近年来，提出了许多减少遥感图像噪声的方法。本文提出了一种基于OMP算法的改进的WCOMP方法，用于遥感图像的去噪。 我们将小波变换的系数引入贪婪策略，将OMP算法与SVD分解相结合，将这些系数与离散余弦变换（DCT）的冗余字典进行训练，以实现图像的稀疏表示，然后重构该图像。是提高图像降噪的最终性能。 实验结果表明，WCOMP方法比小波，Contourlet和K-SVD等传统图像去噪方法具有更好的效果。 与传统的降噪方法相比，我们提出的方法可以更有效地滤除噪声并保留原始图像的有用信息。

深度学习的多光子显微镜图像降噪 多光子显微镜（MPM）图像固有地以低信噪比（SNR）捕获，从而抑制了对更深的大脑层成像的过程，实现了更高的时间和空间分辨率。 虽然基于线性滤波的经典方法无法处理MPM图像中占主导地位的泊松噪声，但深度学习图像恢复目前是一个热门话题。 在这项工作中，在MPM图像的去噪性能方面，比较了三种监督（CARE，DnCNN和ResNet）和三种非监督（Noise2Noise，Noise2Void和概率性Noise2Void）深度学习方法，并研究了监督与非监督方法之间的差距。 通过在训练数据中添加具有不同噪声水平的图像，我们的模型可以推广到盲噪声图像。 无偏神经网络也检查了泛化能力。 结果表明，我们的基于深度学习的模型实现了令人满意的降噪性能，并在广泛的噪声水平范围内进行了归纳。 还证明了与监督方法相比，无监督方法仅表现出稍微降低的降噪性能。 该发现具有重要意义，因为收集

7种图像降噪matlab实现（程序源码及结果图和说明书任务书）

该代码采用了滤波法进行降噪处理。代码中添加的噪声为高斯噪声，采用了标准正态分布和N(0,5)高斯分布两个例子，用户下载后可以根据需要修改噪声类型和噪声参数。代码执行后，可以得到原始图像、加噪声后的图像和滤波后图像的对比结果。

该压缩包含基于偏微分方程（PDE）的数字图像降噪的代码及一份课程设计的报告文档，代码功能完整可用，报告格式较规范。本设计主要针对数字图像处理的一个重要分支数字图像复原作为主要研究对象。对于一幅给定的模糊或含噪的图像，用图像增强或图像复原技术，改善图像质量。本文采用的核心算法是基于偏微分方程的图像处理方法，该方法的基本思想是，在图像的连续数学模型上，按照某一规定的偏微分方程发生变化，最终的解就是处理结果。并给出处理后的评价一幅图像压缩后和原图像相比质量的好坏的峰值信噪比（PSNR）指标作为参考指标。最后，在理论解析的基础上，运用MATLAB工具实现对算法的仿真运算，得出图像复原的仿真效果，验证算法的可行性及有效性。

提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过聚合所有彼此重叠的去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两次迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来降低WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。

在MNIST数据集上利用自编码器实现了图像降噪，具体包括： 环境：Tensorflow 2.0-GPU + Win10 + Anaconda 1. 使用卷积自编码器进行图像降噪 2. 测试自编码器的自适应降噪能力 3. 计算重建图像和原始图像的PSNR 4. 对卷积核，通道进行可视化，分析降噪过程

BM4D，它是对三维图像处理，是医学图像（核磁共振图）的去噪，方法与BM3D一致，不同之处在于，BM3D输入是二维图像，将相似块集合视作整体成为三维集合，因此命名为3D，而BM4D输入是三维图像，得到的相似块应为三维图像，视作整体则空间升至四维，因此命名为4D

LEE图像降噪算法，一个优秀的图像降噪算法。

PCA字典上的自适应稀疏编码用于图像降噪