小波分析與Fourier變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數(shù)）逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時間細(xì)分，低頻處頻率細(xì)分，能自動適應(yīng)時頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學(xué)方法上的重大突破。有人把小波變換稱為“數(shù)學(xué)顯微鏡”。

　　在處理噪聲圖像前 ，有 2 點是需要明確的：1）圖像受到的是何種類型的噪聲干擾， 2）受噪聲干擾的程度如何 。

? ? ? 目前這些先驗知識通常是根據(jù)主觀推測或假設(shè) ，而不是依靠圖像噪聲的客觀描述 ，在這種情況下對圖像的噪聲進(jìn)行處理往往是非常盲目的。如果將一個噪聲算法應(yīng)用到一個“錯誤”的圖像（不含噪聲的圖像或噪聲類型與假設(shè)不同的圖像）上， 結(jié)果常常是沒有意義的 。這就如同用灰度閾值分割 一個紋理圖像、用恢復(fù)算法恢復(fù)一個沒有模糊的圖像 。另外不同的去噪方法對不同噪聲的處理效果也是大不相同 。因此在圖像噪聲處理之前，對圖像噪聲的類型進(jìn)行識別與估計是非常必要的 ，同時也有助于研究圖像去噪的自適應(yīng)算法。

　　這里提出了一種基于小波域分解的類型識別方法。該方法利用噪聲圖像的小波高頻子帶系數(shù)能量分布， 對圖像中最常出現(xiàn)的兩類噪聲：高斯噪聲和椒鹽噪聲進(jìn)行識別， 并在此基礎(chǔ)上對高斯噪聲的方差和椒鹽噪聲的密度進(jìn)行了估計。對大量含噪圖像的實驗結(jié)果表明：該方法對圖像噪聲類型的識別和噪聲大小的估計都比較準(zhǔn)確.