在本文中，我们提出了一种基于深度神经网络，堆叠式稀疏去噪自动编码器（SSDA）的图像处理低层结构特征提取方法。 当前通过深度学习进行图像处理的方法是直接构建和学习输入/输出之间的端到端映射。 相反，我们提倡从输入数据中分析第一层学习功能。 利用学习到的低级结构功能，我们改进了两个边缘保留滤波器，这对于图像处理任务（例如降噪，高动态范围（HDR）压缩和细节增强）至关重要。 由于所提出的特征提取的有效性和优越性，由两个改进的滤波器计算的结果不会遭受包括光晕，边缘模糊，噪声放大和过度增强的缺点。 更重要的是，我们证明了从自然图像训练的特征不是特定的，并且可以提取红外图像的结构特征。 因此，通过直接使用经过训练的功能来处理任务是可行的。 （c）2017 Elsevier BV保留所有权利。

利用图像的稀疏与冗余表达模型去噪是当前较为新颖的去噪方法，在对国内外稀疏模型去噪文献进行理解和分析的基础上，回顾稀疏性去噪研究的发展，阐明稀疏去噪的原理与降噪模型。总结用于稀疏去噪中的各类方法，介绍利用稀疏性在图像去噪中的分解与重构过程，并将小波法去噪、多尺度几何分析法去噪、独立成分法去噪中所涉及的传统稀疏性与当前的稀疏与冗余表达模型去噪对比分析。最后基于对稀疏性去噪方法的分析，提出对稀疏去噪研究方法的一些展望。

BEADS 联合解决了同时基线/趋势/漂移校正和（高斯、泊松）一维信号降噪的问题。 它专为分析化学中出现的正信号和稀疏信号而设计：色谱、拉曼光谱、红外、XRD、质谱等）。 基线对应于缓慢变化的趋势、仪器漂移或背景偏移。 所提出的 BEADS 基线滤波算法基于将一系列（色谱图）峰建模为主要为正、稀疏且导数稀疏，并将基线建模为低通信号。 为了封装这些非参数模型而制定的凸优化问题。 为了说明色谱峰的正性，使用了类似于正则化 l1 范数的不对称惩罚函数。 开发了一种鲁棒的、计算效率高的迭代算法，保证收敛到唯一的最优解。 它实现了发表在论文“Chromatogram baselineestimation and denoising using sparsity (BEADS)”中的方法，作者是 Xiaoran Ning、Ivan W. Selesnick、Laurent Duval， Chemome

深度前馈卷积稀疏降噪自动编码器的多级委员会用于对象识别

基于图像分解的稀疏去噪及优化方法研究

python编写的K-SVD稀疏字典学习去噪，可以显示字典的图像，去噪效果还行，还有待改进，有问题可以及时交流。