图像滤波和恢复是图像处理的一部分,近几年来一直是人们研究的焦点和热点,它在数字图像处理过程中占有非常重要的地位,被广泛应用于卫星遥感图像、医用图像处理、军事、公安等等与国民经济密切相关的各种领域。图像在获取和传输的过程中,图像传感器的失真以及传输信道中的各种干扰,都会带来大量的噪声,使图像降质、退化。椒盐噪声就是其中最常见、最典型的一种,本文研究的图像恢复方法主要是针对的噪声形式是椒盐噪声。图像恢复有很多经典方法,像逆滤波法、维纳滤波法、最大熵恢复、迭代盲反卷积等。然而,传统方法在解决函数逼近问题时存在着不足,神经网络是一种大规模非线性系统,因为其高速的并行计算能力、鲁棒性和自适应学习能力在这方面显示出优势。模糊集合理论模仿了人脑可以理解由感知器官提供的不精确和不完整的传感信息的功能,并且由于模糊系统与神经网络在功能和结构上有很多相似与互补之处,它们能够很好地结合在一起组成模糊神经网络,从而拓宽各自的应用领域。传统的椒盐噪声滤除方法通常会导致图像细节上的模糊,鉴于此,本文提出了两种基于神经网络的图像恢复方法,一种是RBF神经网络的图像恢复方法,另一种基于模糊神经网络的图像恢复方法。基于RBF神经网络的图像恢复方法是利用了神经网络具有很好的模式分类的性能,构造了一个噪声识别器,能够有效地检测出图像中被噪声污染的像素,从而较好的保护了图像的细节,改善了图像恢复的效果。基于模糊神经网络的图像恢复方法是一种利用模糊神经网络对边缘图像、中值滤波图像和退化图像进行图像数据融合的方法。仿真实验结果表明,本文所提出的两种方法都能够在滤除椒盐噪声的同时,很好地保护图像的细节。