您可能需要考虑更高级的技术。以下是关于边缘保留去噪的两篇最新论文：

• 通过最优色彩空间投影进行边缘保留图像去噪 [in color]本文通过将图像分解为“最优”色彩空间并执行小波收缩来保留边缘。最佳色彩空间属于亮度/色差系列（想想 L*a*b* 或 YCrCb）。

• Edge Structure Preserving Image Denoising来自论文：

我们的方法基于[跳跃回归分析]，包括三个主要步骤，概述如下。首先，边缘检测器在整个设计空间中检测边缘像素。其次，在给定像素的邻域中，通过简单但有效的算法从检测到的边缘像素估计分段线性曲线，以近似该邻域中的基础边缘段。最后，在估计边缘段的同一侧观察到的图像强度，作为给定像素，通过局部线性内核平滑程序（参见 [35]）进行平均，以估计给定像素处的真实图像强度。

（跳跃回归模型使用阶跃函数包含不连续性。主要作者有一本关于这个主题的书。）

作为起点，我将使用带有某种小波变换的非线性收缩技术（尽管它们并非特定于小波变换）。收缩规则在概念上简单、快速且易于实施，同时产生出色的结果。

前提是您想要的信号可以在某个域中表示，以便大部分能量集中在少数系数中。相反，噪声仍然分布在所有系数上（可能是 AWGN）。然后，您可以“缩小”系数 - 根据一些非线性规则减小它们的值 - 使得与对噪声的影响相比，对信号的影响很小。

小波变换是一种很好的变换，因为它们擅长将能量压缩成少量的系数。我个人推荐双树复小波变换（DTCWT），因为它具有额外的好特性。

关于该主题的 2 篇非常好的论文是this和this（均来自同一作者）。就可读性和解释的清晰度而言，这些论文是一种真正的享受。（还有一些很好的 Lenna 被降噪的照片：）

当然还有更多最近的论文，但它们通常不会比那些论文中描述的非常简单的技术增加太多的量化改进。

虽然每个信号处理挑战都没有适合所有的解决方案，但这里是一个想法：

1. 因为您试图保留边缘，所以找出它们在图像中的位置。使用精明的边缘检测器来查找图像中的边缘。
2. 扩大/增厚从图像输出的边缘的边界（每个边缘可能宽 2-5 像素）让我们称之为“掩码”
3. 反转面具。
4. 将蒙版应用于您的图像，即只让不是边缘的项目通过。
5. 应用消磁技术
6. 使用原始边缘掩码获取有边缘的图像像素值
7. 将它们放回消磁图像中

或者，您可以将消磁技术应用于整个图像，然后将未消磁的像素重新引入图像。