于退化图像的去噪处理来说效果并不好。
　　小波具有良好的時频局域化、多分辨率、低熵性、选基灵活性等特点，为描述信号的奇异性提供了手段。小波阈值去噪算法中阈值和阈值函数选择的合适与否很多程度上决定滤波的性能，因此国内外研究人员将小波阈值去噪的研究重点放在阈值函数和阈值的设计上，提出了包括硬阈值及其改进阈值、软阈值及其改进阈值、折中阈值及其改进阈值等多种阈值，并结合小波阈值去噪与其他去噪方法提出了很多综合的去噪方法，取得了较好的去噪效果。
　　继小波之后，出于构建更紧致小波的考虑，多尺度分析的方法应运而生，并已在图像处理领域获得了广泛的应用，成为小波之后图像处理的主要研究领域之一。基于 Contourlet 变换的 SAR 退化图像去噪算法，充分利用各向异性理论和非下采样轮廓波变换理论的优点，在不需要选择合适阈值的情况下，有效区分边缘和噪声，处理后图像质量改善明显。基于 Curvelet 变换的图像去噪算法利用 Curvelet 变换对图像边缘的良好表征能力，结合循环平移技术构建了去噪算法框架，该算法对于随机噪声具有良好的去噪效果，对边缘具有较好的保护作用。多尺度分析去噪算法虽然有诸多优点，也存在分解层数不能自适应以及算法的实时性欠佳等问题。
　　三、正则化方法
　　正则化方法是为了解决不适定问题而被引入的。实际上，图像去噪也是一种不适定问题，因此很多学者使用正则化的方法进行退化图像的去噪处理。根据输入的信号序列使用基于正则化线性模型调节混合滤波算法的因子，解决了中值滤波在有效抑制脉冲噪声的同时模糊图像细节的缺陷。带尺度参数的正则化模型实现了正则参数的自适应优化，对模糊图像具有良好的去噪效果。利用Shearlet函数能对图像进行更稀疏表示且产生最优逼近的特性，提出了一种采用Shearlet变换域约束条件的全变差正则化算法，可以去除阈值处理后的伪吉布斯效应，在抑噪和保边缘的同时，取得了较好的视觉效果。基于马尔可夫随机场模型的自适应正则化红外背景杂波抑制算法是比较好的将正则化用于滤波处理的方法，该算法采用马尔可夫随机场建立了图像的先验概率模型，采用MRF对杂波抑制过程进行正则化处理，从而实现了对背景杂波的自适应抑制。
　　综上所述，正则化方法具有优于传统去噪算法的明显优势。但是正则化算法需要长时间迭代处理，不能保证其实时性。