依据白噪声小波变换性态与信号奇异性相比具有显著不同的特点,在大尺度下设置阈值,去掉噪声信号而保留图像细节信号引起的模极大值点。在阈值设置问题上,采用自适应阈值的方法,克服单一阈值不能在每级尺度上将信号与噪声作最大分离的缺点。实验表明,与单一阈值去噪方法相比,该方法不仅可以保留图像边缘信息,而且能提高去噪后图像的峰值信噪比 2～5 dB。

半软阈值函数定义 自适应中值滤波函数的定义，适用于椒盐噪声 psnr定义

有关奇异值分解的论文集，包括奇异值分解的原理介绍及应用。其中包括奇异值分解在数字水印及水印图像的应用、奇异值分解在文本分类中的应用、奇异值分解用于图像去噪、奇异值分解在潜在语义检索中的应用等等。

利用matlab设计频域滤波器，分别对灰度图像与彩色图像进行加噪去噪

将彩色图像转换为灰度图像后，再进行小波阈值去噪

bm3d图像去噪算法，3个文件 用于处理灰度图像

32双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波，、Wiener滤波、Kuwahara滤波、Beltrami流滤波、Lucy?Richardson滤波、NoLocalMeans滤波等研究内容。

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汇总彼此重叠的所有去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两个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）滤波器来减少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。

图像去噪的评价指标ENL, SSIM, PSNR,SNR,EPI

hsi matlab代码QRNN3D TNNLS 2020论文的实施 强调 我们的网络在高斯和复杂噪声情况下均优于ICVL数据集上的所有领先方法（2019），如下所示： 我们证明了在31频段自然HSI数据库（ICVL）上进行预训练的网络可用于恢复由于恶劣的大气和水吸收而被现实世界的非高斯噪声破坏的遥感HSI（> 100频段） 先决条件 Python> = 3.5，PyTorch> = 0.4.1 要求：opencv-python，tensorboardX，caffe 平台：Ubuntu 16.04，cuda-8.0 快速开始 1.准备训练/测试数据集 从以下位置下载ICVL高光谱图像数据库（我们仅需要.mat版本） 火车测试拆分可在ICVL_train.txt和ICVL_test_*.txt 。 （请注意，我们分别将101个测试数据分为高斯和复数降噪两部分。） 训练数据集 注意cafe（通过conda安装）和lmdb是执行以下说明所必需的。 阅读utility/lmdb_data.py的函数create_icvl64_31 ，并按照指令注释定义您的数据/数据集地址。 通过python