图像去噪贯穿整个图像处理的发展历程，图像去噪的发展和进步促进了图像 处理的发展，当图像处理研究更加深入，又对去噪技术提出了新的要求，图像去 噪技术发展到现在，已有多种不同类型和不同特点的去噪方法。通常，我们根据 具体噪声的特点来决定采用何种去噪方法，总的来说，主要方法分为两大类：空 间域法和变换域法。77736

空间域法是指对像素点灰度值进行计算、统计等处理，该方法一般分成线性 和非线性两种。线性滤波算法通常把图像分为邻域相同的若干个窗口，然后对每 一个窗口进行算术运算，进而得到该窗口中心点的像素值。均值滤波就是常用的 空间域线性滤波算法，它先根据一定规则确定像素点的邻域窗，然后计算出每一 像素点邻域窗内所有像素点的平均值，然后用它代替该像素点原来的灰度值，从 而达到图像平滑去噪的效果。空间域线性滤波算法对去除高斯噪声等加性噪声效 果很好，但缺点是会使图像的边缘和细节变得模糊。非线性滤波将某一像素邻域 窗中的像素值按照一定规则排序，然后按某种确定方式选出其中一个作为该像素 的灰度值，从而达到滤波去噪目的。中值滤波等根据统计规律进行平滑去噪的方 法是最常用的空间域非线性滤波算法。非线性滤波法对于随机噪声（如椒盐噪声） 有良好的去噪效果，但这种方法对噪声类型有严格限制，因此不具有普遍适用性。

变换域方法利用噪声和原始图像在变换域中所展现的不同特点和性质来区 分图像和噪声，进而通过一定手段将噪声滤除的方法。常用的变换方法有傅里叶 变换、沃尔什-哈达玛变换、哈儿变换以及小波变换等[1]。这类算法都是先把图 像变换到变换域，然后根据噪声和图像的的特点，然后尽量抑制代表噪声的变换 系数，保持代表图像的噪声系数，再通过反变换将其变换回来，这样就可使达到 去噪的效果。傅里叶变换和离散余弦变换都是把图像变换到频率域，由于噪声的 随机性和突变性，因此频率较高，通过一定手段滤去高频成分，噪声也就随之去 除。但问题是，部分图像信息，如图像的细节等变换较快的部分也位于高频段， 在滤除噪声的同时，这些高频信息也将受到抑制，从而丢失，造成图像细节模糊 等问题。小波变换近年来发展迅速，其主要思想为，用小波基函数来逼近原函数， 然后根据噪声和图像在小波系数上的差异，抑制噪声、保留图像，从而达到去噪 目的。可以看出，上述各种方法虽然可以滤掉一部分噪声，但都会造成图像纹理细 节的破坏以及信息的丢失。因此，探索一种既能滤除噪声，又能保留细节纹理的 去噪算法，就成了图像平滑去噪和增强的研究重点。论文网

非局部算法是一种新兴的算法，该算法是根据图像中含有大量冗余信息这一 特点进行图像去噪处理。通常情况下，在二维图像空间的不同位置上，会有很多 灰度值非常相近的区域，根据这些区域处于图像中不同位置的特点，该算法被称 为非局部去噪法[1]。非局部均值法先是在整幅图像中检索与当前处理图像块相似 的所有图像块，然后按照一定方法确定其相似度，进而确定其权值，最后对所有 相似图像块进行加权平均，用其均值代替当前像素点灰度值。由此可以看出，非 局部均值算法不仅仅利用邻域点，而是在整个图像中搜索和运算，改善了局部算 法的局限性，因此该算法能够很好地保留图像的细节信息。