底层视觉--image denoising

1.现状

图像去噪，在10年前的计算机视觉领域中是非常火的一个研究方向，一旦某个大佬出了一篇关于去噪问题的解决方法，大家争先恐后地把它小改或者根本不改仅仅套用在不同的对象上就能水一篇论文。然而，在深度学习给图像处理带来巨大冲击的今天，它渐渐沦为了一个图像复原领域里面的一个子问题，跟超分辨率重建，图像模糊等问题没什么其他很大的区别，只是目标函数不同，同一套网络，修改了目标函数，能够达到很好的复原效果，那就说明该网络的先进性。这说明绝大部分人都认为图像去噪已经非常成熟，不需要专门去研究。
当然，并不是现在没有人在研究去噪。几个小方向，比如混合噪声的去除，视频中帧间噪声的高效去除，这些还有部分人在做。

　　

2.问题概述

首先要明白噪声的概念是什么？从统计学的角度来看，它是使得目标数据偏离原始期望的耦合性干扰数据。在图像处理领域中，噪声就是成像的环境及过程中引入的破坏图像结构的因素。而图像去噪就是希望从观测数据中恢复出真实数据的一种处理方法，它是否必须取决于最终任务，噪声水平以及问题的综合求解方法的选择。
　　i. 如果是对图像结构要求精细程度高以便进行测量等任务，如病灶划分，芯片器件质量检测，细小器件尺寸测量，此时，在环境很难达到要求的情况下，去噪就显得非常重要。
　　ii. 如果噪声水平非常强（SNR<20db），那无论是什么任务，先进行去噪预处理对后续任务都是有帮助的。

先从噪声来源进行阐述问题，从下图中可以看出，实际的噪声是分布复杂且非可加性的，几乎每一个过程都能引入噪声[1]。

为了准确的去除噪声，最好的方法是从模型出发，直接从源头进行解决。总结经典的去噪方法，发现它们都可以分为以下两类[2]：
i. 是基于噪声模型的；
ii. 构造一个通用的图像平滑滤波器，包括局部平滑和全局平滑，是基于图像内容的。

3.求解

Part I 基于噪声模型的去噪
通常研究的噪声模型为：可加性高斯噪声，高斯泊松混合噪声，高斯椒盐混合噪声，乘性噪声（这些是我研究或其他人的论文研究对象里存在的）等，都有相应的背景。
高斯噪声是最常见的：　　　　　　 y=