图像在传输和采集过程中,不可避免的会受到噪声的影响。对于噪声干扰较小的图像,可以根据人们的经验识别出图像内容;对于受到噪声干扰较大的图像时,往往需要专业图像处理技术去除干扰后才能对图像进行识别。有效地消除图像噪声是图像处理研究领域中的一个重要问题。传统的图像去噪方法有基于傅立叶变换的去噪方式,由于傅立叶变换是从整个时域出发,因此在对图像的局部特征处理上显得无能为力。导致去噪后的图像中的细节特征被去除。近年出现的中值滤波、均值滤波等去噪方法,这些去噪方法虽然比传统的基于傅立叶变换能够保留部分细节特征,但是通过本文仿真结果显示,中值滤波去噪方法在处理含非脉冲型噪声图像时,仍会造成过多的细节特征丢失,均值滤波去噪方法由于采用了平滑处理,图像的边缘信息会被破坏。像低通滤波、维纳滤波也会在处理不同的噪声类型时,去噪的效果差距大,这些方法对图像的局部特征考虑的较少,去噪之后部分图像的细节信息难以得到保留。基于小波变换的去噪方式较好地弥补以往方法的局部细节特征丢失的缺陷,小波变换从图像的细节处考虑,在去除噪声的同时保留了图像的细节信息。基于小波变换的去噪方法,将待处理图像经过小波变换之后,有效地分别出图像系数和噪声系数,将其分离经过小波重构之后得到去噪之后的图像。基于小波变换的去噪方式通常有模极大值、空域法以及阈值去噪方法。其中基于小波变换的阈值去噪法是目前常用的去噪方法,主要分为软阈值、硬阈值以及改进的自适应阈值法。本文通过仿真实验得出,绘制出的软阈值、硬阈值以及现有的阈值函数去噪图存在噪声残留、图像细节特征模糊等缺点。最后,本文在现有的小波变换自适应去噪算法上,对其阈值选择函数进行改进,改进之后的自适应阈值选择函数在阈值的选择上更加稳定,经过仿真实验以及峰值信噪比数据与现有的去噪方法进行比较,改进之后的去噪图像更加清晰且峰值信噪比增加量比现有方法增加了0.9。本文中将改进的自适应阈值法应用植物图像的去噪,去噪后图像通过植物识别软件处理后,识别正确率高于传统去噪方法。