本文主要的内容是对图像的去噪技术做一个简单的介绍。全文对图像去噪技术进行了概述，包括噪声的概念和去噪原理，并对一些基本的图像去噪方法做了介绍。由于时间关系，并且这是导论课程的论文作业，就没有进行深入细致的研究。

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

基于形态学的权重自适应图像去噪，图像信息的保持，图像边缘的提取，图像骨架的提取，图像的处理效率，数学形态学图像处理。

图像去噪，自适应门限中值滤波器代码，实现在matlab开发环境

matlab的图像去噪 选择lena作为测试，添加高斯白噪声进行去噪验证

针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声，对于脉冲噪声得不到好的降噪效果的问题，提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。仿真实验结果表明，结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善，从而证明了该方法的有效性。

在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。 本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出：均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；维纳滤波对高斯噪声有明显的抑制作用；对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性，将小波系数的概率分布建模为一种自适应高斯混合模型，在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明，利用该方法进行图像去噪能够取得良好的效果，同时可以有效地保留图像的细节。

第六章 总结与展望 54 和基于字典学习和自相似性正则的图像去噪方法，以上方法均是在理想状态下进 行的，虽然得到较好的去噪效果，但存在算法运行时间过长的问题，其主要费时 环节是非局部自相似权重参数的计算。所以在实际应用中需要考虑到非局部自相 似权重参数计算的优化问题，即不但要获得高质量的恢复图像，还要加快去噪进 程，提高实用性。此外，在稀疏表示求解实际问题方面，还有很大的改进与应用 空间，例如，选择字典学习和稀疏分解算法的最优组合，找到一种最优的学习 APBT 类字典的方法，如何充分利用图像局部结构信息和非局部自相似性信息进 行图像去噪或者其他的图像应用，如何提高图像去噪的运行速度，如何将稀疏表 示和自相似性有效应用到乘性噪声的情况。总之，基于稀疏表示和自相似性的图 像去噪方法研究还有很多内容有待进一步探索。

去噪声代码matlab MWCNN图像降噪 Pytorch中多级小波-CNN图像复原的实现 Matlab代码： 引文： 刘鹏举，等。 “用于图像复原的多级小波-CNN”。 IEEE计算机视觉和模式识别研讨会会议记录。 2018。 教程 安装正确的环境： conda env创建environment.yml conda激活EE367 cd ./pytorch_wavelets 点安装。 cd ../（返回项目根目录） python runMe.py （可选）使用jupyter笔记本签出runMe.ipynb 输出图像应保存到experiments /（model）/ images / test_images文件夹中 笔记 如果遇到内存不足错误或被杀死9，则可能需要将每个args的runMe.py中的“ n”值更改为1000。 去做 修复数据加载代码，以便我们不会淹没系统内存来编写补丁 不要将修补程序加载到系统内存中，只需加载文件名，然后按照DataLoader的查询读取它们