目录
1.1图像去噪的基本概念
1.2 去噪效果评价标准
1.3传统去噪方法（简单介绍）
1.4 非局部均值去噪（NLmeans）
1.6基于稀疏模型的去噪方法
总结
噪声的产生是信号在采集、传输以及记录过程中，受到成像设备自身因素和外界环境的影响而产生的。现实中的噪声是随机分布的，事实上，噪声无法完全去除，只能使得重现信号尽可能的接近原始信号，因此，去噪严格意义上只能被称之为降噪。通过去噪可以有效地增大图像信号的信噪比，提高图像质量 ，更好地体现原始图像所携带的信息。
1.1图像去噪的基本概念
图像噪声的分类：
1 )按噪声产生的原因分类
根据噪声产生的原因，可以将噪声分为外部噪声和内部噪声，其中外部噪声指由成像系统的外部因素导致的噪声， 它们是以电磁波或者电流的方式对成像系统的内部产生影响，进而产生噪声。内部噪声主要是由于成像系统内部因素导致的噪声，如光电基本性质所引起的图像噪声。
2) 按噪声与图像信号的关系分类
根据噪声与图像信号之间的关系，可以将噪声噪声分为加性噪声和乘性噪声，其中加性噪声与图像信号强度无关，乘性噪声与信号强度相关。
3) 按概率密度函数 (PDF) 分类
从噪声的概率密度分布情况来看，可以将图像噪声分为高斯噪声、瑞利噪声、伽马噪声、指数噪声、均匀噪声和脉冲噪声等。
1.2 去噪效果评价标准
目前，对去噪效果进行定量的质量评价，主要分为两种客观评价峰值信噪比（PSNR）和结构相似度测量(SSIM)。
PSNR的定义为：
式中L 表示的是图像 的动态 范围（8 位/像素的图像); MSE 表示的是原始图像和 失真 图像之 间的均 方误差。
SSIM 定义为：
1.3传统去噪方法（简单介绍）
- 基于空间域的中值滤波
中值滤波是一种常见的非线性平滑滤波器，图像去噪中所使用的中值滤波方法的基本原理为:将图像中一点的值用该领域内各点的中值替代。
- 基于小波域的小波阈值去噪
目前，全局阈值 主要有以下 几种：
折中。
- 基于PDF的图像去噪
这种方法通过建立噪声图 像为某非线性 PDE 的初始条件，然后求解这个 PDE ，得到在不同时刻的解，即为滤波 结果。
- 全变分图像去噪
这种方法基于变分法的思想来确定图像的能量函数，通过对图像能量函数进行最小化来达到平滑去噪的目的。
1.4 非局部均值去噪（NLmeans）
非局部均值滤波的基本思想是： 当前像素点 的灰度值由图像中所有与其结构相似的像素点的灰度值加权平 均得到，结构越相似，权值越大。
详细参看之前博客
1.5 BM3D算法（参看之前博客）
1.6基于稀疏模型的去噪方法
这类方法通常将图像分成小块，然后再一定的过完备字典下，对每个小块进行稀疏表示，以达到去噪的目的，取得较好的去噪效果。
稀疏性可用于图像去噪，主要是基于以下几个特征：
(1)自适应性。稀疏分解不需要先验图像信号与噪声的统计特性，通过信号在过完备字典上分解，用以表示信号基，可自适应地根据图像信号本身特点灵活选取。
(2) 不相关性。原始真实图像信号与观测图像信号之间的不相关性 图像有用信号间存在某种内在联系，而噪声分布则是孤立的、随机的、离散的。
(3)原子化。借助于原子能量特性，对图像信号进行稀疏分解 。通 过形成大小两类原子，分别提取时域上分布比较长的信息成分与比较短的信息成分 (信息 细节) ，利用过完备原子库的稀疏性表示图像。
详细请参看《计算摄影学基础》
总结
绝大多数现有的图像去噪算法是基于单幅图像的，随着近年来，在安防领域从模拟照相机到高清数码摄像机的更新换代，视频去噪技术开始有了广泛的应用，去噪也成为摄像机处理中一个很重要的模块，称为评价摄像机性能的主要指标 。因为传统的图像去噪主要针对图像进行滤波， 未考虑视频信号的时域与空域相关性。没有充分利用视频信 号的时 联系进行去噪， 因此，在原有的帧内2D空间的去噪技术降噪的基础上，增加 了帧与帧之间降噪的功能的视频去噪方法也称为3D降噪。
详情请参看《计算摄影学基础》
