彭真明 陈颖频,2 蒲 恬 王雨青 何艳敏

(1. 电子科技大学信息与通信工程学院，成都，611731; 2. 闽南师范大学物理与信息工程学院，漳州，363000)

引 言

噪声是数据采集、传输及处理等环节不可避免的问题。图像受到噪声污染则是引起图像退化和降质的主要因素，它产生于图像的采集、传输、加工、记录等过程。图像去噪之所以重要，原因是数据噪声广泛存在于各类工程实际问题，如采集环境、采集设备、测量误差及记数误差等。而且噪声是一个比较广泛的概念，有很多类型，都是图像中不希望出现的部分[1]。噪声的存在，会影响人们对感兴趣内容的观看和接收。因此，图像去噪在雷达探测、光电探测、地质勘探[2-5]、遥感应用[6]和医疗影像分析[7]等领域中均有广泛的应用前景。

由于噪声源的多样性，去噪一直是富有挑战性且十分活跃的研究课题，发展了多种经典去噪方法[8-26]，如基于深度学习的图像去噪方法[22]，基于信号滤波的算法[27]和基于奇异值分解(Singular value decomposition, SVD)的去噪方法[13, 28, 29]。随着压缩感知理论[30, 31]的发展，基于稀疏表示和约束正则化的图像去噪成为图像去噪中的最新发展方向和一项重要的技术途径[23-26]。大部分噪声具有随机性，而图像信号则在某些变换域中或者梯度域中存在明显的稀疏特性。另外，图像去噪恢复本质上也是一个典型的反问题求解过程,因此稀疏表示和约束正则化自然成为了图像去噪、去模糊、修复及特征融合等诸多反问题求解的重要途径[3]。对高斯噪声抑……