算法流程： 1. 指定k的值。 2. 使用一个NxN的模板取出图像中部分值。 3. 选取模板中前k个与中心点像素值最相近的像素。 4. 对步骤3中得到的k个像素值求平均。 5. 用步骤4求出的平均值替换模板中心点像素值。 6. 移动模板，重复步骤2，直到模板不能再继续移动。 此外，该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

图像二维统计滤波步骤如下： 1. 使用一个NxN的模板取出图像中部分值。 2. 将矩阵内的元素按升序进行排序。 3. 取出排序后序列的第k个值。 4. 使用第k个值替换模板中心点像素值。 5. 移动模板，重复步骤1，直到模板不能再继续移动。 在3x3模板中，当指定k=1时为最小值滤波，指定k=5时为中值滤波，指定k=9时为最大值滤波。 此外，该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

非局部均值滤波步骤 1. 指定邻域窗口半径d，搜索窗口半径D，高斯函数平滑参数h。 2. 扩展图像边界，保证邻域窗口不越界。 3. 在扩展图像中取邻域窗口W1。 4. 限制搜索窗口的边界，保证可移动的邻域窗口W2不越界。 5. 邻域窗口W2在搜索窗口内滑动，当W2与W1重合时跳过。 6. 在W2滑动过程中使用下述公式计算权值： 其中V(x)和V(y)分别是以x,y为中心的邻域矩阵。 邻域间的距离 与归一化系数Z(x)可用下式计算： 7. 当W1中心像素值遍历到搜索窗口最后一个像素点处时，计算移动的邻域窗口W2内像素的加权和。 8. 将步骤7中的加权和除以Z(x)进行归一化，并替换邻域窗口W1的中心像素值。 9. 移动邻域窗口W1，重复步骤4，直至邻域窗口W1不能再移动。 此外，该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

图像去噪追求的目的是既能去除图像中的噪声，同时又能较完整的保持图像的细节信息。在研究几种基于中值的椒盐噪声去除方法基础上，设计了一种有效去除图像椒盐噪声的开关中值滤波器。提出的算法首先利用图像灰度值的两个极值把像素点分为信号点和可能噪声点。在滤波阶段，对于信号点保持其灰度值不变， 对于可能噪声点分两步进行处理: 根据噪声密度决定滤波窗口尺寸并判断滤波窗口内是否包含信号点，如果无信号点则以窗口内像素的中值作为可能噪声点的恢复值，这一步可对误判噪声点进行纠正; 而其余可能噪声点采用极值舍弃滤波和递归滤波估计其灰度值，滤波窗口尺寸固定为3×3，这一步用来去除噪声和保持图像细节。实验结果表明，本文算法在主客观方面都优于相比较的方法，且对不同水平的椒盐噪声都具有较好的去除性能。

Matlab源代码，程序内有实例调用，非常方便初学者使用。同时便于理论的学习

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

视频图像去噪算法概述.doc

基于形态学的权重自适应图像去噪,matlab2021a测试或者高级版本测试。

利用非下采样Contourlet变换（NSCT）平移不变性、多分辨率、多方向的优点，提出了一种基于非下采样Contourlet变换的子带自适应Bayes阈值图像去噪算法。该算法将源图像分解至NSCT 变换域， 能根据不同尺度、不同方向的子带能量，自适应调整去噪阈值。实验表明，与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比，该算法在图像去噪上能获得更好的视觉效果和更高的峰值信噪比。

搜索窗口大小的选择很关键非局部均值 (NLM) 算法中的问题。 小号的选择平滑或均质像素的搜索窗口大小区域限制了去噪效果，因为只有一个少量的相关像素，而选择大的位于非平滑或过渡中的像素的搜索窗口大小由于更多的贡献，区域降低了去噪质量以及更多不相关的像素。 所提出的算法选择每个像素的最佳搜索窗口大小，基于灰度级差异体现了地区的特点。 在标准图像上的实验结果表明，所提出的算法在性能上优于传统的NLM算法PSNR 和视觉质量。 它还保留了图像细节例如在较高噪声级别的图像中的边缘和纹理。