刘利平，乔乐乐，蒋柳成

华北理工大学 人工智能学院，河北 唐山 063210

图像在采集、传输过程中因环境、成像设备和人为等因素的影响会受到不同噪声的干扰[1]，导致采集的图像质量下降，给后续的特征提取、文本检测、图像分割等图像处理环节造成不可估计的影响，因此，需要对图像进行去噪处理。图像去噪作为计算机视觉研究领域中一个重要的研究方向，其目的是尽可能地减少或消除噪声对图像的干扰，使处理后的图像尽可能接近原始图像。图像去噪的实质是对数据本身恢复和重建，以起到排除污染的作用。由于真实噪声图像的不足，加性白噪声图像（additive white noise image，AWNI）被广泛用于训练去噪模型[2]。AWNI包括高斯、泊松、盐、胡椒和乘性噪点图像[3]。

图像去噪有着悠久的历史，最早的作品可以追溯到20 世纪50 年代[4]。最近的去噪方法激增主要归功于著名的块匹配3D（block-matching and three-dimensional filtering，BM3D）框架[5]，该框架结合了自然图像的非局部相似性特征和变换域中的稀疏表示[6]。在早期阶段，图像去噪的许多相关工作都集中在过滤单通道灰度图像上。近年来，成像系统和技术的进步极大地丰富了多维图像（彩色图像）保存和呈现的信息，可以为真实场景提供更真实的表示。图像尺寸和维度的增长也对去噪提出了更高的要求。处理高维图像的一个主要挑战是如何有效利用多个通道或频谱的相互关联的信息，并且还要在噪声消除和细节保留之间找到平衡。在过去的二十年中，具有代表性的BM3D 方法已经以两种不同的方式成功地扩展到了多维图像。……