王洪雁，杨晓，姜艳超，汪祖民

（1.浙江理工大学信息学院，浙江 杭州 310018；2.大连大学信息工程学院，辽宁 大连 116622；3.五邑大学智能制造学部，广东 江门 529020）

1 引言

近年来，图像处理技术的快速进步，使其在医学影像、卫星遥感以及智能监控等应用领域获得持续关注。高质量图像是保证后续有效处理的前提，然而采集及传输过程中图像不可避免地被噪声所污染，从而影响后续图像分类、识别等任务完成的可靠性。因此，如何在不破坏图像原有特征的条件下最大限度地去除噪声以尽可能恢复原始图像是目前图像处理领域的热点问题之一[1]。

针对此问题，众多有效去噪算法相继被提出，常见去噪算法通常可分为以下2 类。1) 基于传统滤波器去噪。其基于图像及噪声的统计及结构约束设计滤波器实现去噪。其中，文献[2]首先提出用于去除低密度噪声的中值滤波器（MF,median filter），该滤波器对高密度噪声适用性较差。基于此，文献[3]提出可高效滤除高密度噪声的自适应中值滤波器（AMF,adaptive median filter），由于该滤波器使用固定窗口尺寸，对于具有不同噪声密度的图像无法自适应调整窗口阈值，因而导致图像模糊。需要注意的是，上述滤波器仅利用噪声统计信息而较少考虑图像自身相关结构及统计约束，且卷积核设置不同将导致卷积过程丢失部分有用信息[4]。针对此问题，文献[5]提出k 均值奇异值分解（k-SVD,k-means singular value decomposition）方法，利用离散余弦变换构造字典，并基于奇异矩阵更新字典参数。然而，该方法仅基于当前图像块恢复图像，没有考虑其他相关区域信息，从而导致纹理细节丢失。……