本文主要包括四个方面的内容:图象滤波综述;统计学习理论(SLT)和支持向量机(SVM);支持向量机在图象滤波中的应用,重点介绍学习集的选取方法;针对脉冲噪声滤波的新方法。其中第三和第四个方面是本文的特色,也是本文的主要内容。 大多数图象具有空间相关性,绝大部分相邻的象素点具有相近的灰度值。我们可以对图象建立一张二维曲面,象素点的灰度值就是该曲面的采样点。基于这样的事实,本文引入了统计学习理论和支持向量机,通过选取有限的学习样本集来预测未知象素点的灰度值。统计学习理论是小样本学习理论,而支持向量机是其思想实现的方法,在这里我们将其用于图象滤波。因为机器学习问题中对学习集的选取是很关键的,所以重点介绍了学习集的选取方法,然后在各种方法下做了实验,效果不错。这是第三个方面的主要内容。 在本文的第四部分,根据脉冲噪声的概率分布特点,提出了一种新的去除这类噪声的算法。被脉冲型噪声污染的图象,其表面呈现出很多的峰和谷,所以检测到该峰和谷时,必定与它周围的点有很大的差别。在具体实现该算法时,也是和中值滤波算法一样先选定一个模板,然后求关于该模板中心点的一阶差的绝对值。每求一个一阶差分的绝对值就和预先给定的阈值T对比,最后计算出该模板中心点周围所有的一阶差分的绝对值不小于阈值T的个数K,如果个数K不小于另一个阈值τ,就把模板中心点判断为噪声点,否则就判断为非噪声点。最后用该方法与其他算法进行了大量的对比实验和分析,结果证明我们提出的这种算法有很好的滤波效果。