第4章 实验与仿真
混入高斯噪声 101_8.tif 软阈值 77.6463 硬阈值 77.7219 软阈值 78.0720 硬阈值 77.5937 77.4634 表4.7(a) 椒盐噪声下的两类算法对比分析(109_6.tif) 图像名称 混入椒盐噪声 Donoho 软阈值 72.2130 Donoho 硬阈值 70.3915 Birge-Massart 软阈值 76.9254 Birge-Massart 硬阈值 74.4105 79.5638 中值滤波 109_6.tif 图像名称 混入椒盐噪声 101_8.tif 表4.8(b) 椒盐噪声下的两类算法对比分析(101_8.tif) Donoho 软阈值 71.6984 Donoho 硬阈值 69.9901 Birge-Massart 软阈值 77.0205 Birge-Massart 硬阈值 74.1302 80.0325 中值滤波 通过上表可以明显看出，对于指纹图像加入高斯噪声和椒盐噪声，通过对比均方差值发现，在处理椒盐噪声混入的指纹图像，采用经典算法能够更好的保留图像的像素点，有效的去除大量的椒盐噪声；对于高斯噪声的指纹图像处理，小波变换算法能够取得更好的效果，较经典算法比较，不易使图像变得模糊，能够有效的解决图像噪声问题，因此，建议在处理混入高斯噪声的图像去噪算法中采用小波变换的方法，在处理混入椒盐噪声的图像去噪算法中采用经典算法中的中值滤波算法。
21
第4章 实验与仿真 结 论
本文的主要工作集中在指纹图像的预处理阶段的指纹去噪阶段，本文的目的就是通过去除混入指纹图像中的不同类型的噪声，为后续的指纹图像二值化和细化提供一个较好的指纹图像，提高指纹图像后续处理如特征提取、匹配等操作的准确性
本文首先对指纹图像去噪的背景意义进行了详细的说明，简要的介绍了本文算法在实际中的需求与重要性，然后通过广泛的资料查询与收集，整理编写了指纹图像去噪的国内外研究现状。然后通过大量论文的查阅从理论角度学习了经典指纹去噪算法以及目前效果最好的小波变换去噪算法，掌握了目前指纹图像去噪的过程中，各种算法的理论基础，去噪原理以及实际的运用方式，然后在此基础上进一步对经典算法和小波变换算法进行仿真实验验证，在仿真过程中进一步验证了之前的理论推理，同时利用国际指纹库，用实际的方针结果图给出详细的说明，进一步验证了经典算法和小波变换算法在指纹图像去噪处理过程中的有效性和优劣性。
22