陈人和，赖振意，钱育蓉

新疆大学 软件学院，乌鲁木齐830046

数字图像在采集和网络传输的过程中，往往会受到一些随机信号的干扰而产生图像噪声，导致图像质量降低，从而影响人对图像的理解，所以有效地降低图像的噪声，提高图像的质量仍是图像处理领域的热点之一[1-2]。

图像去噪已经有很长的一段历史了，传统的图像去噪方法有空域滤波[3]和变换域滤波[4]，空域滤波直接对图像的像素用滤波模板进行卷积，包括领域中值滤波[5]、均值滤波[6]等。变换域滤波利用噪声图像和无噪图像在频域的分布差异，将图像转换到频域进行处理后再将结果变换回空间域，从而获得去噪后的图像，常见的变换域有小波变换域[7]、傅里叶变换域[8]等。这些方法在一定程度上可以抑制图像的噪声，但修复结果往往会使图像纹理信息缺失，导致图像模糊。BM3D[9]（Block-Matching and 3D filtering）利用自然图像中存在的自相似性，通过对相似块转换并进行加权处理得到目标块，取得了不错的去噪效果。CBM3D[10]是BM3D改进的彩色图像去噪方法，该方法利用了亮度-色度颜色空间的每个通道中高度稀疏的局部3D变换域中的滤波，这种去噪效果依赖相似块的选取，在图像去噪过程中常常存在一些复杂的优化问题。

近年来，深度学习在目标识别及检测等图像处理领域大放异彩，使得很多学者将深度学习模型应用于图像去噪。深度卷积神经网络拥有很好的学习能力，通过对噪声样本的学习，能够实现图像去噪的自动化与智能化。……