摘 要由于人口数量增加，有限的陆地资源变得难以满足社会迫切的发展需要。随着科学技术的快速发展，海洋逐渐变成了一个新的发展空间。而水下图像是对海洋资源的研究的主要手段，在研究和探索海洋区域方面有非常大的影响。由于复杂的水下因素影响，水下图像的成像环境条件非常恶劣，在水中得到的图像一般被掩埋在许多噪声中，很难得到比较清晰的显示成果。本文着重研究针对水下图像的小波阈值去噪算法。首先使用了中值滤波方法对图像作预处理，有效去除了脉冲噪声。同时，考虑到水下图像的噪声特点，提出了一种局部化小波自适应阈值的去噪方法，它不仅能有效保留图像局部细节及边缘，还能克服Gibbs现象。该算法基于局部化信息和层间相关性理论，把图像划分成各个子块，对小波系数分块分类处理。通过调节全局阈值得到子块阈值，同时利用局部信息对图像进行选择性的去噪处理。然后在局部化小波自适应阈值去噪算法中加入自适应的环节,对不同尺度的子带，赋予不同的阈值，以确保去噪后的信号是对原始信号最优的估计。
目录
摘 要 I
ABSTRACT II
目录 III
第1章 绪论 1
1.1 问题的提出及研究意义 1
1.2 小波去噪研究概况 1
1.3 论文的工作及组织形式 3
第2章 水下图像的成像特点 4
2.1 水的光学特性 4
2.2 水下图像噪声分析 6
2.3 本章小结 7
第3章 小波理论与经典去噪方法 8
3.1 常见的图像去噪算法 8
3.2 中值滤波相关理论及算法 9
3.3 小波理论基础 11
3.4 小波去噪方法分类 15
3.5 图像去噪质量评价标准 16
3.6 本章小结 17
第4章 局部化自适应阈值去噪 18
4.1 小波阈值图像去噪原理 18
4.2 图像的分块阈值 19
4.3 自适应性能分析 20
4.4 仿真实验分析 22
4.5 本章小结 23
第5章 总结和展望 24
第1章 绪论
1.1 问题的提出及
 *51今日免费论文网|www.jxszl.com +Q: %3^5`1^9`1^6^0`7^2# 
研究意义
近年来，社会生产力正快速发展，人口也在不断增多，然而，由于有限的陆地资源和空间的限制，环境越来越难以满足人们日益增长的需求。而海洋占了地球表面积的71%。在海洋里，有着丰富的生物资源和油气矿物资源还有旅游资源，这些储量巨大的资源和能源对人类的发展意义重大。
无人水下航行器(Unmanned Underwater Vehicle,简称UUV)是探索开发海洋的重要手段之一。水下航行器分为载人水下航行器和无人水下航行器，它是一种在水下航行的航行体，UUV的作用有水下勘探、水下侦测等，甚至是军事领域的任务UUV也可以完成。美国对UUV的研究可以追溯到上世纪60年代，早期的UUV主要用于例如水下勘探和沉船打捞等领域，后来随着科学技术的不断发展，水声通信、导航等技术取得了重大的突破，UUV开始出现在军事作战领域和民用领域，并占有一席之地[1]。由于经济发展的需要，商用用途的UUV也不断开始发展和壮大。我国的海洋资源极为丰富，是一个海洋大国，因此成熟的海洋技术将会给我国的经济和军事发展带来很大的益处[2]。
在水下航行器进行探测的过程中，为了局部导航或是观察海底地貌特征，通常会用到光学传感器，因此在水下采集到的图像是UUV的主要信息来源。但是由于受到复杂的水下环境的限制，水下的能见度还是很低，就算在纯水中也只有约为十几米，而在混浊的水中甚至只有几米[3]，就算使用光学摄像头，帮助也不大。光在水下传播时会被大量吸收能量，这将严重影响图像质量。海洋中存在着鱼、虾、海藻之类的生物以及悬浮颗粒等，这些都将会产生各种噪声，导致水下图像被受到噪声的严重影响。由于海洋中能见度低，不得不使用探照灯来提高水下能见度，但这也会引起后向散射变得更严重而降低图像的清晰度。由于水分子和海洋中的大量悬浮颗粒物对光有散射与吸收作用，光线在水下传播时存在着强烈衰减。大部分光能因水对光的吸收作用而损失掉，这种情况使水下摄影、摄像变得更加不便了[4]。因此，对水下图像作降噪处理，还原出其真实面貌是一项非常有必要且极具挑战性的工作。
1.2 小波去噪研究概况
如今，信息行业已然成为了社会上的一个热门行业，多媒体和计算机技术正不断飞速发展，社会中的各个领域都离不开信息，而通过图像就可以获取信息。科学技术不断创新，图像处理也被越来越广泛地应用。但是，在生成和传输图像的过程中，难以避免在某些环节出现干扰或噪声，这将严重影响图像的视觉效果，使得人们对拍摄到的水下图像产生一定程度的误解[5]。因此，能够很好地将含噪图像所含噪声除去，是水下图像研究的关键步骤。
经过数年发展，已存在多种不同的水下图像降噪算法，但是一些传统的方法其去噪效果并没有那么好[6]。而小波变换之所以能够成为热门的图像处理方法，正是由于其具有良好的局部化分析特性和多分辨率分析特性。针对水下图像中含有的噪声特性，很适合用此方法进行处理。在小波分析方法应用到图像去噪领域之前，在传统的去噪方法中，噪声被看做是高频分量，再通过一个低通滤波器噪声滤去。可是，图像中的目标边缘也被认为是高频分量，把噪声滤去之后也会使图像的细节部分变得不清楚。由于小波分析方法具有时频局部化特性、多分辨率特性、解相关特性和选基灵活特性，在图像处理等方面被广泛应用[7]。
近几年，小波去噪这个理论出现得很频繁，在信号分析处理的有关书刊中经常能被看到，一种新的去噪思想就此形成。在以前的关于信号的分析研究中，已经有学者发现了信号与噪声在不同尺度表现不一样这一特点，而小波变换能够作为较为理想的工具，利用该性质对信号与图像进行处理，且处理效果较为理想。
小波去噪方法的发展可概括为以下几个阶段：
第一阶段，利用了去相关性的特点，在小波分解后的不同层采用不一样的阈值，主要代表方法有SUREShrink方法和VisuShrink方法等；
第二阶段，根据小波系数的统计特性，对其萎缩自适应进行改变，即任意小波系数所用阈值都不一样，选择使用局部领域估计法对原图像的小波系数作出方差估计，主要方法有LawmlShrink、AdaptBayesShrink等；
第三阶段，用到了层间和层内小波系数的相关性，提出了多元小波阈值函数，在降噪的时候尽可能保护图像的细节部分及边缘信息，并把小波变换与其他方法结合起来对图像进行处理，主要代表方法有小波的BivaShrink方法等[8]。
如今，人们仍热衷研究小波去噪的方法，新的方法也在不断出现，不仅如此，现在主要的研究方向为怎样尽可能利用信号的先验信息来确定合适的阈值，使去噪的效果变得更好。后来还出现了基于最大后验概率的比例萎缩法等新方法，在此之后，小波去噪的内容变得更充实了。
1.3 论文的工作及组织形式

原文链接：http://www.jxszl.com/jsj/wlw/47813.html