一，读懂傅里叶变换1，关于两大域：时域与频域（1），频域（frequency domain）是指在对函数或信号进行分析时，分析其和频率有关部份，而不是和时间有关的部份，和时域一词相对。（2），时域是描述数学函数或物理信号对时间的关系。

叠加平均对于随机噪声具有非常强的去噪能力，本文简单对比了与小波阈值去噪算法的优劣。叠加平均去噪：反复对同一张干净的图像添加随机噪声（椒盐，乘性，高斯等噪声），进行叠加平均。小波阈值去噪：利用改进了阈值的小波阈值去噪对图像进行去噪处理，其中半阈值是改进了的阈值函数。图像信息：经典的lena图，大小256*2561，添加'speckle'噪声时，两种算法的去砸效果对比

前言在数学上，小波去噪问题的本质是一个函数最佳逼近，以完成原信号和噪声信号的区分。小波去噪方法也就是寻找从实际信号空间到小波函数空间的最佳映射，以便得到原信号的最佳恢复。

一，噪声测试效果1，不同噪声效果三幅图各噪声浓度分别是0.01 0.03,0.05（比如第一副图均是加入0.01的噪声浓度）

小波变换下的图像对比度增强技术实质上是通过小波变换把图像信号分解成不同子带，针对不同子带应用不同的算法来增强不同频率范围内的图像分量，突出不同尺度下的近似和细节，从而达到增强图像层次感的目的。       根据小波的多分辨率分析原理将图像进行多级二维离散小波变换，可以将图像分解成图像近似信号的低频子带和图像细节信号的高频子带。其中，图像中大部分的噪声和一些边缘细节都属于高频子带，而低频

首先从图像质量大的分类方法来看，可分为主管评价和客观评价！其次，客观评价又根据其对参考图像的依赖程度, 可分成三类。(1)全参考:需要和参考图像上的像素点做一一对应的比较;(2)半参考:只需要和参考图像上的部分统计特征做比较;(3)无参考:不需要具体的参考图像。其中全参考算法是研究时间最长、发展最成熟的部分1，Peak S

参考论文中的文字：图像配准是图像处理的基本任务之一,用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的关于同一目标或场景的两幅或多幅图像进行主要是几何意义上的匹配套和的过程。在对图像配准的研究过程中,大量技术被应用于针对不同数据和问题的图像配准工作,产生了多种不同形式的图像配准技术。图像配准的基本问题是找出一种图像转换方法,用以纠正图像的形变。造成图像形变的原因多种多样,例如对于遥

直方图均衡化的英文名称是Histogram Equalization. 　　图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数

一，读懂傅里叶变换1，关于两大域：时域与频域（1），频域（frequency domain）是指在对函数或信号进行分析时，分析其和频率有关部份，而不是和时间有关的部份，和时域一词相对。（2），时域是描述数学函数或物理信号对时间的关系。

各向异性扩散原理及其概述为了降低散斑噪声，1990年Perona和Malik提出了基于热扩散方程的各向异性扩散算法，由于该方法在去除噪声的同时能很好地保护边缘，因此该算法得到了广泛的应用。各向异性扩散属于偏微分方程方法，基于偏微分方程的去噪由于其对边缘及细节等的保护很好在去噪算法中得到了广泛的研究与应用。Perona-Malik扩散模型的提出引发了研究人员对各向异性扩散算法的研究热潮。1992