pytorch进行图像去噪处理的复现练习 DnCNN为经典图像去噪算法，论文地址为：https://ieeexplore.ieee.org/abstract/document/8554135 其网络结构如下： 复现的材料和数据集下载地址见ipynb文件中有详细描述与说明。 训练使用pytorch，平台采用谷歌colab进行训练。 在后续实验过程中发现DnCNN在红外图像非均匀性校正上只能做到对图像的PSNR等图像质量上的提升但无法对于图像非均匀性上有所作用

针对栈式稀疏去噪自编码器（SSDA）在图像去噪上训练难度大、收敛速度慢和普适性差等问题，提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数，以缓解梯度弥散现象；借助残差学习和批归一化进行联合训练，加快收敛速度；而为克服新模型对噪声普适性差等问题，需要对其进行多通道并行训练，充分利用网络挖掘出的潜在数据特征集计算出最优通道权重，并通过训练权重权重预测模型预测出各通道最优权重，从而实现自适应图像去噪。实验结果表明：与目前降噪较好的BM3D和SSDA方法相比，所提方法不仅在收敛效果上优于SSDA方法，而且能够自适应处理未参与训练的噪声，使其具有更好的普适性。

对Buades等人提出的非局部均值图像去噪算法进行改进。传统的方法在滤波参数定义上存在缺陷,为了解决这个问题,通过建立噪声方差与滤波系数的关系,提出解决噪声估计的方法。另外,根据小波系数的分布特点,利用GGD模型参数(尺度和形状参数)对系数进行拟合,并用GGD模型参数提出一种有效的噪声方差估计算法。实验结果表明,该噪声方差估计算法不仅能有效地估计噪声方差大小,而且使原有的非局部均值算法具有自适应性。这种自适应的非局部均值算法可以达到近似最优,具有鲁棒性和快速性,且算法精度高。

针对传统图像去噪方法易使图像模糊和丢失边缘信息等问题,根据煤矿井下视频图像光度不均、噪声较大的特点,提出采用基于改进的简化脉冲耦合神经网络对煤矿井下图像进行去噪处理。对简化的脉冲耦合神经网络模型中神经元连接强度β的选取方法进行改进,使β依赖于图像像素灰度值,从而更加有效地去除椒盐噪声;对动态门限的衰减时间常数αE的选取方法进行改进,使αE依赖阈值输出的放大系数vE,减少整个模型的参数,并通过实验选取vE值。实验结果表明,与传统的中值滤波、均值滤波方法相比,基于改进的简化脉冲耦合神经网络的去噪方法不仅有效去除了矿井图像的椒盐噪声,而且很好地保持了图像的边缘等细节特征。

基于matlab的多种图像去噪代码实现

煤矿井下低照度成像环境会导致图像中产生泊松噪声,将引起激光光斑图像的强度和形状分布的不确定性,从而影响激光三角测距的精度。提出了一种基于PURE-LET(Poisson Unbiased Risk Estimator-Linear Expansion of Threshholds)的煤位表面激光光斑图像的快速小波域去噪算法。给出了泊松噪声下小波系数估计MSE(Mean Squared Error)的一个无偏估计子PURE,并将小波系数估计子写作一组基本阈值函数的线性组合以提高算法速度。仿真图像与真实煤仓图像的实验显示,与3种典型图像去噪算法(BayesShrink,Poisson_NLMeans,PURE-LET)相比,提出的PURELET-Smooth算法具有更好的噪声抑制能力,同时具有保持图像边缘结构和快速计算的特点,这在实时光斑质心精确计算和三角测距应用中是一个明显优势。此外此算法具有阈值函数组合系数的快速自动计算特点,适用于自动煤位检测应用。

图像在采集、获取和传输过程中往往夹杂着噪声，针对几种常用方法去噪效果不理想，提出了一种新的图像去噪方法。此方法通过二维变分模态分解将图像分解为一系列不同中心频率的子模态，保留其低频模态，并对其进行自适应中值滤波处理，从而得到其去噪后的图像。实验结果表明，与其他几种常用的去噪方法相比，该方法在滤除噪声的同时，能较好地保留图像的边缘细节，图像也获得了较好的视觉效果，此外客观评价参数也得到明显的改善，随着噪声强度加大去噪效果愈明显。

非局部均值滤波(Non-Local Means，NLM)是一种有效的图像去噪算法．但它仅利用了图像的表面特征而忽略了图像的结构信息，其相似度量标准泛化能力差，相似集合的准确性低．笔者提出一种基于结构相似度(Structure Similarity，SSIM)全参考模型的非局部均值图像去噪方法．由于SSIM能够更好的描述图像块的全局特征和结构特征，基于此模型的相似度量具有较强的泛化能力．实验结果证明，此方法对自然图像的去噪效果优于传统的NLM算法．

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上，利用边缘检测算子选取自适应参数，构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型，并基于Bregman迭代正则化方法设计了其快速迭代求解算法。实验结果表明，自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息，得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。

以下论文中描述的非局部欧几里得中值 (NLEM) 算法的 MATLAB 实现： [1] KN Chaudhury 和 M. Unser，“非局部欧几里得中位数”，IEEE 信号处理信件，卷。 19，没有。 2012 年 11 月。 当前的实现是为了实验用途，在效率方面远非最佳。 例如，它可以使用 *parfor* 循环进行优化，或使用 mex 代码计算欧几里得中值。