井贝贝，郭 嘉，王丽清，陈 静，丁洪伟*

（1.云南大学信息学院，昆明 650500；2.云南省广播电视局科技处，昆明 650000）

（∗通信作者电子邮箱dhw1964@163.com）

0 引言

图像去噪一直是计算机视觉领域的研究热点，在不断被提出的新算法的推进下该领域的研究得到了稳步发展。一般而言，大多数的图像降噪模型都在降噪效果和计算效率之间取舍，如:文献［1-2］中的牺牲计算效率的马尔可夫随机场（Markov Random Field，MRF）模型，文献［3-4］中的非局部自相似（Non-local Self-Similarity，NSS）模型。为克服传统模型的弊端，文献［5］提出了一种收缩场级联（Cascade of Shrinkage Fields，CSF）方法，使用的模型框架能够利用许多线性滤波器影响非线性函数，并且具有很高的并行性，该方法极大地提高了模型的计算效率。此外，文献［6］针对核范数极小化平均正则化所导致的自身受局限而提出的加权核范数最小化（Weighted Nuclear Norm Minimization，WNNM）算法要优于文献［7］的三维块匹配（Block Matching 3D，BM3D）算法。文献［8］中提出的去噪卷积神经网络（Denoising Convolutional Neural Network，DnCNN）模型，使用深度卷积的残差学习对图片进行盲降噪，克服了文献［5，9-10］中TNRD（Trainable Nonlinear Reaction Diffusion）单一噪声水平下对应单一模型的缺点。

为了进一步提高图像降噪的性能，文献［11］中提出了多降噪器最优组合（Optimal Combination of Image Denoisers，OCID）模型，将两个或者三个经典降噪模型相组合来提升降噪效果，最终BM3D 和DNCNN 组合的降噪效果最为明显，但模型计算效率并不理想。文献［12］中则是结合平稳小波变换和卷积神经网络的优势，将图像进行尺度为1 的平稳小波分解后把高、低频分量送入不同的残差网络中训练，测试阶段使用逆变换获得预测图像，且计算效率相较于文献［11］算法有所提高。……