图像去噪方法总结（最全，最详细），持续更新中......

前言

图像降噪的英文名称是Image Denoising， 图像处理中的专业术语。是指减少数字图像中噪声的过程，有时候又称为图像去噪。

噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式：(f(x, y)表示给定原始图像，g(x, y)表示图像信号，n(x, y)表示噪声。)

1. 加性噪声，此类噪声与输入图像信号无关，含噪图像可表示为f(x, y)=g(x, y)+n(x, y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声；

2. 乘性噪声，此类噪声与图像信号有关，含噪图像可表示为f(x, y)=g(x, y)+n(x ,y)g(x, y),飞点扫描器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。

3. 量化噪声，此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。

目前来说图像去噪分为三大类：基于滤波器的方法（Filtering-Based Methods）、基于模型的方法（Model-Based Methods）和基于学习的方法（Learning-Based Methods）。

接下来让我们分别来看一下，这几种去噪方法的优缺点。

基于滤波器的方法

经典的基于滤波的方法，如中值滤波和维纳滤波等，利用某些人工设计的低通滤波器来去除图像噪声。

• 中值滤波器[1]：它是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。
• 自适应维纳滤波器[2]：它能根据图像的局部方差来调整滤波器的输出，局部方差越大，滤波器的平滑作用越强。

同一个图像中具有很多相似的图像块，可以通过非局部相似块堆叠的方式去除噪声，如经典的非局部均值（NLM）算法[3]、基于块匹配的3D滤波(BM3D)算法[4]等。缺点：1. 块操作会导致模糊输出。2. 需要手动设置超参数。

基于模型的方法

基于模型的方法通常将去噪任务定义为基于最大后验(MAP)的优化问题，其性能主要依赖于图像的先验。如Xu等人[5]提出了一种基于低秩矩阵逼近的红外加权核范数最小化(WNNM)方法。Pang等人[9]引入了基于图的正则化器来降低图像噪声

虽然这些基于模型的方法有很强的数学推导性，但在重噪声下恢复纹理结构的性能将显著下降。此外，由于迭代优化的高度复杂性，它们通常是耗时的。

基于学习的方法

基于学习的方法侧重于学习有噪声图像到干净图像的潜在映射，可以分为传统的基于学习的方法和基于深度网络的学习方法。

近年来，由于基于深度网络的方法比基于滤波、基于模型和传统的基于学习的方法获得了更有前景的去噪结果，它们已成为主流方法。

Zhang等人[6]通过叠加卷积、批归一化和校正线性单元(ReLU)层，提出了一种简单但有效的去噪卷积神经网络(CNN)。

受图像非局部相似度的启发，将非局部操作纳入到的循环神经网络中[7]。

Anwar等人[8]提出了一种带特征注意力的单阶段去噪网络。

等等等…

基于深度网络的方法具有很大的发展潜力，但是它主要依靠于经验设计，没有充分考虑到传统的方法，在一定程度上缺乏可解释性。

参考文献

[1] Chen Tao, Kai-Kuang Ma, and Li-Hui Chen. Tri-state median filter for image denoising. IEEE Transactions on Image Processing, 8(12):1834–1838, Dec. 1999. 1

[2] Jingdong Chen, J. Benesty, Yiteng Huang, and S. Doclo. New insights into the noise reduction wiener filter. IEEE Transactions on Audio, Speech, and Language Processing, 14(4):1218–1234, Jul. 2006. 1

[3] Antoni Buades, Bartomeu Coll, and J. M. Morel. A nonlocal algorithm for image denoising. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), pages 60–65, Jun. 2005. 1

[4] Kostadin Dabov, Alessandro Foi, Vladimir Katkovnik, and Karen Egiazarian. Image denoising by sparse 3-d transformdomain collaborative filtering. IEEE Transactions on Image Processing, 16(8):2080–2095, Aug. 2007. 1, 2, 7, 8

[5] Shuhang Gu, Lei Zhang, Wangmeng Zuo, and Xiangchu Feng. Weighted nuclear norm minimization with application to image denoising. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2862–2869, Jun. 2014. 1, 7, 8

[6] Kaibing Zhang, Xinbo Gao, Dacheng Tao, and Xuelong Li. Single image super-resolution with non-local means and steering kernel regression. IEEE Transactions on Image Processing, 21(11):4544–4556, Nov. 2012. 2

[7] Ding Liu, Bihan Wen, Yuchen Fan, Chen Change Loy, and Thomas S. Huang. Non-local recurrent network for image restoration. In International Conference on Learning Representations (ICLR), pages 1680–1689, Dec. 2018.1, 2

[8] Saeed Anwar and Nick Barnes. Real image denoising with feature attention. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 3155–3164, Oct. 2019. 1, 2, 7, 8

[9] Jiahao Pang and Gene Cheung. Graph laplacian regularization for image denoising: Analysis in the continuous domain. IEEE Transactions on Image Processing, 26(4):177–1785, Apr. 2017. 1