程 龙，蔡光程

（昆明理工大学 理学院，云南 昆明 650500）

0 引言

图像是人们获取信息的主要途径之一。然而，由于外部环境的不稳定性，在获取、压缩与传输过程中，图片难免受到噪声干扰，从而导致质量降低。含噪图像给人们带来糟糕的视觉体验，不利于计算机分析、理解图像，给图像分割、对象识别、基于内容的图像检索、边缘提取等后续图像处理工作带来不便。因此，降噪是图像处理技术中的首要步骤。在空间域上，降噪方法从传统的维纳滤波发展到全变分模型、非局部均值降噪、马尔可夫随机场模型降噪等方法［1-5］；在频率域上，通过小波变换、离散余弦变换、K-L变换（Karhunen-Loeve Transform）压缩或赋零噪声变换域系数可达到降噪目的。研究者们提出了多种算法，在保留图像边缘的同时，取得了较好的降噪效果，其中表现较为突出的是由Dabov 等［6］于2007 年提出的图像块匹配3D 滤波方法（Block-Matching and 3D Filtering，BM3D）。其结合了变换域中小波萎缩法与空间域中非局部均值降噪算法的优点，充分利用图像块之间的自相似性进行图像复原。BM3D 无论在客观评价指标峰值信噪比，还是主观肉眼感受上，均有较为理想的降噪结果。然而，对于高强度噪声，图像中可利用的信息非常少，降噪变得比较困难。

目前，卷积神经网络（Convolution Neural Network，CNN）被应用于图像降噪中。基于CNN 的图像降噪技术避免了现有降噪模型在测试阶段需要复杂优化方法以及手动设置参数的弊端［7］。CNN 由神经网络发展而来，其特有的稀疏连接与权值共享特性使得网络所需参数量剧减，使神经网络方法用于图像处理成为现实。……