在传统的图像处理中使用小波分解是一种常见的方法。经常分不清小波降噪和小波增强的区别，简单记录下二者的区别同时再记录一下小波去雾的原理。
一、小波降噪原理
信号分解
小波降噪基于小波变换。它将含噪信号分解成不同尺度（频率）下的小波系数。例如，对于一个音频信号，通过小波变换可以将其分解为低频的近似分量和高频的细节分量。
这种分解是利用小波函数的伸缩和平移特性，将信号在不同的频率段进行分析。
阈值处理
对于分解得到的小波系数，由于噪声通常在高频部分表现为较小的系数，而有用信号的系数相对较大。所以可以设置一个阈值。
当小波系数的绝对值小于这个阈值时，认为这个系数主要是由噪声引起的，将其置为零或者进行收缩处理；当小波系数的绝对值大于阈值时，则保留或者进行适当调整，认为其包含有用信号成分。
信号重构
经过阈值处理后的小波系数，再通过小波逆变换重构出降噪后的信号。
3.信号重构
经过阈值处理后的小波系数，再通过小波逆变换重构出降噪后的信号。
二、 小波增强原理
小波变换分析
小波增强同样先对信号进行小波变换，得到信号在不同尺度下的小波系数。但是，这里的重点不是去除噪声系数，而是分析信号的特征。例如，在图像增强中，通过小波变换可以清晰地看到图像的边缘、纹理等特征在不同尺度下的小波系数分布情况。
系数调整
根据信号增强的目标，对小波系数进行调整。如果是增强图像的边缘，可能会对对应边缘特征的小波系数进行放大操作。而对于一些不重要的系数（可能是平滑区域的系数），可能会进行适当的抑制。
信号重构
调整后的小波系数通过小波逆变换得到增强后的信号。
总的来说，小波降噪主要是去除噪声，重点在于区分噪声系数和有用信号系数并去除噪声系数；而小波增强主要是根据信号特征对系数进行调整以增强某些特征，二者目的和处理系数的方式存在差异。
三、小波去雾原理
雾的形成模型
在图像去雾中，雾的形成通常可以用大气散射模型来描述。这个模型为\(I(x)=J(x)t(x)+A(1 - t(x))\)，其中\(I(x)\)是观测到的有雾图像，\(J(x)\)是无雾的场景辐射率（也就是我们想要恢复的图像），\(A\)是大气光值，\(t(x)\)是透射率。
基于小波的处理
小波变换被用于估计透射率\(t(x)\)等参数。首先对有雾图像进行小波变换，在不同的小波子带上分析图像的特征。
例如，通过在小波域中利用图像的局部对比度等信息来估计透射率，然后根据大气散射模型反推得到无雾图像\(J(x)=\frac{I(x)-A}{t(x)}+A\)。
与降噪不同的是，去雾主要是针对图像的退化模型（由雾引起的图像质量下降）进行处理，而降噪是针对信号中的噪声干扰进行处理
