已经提出了几种基于波段的总变化（TV）正规化低秩（LR）的模型，以消除高光谱图像（HSI）中的混合噪声。 这些方法基于LR矩阵分解将高维HSI数据转换为2D数据。 该策略引入了有用的多路结构信息的丢失。 而且，这些基于波段的基于电视的方法以单独的方式利用空间信息。 为了解决这些问题，我们提出了一种空间频谱电视正则化LR张量分解（SSTV-LRTF）方法，以消除HSI中的混合噪声。 一方面，假定高光谱数据位于LR张量中，该张量可以利用高光谱数据的固有张量结构。 基于LRTF的方法可以有效地将LR干净图像与稀疏噪声区分开。 从另一方面，假设HSI在空间域中是分段平滑的。 TV正则化在保留空间分段平滑度和消除高斯噪声方面有效。 这些事实激发了LRTF与电视正则化的集成。 为了解决带状电视的局限性，我们使用SSTV正则化同时考虑本地空间结构和相邻频带的频谱相关性。 模拟和真实数据实验均表明，与最新的电视规则化和基于LR的方法相比，所提出的SSTV-LRTF方法在HSI混合噪声去除方面具有出色的性能。

为改善辐射图像质量，提出了一种基于Kalman滤波的降噪算法。该方法分析了辐射图像背景噪声的特征，在合理假设其为一阶Gaussian有色噪声的基础上改写了图像的观测方程；同时，采取NSHP（non-symmetrichalfplane）模型来构造图像的过程方程。然后使用Kalman滤波算法对图像进行滤波。实验结果表明，该方法有效减弱了辐射图像中混有的噪声，和传统滤波方法相比，更好地保持了图像的细节信息，体现了自适应的优点。这表明了Kalman滤波在辐射图像降噪处理中的潜力。

一种基于运动补偿的3D视频降噪算法，龙红梅，田逢春，在视频图像降噪中，时域滤波比空域滤波在保护边缘和细节，提高PSNR方面更具有优势。根据此原理, 本文中提出了一种基于运动补偿的3D�

二值图像去噪，先腐蚀后膨胀，可以去除图像中的随机噪声

上传图片后可一键进行图片去噪，亲测有效。可用于图片去雾，增加证件照清晰度。

该包通过混合自适应提供了自适应图像去噪算法的实现。 所提出的方法 [1, 2] 采用从通用外部数据库中学习到的通用先验，并将其适应噪声图像以生成特定先验，然后将其用于 MAP 去噪。 所提出的算法是严格推导出来的从贝叶斯超先验的角度来看，并进一步简化以降低计算复杂度。 要对去噪性能进行整体评估，请运行演示文件：“demo.m”。 如需更多信息和引文，请参阅： [1] E. Luo、SH Chan 和 TQ Nguyen，“通过混合自适应进行自适应图像去噪”，IEEE Trans。 图像处理。 2016 年。 [2] SH Chan、E. Luo 和 TQ Nguyen，“基于 EM 适应的自适应补丁图像去噪”，Proc。 IEEE 全球会议信号信息处理。 （GlobalSIP'15），2015 年 12 月。

包含TV_L1、tvl2、TV、TVAL3d、tvfista等。

翻译文献 tvreg v2: Variational Imaging Methods for Denoising,Deconvolution, Inpainting, and Segmentation tvreg v2：用于去噪、反卷积、修复和分割的变分成像方法

小波变换作为一种新的时频分析方法，具有多尺度、多分辨率分析的特点，为信号处理提供了一种新的强有力手段。

本文研究了EPLL图像复原算法，该算法是基于外部图像库先验知识对图像进行复原。本文通过构建不同类型的图像库，将它们分别应用于不同类型的图像进行复原。得出的结论是，如果图像库是和待复原的图像是属于同一类型的，往往恢复效果相对不同类型的图像库的恢复效果会好一些。不同的图像库对同一个图像的还原始终会存在着一定差距。本文通过一个图像小块对算法进行跟踪，得出算法在不断迭代过程中对图像的优化会使得这种差距不断变小。最后本文提出了对算法作优化的建议，即预先判断图片的类型，通过寻找与图片相似的图片构建图像库，来对图片进行复原，效果会更好。