一、背景

随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。
图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。

二、图像噪声

2.1图像噪声概念

噪声可以理解为阻碍人们对于器官对所接收的信源信息理解的因素，而图像噪声则是对于图像的信息造成干扰的因素，噪声不可预测，只能通过概率统计方法来认识的随机误差，因此同样可以将图像噪声看成是多维的随机过程，也可用随机过程对噪声进行描述（概率分布函数及概率密度分布函数），由于描述方法的复杂性，因此实际生活中多用其数字特征（均值函数、相关函数等）描述。
参考文章：https://baike.baidu.com/item/%E5%9B%BE%E5%83%8F%E5%99%AA%E5%A3%B0/4116468?fr=aladdin

2.2图像噪声的来源

1、图像获取过程中：图像传感器CCD和CMOS采集图像过程中受传感器材料属性、工作环境、电子元器件以及电路结构等影响，从而引入各种各样的噪声。
2、图像信号传输过程中：传输介质和记录设备等的不完善，数字图像在其传输记录过程中往往会受到多种噪声的污染。

2.3图像噪声的分类

2.3.1常见的图像噪声主要有以下几种：

（1）加性噪声
加性噪声与图像信号强度不相关，比如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声，这类噪声的图像g可以看成理想无噪声图像f和噪声n之和：

（2）乘性噪声
乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等。噪声与图像的关系：

（3）量化噪声
量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。
（4）“椒盐”噪声
此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。

2.3.2图像噪声模型

实际获得的图像含有的噪声，根据不同分类可将噪声进行不同的分类。从噪声的概率分情况来看，可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声。
（1）高斯噪声
高斯噪声是所有噪声当作使用最为广泛的，传感器在低照明度或者高温的条件下产生的噪声就属于高斯噪声，电子电路中产生的噪声也属于高斯噪声，还有很多噪声都可以根据高斯分布（正态分布）的形式进行描述。高斯噪声的概率密度函数可以表示为：

其中，x表示灰度值，μ表示x的平均值或期望值，α表示z的标准差。当z服从上述分布时，其值有95%落在[(μ-2σ)， (μ+2σ)]范围内。

（2）脉冲噪声（椒盐噪声）
脉冲噪声的密度函数：

果b>a，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。若Pa或Pb为零，则脉冲称为单极脉冲。如果Pa和Pb均不可能为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因，双极脉冲噪声也称为椒盐噪声。

（3）瑞利噪声
密度函数：

均值：

方差：

瑞利噪声的概率密度函数分布：

（4）伽马噪声
伽马函数的概率密度函数可以表示：

概率密度分布：

（5）指数分布噪声
指数函数的概率密度函数：

均值：

方差：

概率密度函数分布图：

（6）均匀噪声
均匀噪声的概率密度函数：

均值:

方差：

概率密度函数分布：