成功影响大。当比较算法，研究人员不省略这些比较，这是非常重要细节。几个文件没有指定小波分解层次不小波变换被提到。据预计，未来研究将重点建设非正交小波系数根据其内规模强大统计模型和尺度间相关性。这样模型可以有效地用于图像去噪和压缩。中文字外文资料,中文字外文资料平，开始阈值和小波分析选择对收缩率影响较大成功程序。当比较算法，这是非常重要是研究人员不省略这些比较详细。几个文件没有指定小波分解层次不小波变换被提到。据预计，未来研究将集中在建筑非正交强大统计模型基于帧内小波系数间尺度相关。这种模型可以有效地用于图像去噪和压缩。小波系数统计建模这种方法侧重于些更有趣，更吸引人特性，小波变换等多尺度小波系数之间相关性，当地相关之间附近系数等这种方法有个内在目标，完善利用小波变换图像数据精确建模。小波系数统计特性个很好回顾，可以发现在文献和。下面两个技术利用小波系数统计特性。边际概率模型些研究人员已经开发出了同质化概率模型在小波域图像。具体来说，小波系数边际分布高度峰值，在零和沉重尾巴通常有个明显峰值。高斯混合模型和广义高斯分布常用小波系数分布进行建模。虽然是更准确，是简单使用。作者提出了种方法，在该方法中，对小波系数被认为是条件独立零均值高斯随机变量，与建模为同分布，高度相关随机变量方差。个近似最大后验概率规则是用来估计边际先验分布小波系数差异。上面提到所有这些方法都需要个噪声估计，这可能是在实际应用中难以取得。西蒙切利和阿德尔森采用双参数广义拉普拉斯分布形象，这是从嘈杂观测估计小波系数。等人提出了利用图像去噪自适应小波阈值，通过模拟小波系数广义高斯随机变量，其参数估计本地即，在个给定居委会。联合概率模型隐马尔可夫模型模型是有效在捕捉尺度间依赖关系，而随机马尔可夫场模型更有效捕捉尺度内相关性。当地复杂性结构不是由随机马尔可夫描述高斯密度而隐马尔可夫模型可以用来捕捉高阶统计量。相关系数在相同规模，但居住在个邻里建模隐马尔可夫链模型，为相关之间系数在链模型隐马尔可夫树。旦捕获相关由模型，期望最大化是用来估计所要求参数，从这些，去噪信号从嘈杂观察使用估计已知地图估计。个模型进行了描述每个邻域小波系数描述为个高斯比例混合，个高斯随机向量乘积，和隐含独立随机标量乘法器描述了集群联合密度小波系数作为个高斯混合尺度，和开发了种最大似然解决方案从嘈杂估计相关小波系数观察。另种方法，使用个马尔可夫小波系数随机场模型扬森和提出。个缺点是训练计算负担阶段。为了克服这种计算问题，提出了个简化模型，命名为。数据自适应变换最近，个新方法称为独立成分分析已经获得了广泛传播注意。方法在去噪非高斯数据被成功实现。使用个特殊优点是它信号非高斯假设帮助去噪图像非高斯以及高斯分布。基于缺点方法相比，基于小波变换方法计算成本，因为它采用了滑动窗口，它需要无噪声数据或样品同场景至少两个图像帧。在些应用程序，它可能很难获得无噪声训练数据。讨论去噪算法性能评价是使用性能定量措施，如峰值信噪比，测量信噪比以及在图像视觉质量，许多现有技术假设是高斯噪声模型。在现实中，这种假设可能并不总是正确，由于不同性质噪声源。个理想去噪过程需要个先验知识噪声，而个实用程序可能没有所需信息，对噪声或噪声模型方差。因此，大多数算法假设已知方差噪声和噪声模型来比较不同算法性能。高斯不同方差值噪声自然图像添加到测试算法性能。并非所有研究者使用高值方差测试算法性能在噪声与信号强度。在过滤使用受到了限制，在提供数据稀疏表示，由于其自身局限性。小波变换是最适合性能由于其性质，如稀疏，多分辨率和多尺度性质。除了性能，计算复杂性问题也必须考虑。阈值技术用于离散小波变换是最简单实现。非正交小波和多小波如在他们计算个大开销为代价提高性能。基于隐马尔可夫模型方法似乎是有前途，复杂。在利用小波变换，内森强调问题如原分辨率选择规模水平，开始阈值和小波分析选择也在收缩过程