偏微分方程（PDEs）在图像去噪中的运用，谢进，，图像去噪是图像处理的重要组成环节,经典的处理方法由于涉及的数学理论较浅，一直制约着计算机视觉的发展。近年来,一种基于偏微分�

使用java语言实现图像的去噪（中值法，均值法，高斯滤波），图像的锐化，图像的强化，图像的简单切割

验证码图像分割 图像去噪 图像识别 个人总结的

简要介绍了小波分析基本理论中的小波变换和小波包变换，重点论述了小波分析在图像降噪处理中的应用及其算法流程。在此基础上，利用Matlab R2007进行了图像去噪仿真测试，并对仿真结果进行了分析。结果表明，利用小波分析理论进行图像降噪处理，能够取得较好的降噪效果。

小波去噪是小波变换较为成功的一类应用，其去噪的基本思路为：含噪图像 -小波分解-分尺度去噪-小波逆变换-恢复图像。含噪信号经过预处理，然后利用 小波变换把信号分解到各尺度中，在每一尺度下把属于噪声的小波系数去掉，保 留并增强属于信号的小波系数，最后再经过小波逆变换恢复检测信号。 需要实现的去噪功能：用 wavedec2 等函数实现某图像的二维离散小波分解 和重建，实现目标图像的降噪

迭代自适应维纳滤波器的遥感图像降噪

联合矩阵F范数的低秩图像去噪

图像去噪最简单的网络之一DnCNN之讲解 softmax softmax​ ​关注他 67 人赞同了该文章 关于DNCNN图像去噪网络的简介 DnCNN是图像去噪领域一篇鼻祖类型的文章，本文是关于该文章主要原理的解读。DnCNN（Denoising Convolutional Neural Network）顾名思义，就是用于去噪的卷积神经网络。 文章标题：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 文章链接：https://arxiv.org/pdf/1608.03981.pdf 如果加载太慢也可以用镜像：http://xxx.itp.ac.cn/pdf/1608.03981.pdf 代码链接： https://github.com/cszn/DnCNN（官方） 或者： https://github.com/SaoYan/DnCNN-PyTorch

摘 要:针对经典全变差正则化模型在去噪时图像边缘易模糊的不足， 在全变差正则化模型与调和去噪模型的基础上构建了一种改进的自适应全变差正则化模型， 并利用旋转不变性更好的梯度模值确定其自适应参数， 降低该自适应正则化模型对噪声的敏感性，以兼顾图像的平滑去噪与边缘保留 数值实验结果表明， 与MARQUINA 的改进全变差正则化模型相比， 自适应全变差正则化模型的复原图像在视觉效果和峰值信噪比上都有显著提高

根据图像块之间的相似性提出了3维块匹配(Block Method of 3-Dimension, BM3D)算法。该方法不仅有较高的信噪比，而且视觉效果也很好，但是时间复杂度相对较高。