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．

在现有阈值去噪算法的基础上提出了一种基于新型符号函数的小波阈值图像去噪算法，该算法提出的新阈值函数具有连续可导、小波系数偏差小、阈值自适应性强等优势。不仅保留了分解后的低频小波系数，还有效滤除了高频系数中的噪声系数，使得重构后的图像更接近原始图像。对高斯白噪声的Bridge图像、Lena图像及含“斑点噪声”的B超Fetus图像进行仿真，实验的结果表明，无论是新阈值函数的视觉效果，还是定量指标PSNR和MSE，均优于现有的阈值图像去噪算法。其边缘及细节信息能得到较好的保护，无明显振荡，图像更平滑、均匀，且在复杂噪声背景下，该方法具有较好的顽健性。

基于贝叶斯估计的图像去噪算法研究，简单介绍一般图像去噪方法，详细介绍贝叶斯模型以及用于小波去噪的方法

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。

数字图像去噪算法研究及应用.pdf

matlab中噪声代码 cdtv A new algorithm for image denoising 简介 本算法基于 Coordinate Descent , 求解 L0-TV 图像去噪模型。L0-TV 的论文见 代码使用的是 Matlab 和 C/C++ 混合编程的方法，并行版本使用的是 Pthreads ，当然也有纯 Matlab 版本的。目前只写了用于 512*512 黑白图片的代码。由于模型对于 RGB 三层有可分性，所以可以将代码分别作用到 RGB 三层，即得彩色图片的去噪结果。代码在 Ubuntu 14.04 bit 和 Matlab 2014a 的环境下编译通过。 使用 在 Matlab 下面输入： mex pcdtv.c 即可得到非并行版本的链接库，使用 U=pcdtv(lambda,B) 即可运行程序，其中 B 是损坏的图片（程序目前只支持 512*512 大小的），建议先将 B 的取值都限制到0 到 1 的范围内，这时 lambda=5 较为合适， U 是结果 。 在 Matlab 下面输入： mex mex_pcdtv2.c -lpthread 可以得到使用

基于深度学习卷积神经网络的图像去噪算法研究。该项目是为了研究基于深度卷积神经网络的图像去噪算法，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。 评价指标 图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。SSIM取值为0到1，越接近1，表示效果越好。 代码介绍 对于均值滤波、中值滤波、和NLM，MATLAB都已经实现了，所以我们直接调用MATLAB自带的函数就可以。 BM3D和DnCNN的代码做了一些小的修改。 五种算法都是对Set12数据集进行去噪，在运行过程中能看到去噪前和去噪后的图像对比，感兴趣的朋友可以自己将图像保存下来观察。 五种算法分别在五个不同的目录中，所以你只需要进行对应的目录，运行代码即可。

医学图像去噪算法效果对比报告(有代码).doc

基于深度学习的权重自适应的图像去噪算法matlab实现版本

彩色图像去噪算法研究.doc