孙照旋，周 芳，朱志峰

(安徽工业大学电气与信息工程学院，安徽马鞍山243032)

图像处理有去噪、分割、检测和识别等过程，去噪是图像处理的经典问题之一。在显微图像的成像系统中，可用光数量有限、光子受限给图像对比度带来不利影响。图像噪声多服从于泊松分布，故称图像噪声为泊松噪声。简单将泊松噪声数据转换为近似高斯噪声数据，如小波收缩法、方差稳定变换(variance stabilize transformation，VST)等可在低噪声情况下达到有效去噪效果，但在高噪声情况下，这些方法的去噪效果不好。Zhang等提出一种基于卷积神经网络的泊松去噪模型，称该网络为方差稳定变换网络，整个网络包含三个子网。第一和第三个子网分别模拟正向和反向Anscombe变换，第二个子网络近似于高斯去噪。该模型克服了传统VST去噪过平滑的缺点，取得了较好的去噪效果，但在噪声等级较高时，去噪效果仍不太理想，图像易模糊且算法复杂度高。

图像非局部去噪方法不同于传统基于局部邻域像素级去噪方法，如非局部均值法(nonlocal means，NLM)和非局部正则化法，其不仅能够有效提高运算速度，还能够更多保持图像几何结构特征。汪浩然等引入主成分分析(principal component analysis，PCA)，把像素点及其邻域看作一个目标像素块进行整体去噪，较好地保护了图像局部细节信息。Xu等运用字典学习算法对混合噪声去噪，取得了较好的效果，但只能针对真实自然图像中的噪声，对显微图像或含不同噪声级的泊松噪声图像，去噪效果不理想。印佳……