中值滤波步骤： 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或降序进行排序。 3. 取出排序后序列的中间值。 4. 使用中间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。 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。

自适应中值滤波步骤 1. 指定模板的最小尺寸N和最大尺寸M，并按照(M-1)/2扩展图像边界。 2. 先使用NxN的模板取出图像中部分值。 3. 判断当前模板的中值是否可能为噪点，若可能执行步骤4，不是则执行步骤5。 4. 若当前模板尺寸小于M则扩大模板尺寸再执行步骤2，若当前模板尺寸等于M则使用中值替换原像素值再执行步骤6。 5. 判断模板中心点像素值是否可能为噪点，若可能则以中值替换原像素值，若不是则保留原像素值。执行步骤6。 6. 将模板尺寸减小为N，移动模板，重复步骤2，直到模板不能再继续移动。 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。

【matlab代码】生成加噪信号；对信号加入噪声

matlab代码放大 PyTorch版本 抽象的 基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方法都有其各自的优缺点，例如，基于模型的优化方法可灵活地处理不同的逆问题，但出于性能良好的目的，通常以复杂的先验条件耗时； 同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。 最近的工作表明，借助可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他反问题（例如，去模糊）。 当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。 但是，仍然缺乏与快速判别去噪器集成的研究。 为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中，以解决其他逆问题。 实验结果表明，学习的去噪器集不仅可以实现有希望的高斯去噪结果，而且可以用作为各种低级视觉应用提供良好性能的先决条件。 基本思想 借助可变分裂技术，例如乘数交替方向方法（ADMM）和半二次分裂（HQS）方法，可以分别处理一般图像恢复公式的保真度项和正则项项，尤其是正则化项仅对应于降噪子问题。 因此，这可以将任何区分式去噪

一种基于超完备字典学习的图像去噪方法

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

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。

图像去噪是图像处理中的基本问题, 目标是从含噪 的观测图像估计出理想图像, 通常这是一个不适定的反 问题, 大量文献对该问题进行了深入的研究, 不过主要 针对的是加性高斯白噪声, 然而在光量子计数成像系统 中, 如 CCD 固态光电检测器阵列、天文成像、计算 X 射 线成像(CR) 、荧光共焦显微成像等等, 获取的图像往往 受到量子噪声的污染, 量子噪声服从泊松分布的统计法 则, 并非加性噪声, 且噪声强度与方差是信号依赖的, 统 计上, 亮度大的像素受到更多的干扰, 因此去除泊松噪 声是一个困难的任务.