Curvelet变换用于图像去噪可以较好地保留图像的细节信息，但在边缘处会产生“划痕”现象。采用全变差法进行去噪能保持边缘形状不变，但也会丢失图像的纹理等细节信息。为了充分利用两种方法的优点，将Curvelet变换和全变差相结合提出了一种有效的图像去噪方法。首先，对含噪图像分别进行Curvelet阈值去噪和全变差去噪。然后，将两幅去噪图像进行Curvelet融合，对于低频系数和高频系数分别采用加权平均和绝对值取大的融合算法。最后，将融合后的低频系数和各尺度高频系数进行Curvelet反变换得到融合后的去噪图像。实验表明，该方法能有效地降低图像噪声，又尽可能地保留图像的细节，其去噪效果明显优于单一Curvelet阈值法和全变差法。

针对红外图像对比度低、噪声大等特点,提出一种基于Contourlet变换的红外图像非线性增强算法。Contourlet变换是一种有效的方向多尺度变换分析方法,能在任意尺度上实现任意方向的分解。首先采用Contourlet变换对图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数。引入非完全贝塔函数对低频子带系数进行处理,提升图像整体对比度;采用非线性增益函数对各带通方向子带系数进行处理,通过估计噪声水平设定阈值,抑制绝对值小于阈值的系数,增强大于阈值的系数。最后经Contourlet逆变换得到增强图像。实际实验结果表明,该方法可以有效地增强低对比度红外图像,无论是在视觉效果上还是在图像对比度评估值定量指标上均明显优于直方图均衡化、小波变换增强等方法,且能保持更多的图像轮廓特征,克服了这些方法对噪声增强过度和图像细节增强不足等缺点。

提出了一种新的基于多个小波基的图像融合去噪方法.首先利用多个不同的小波基对含噪图像进行阈值去噪,得到多幅恢复图像.然后对这些图像采用小波融合方法进行融合.对于低频系数采用基于边缘的融合算法,在多幅恢复图像中选择最有可能是边缘的点加以保留;对于高频系数,采用了平均的融合算法.最后得到一幅去噪图像.实验结果表明,无论是在视觉效果上还是在峰值信噪比定量指标上该方法去噪效果均明显优于单一小波基去噪.