李静， 刘哲， 黄文准

(西京学院 信息工程学院， 陕西 西安 710123)

0 引言

遥感图像、医学图像、天文图像、合成孔径雷达图像、军用夜视图像等不同领域的图像，在成像和传输过程中都会受到设备本身和外界信号的干扰，造成图像中伴有大量噪声，图像细节被淹没在噪声中；或者导致图像分辨率降低，严重影响图像质量，致使后续的图像分割、图像识别等不能顺利进行。因此，图像降噪和图像超分辨率重建一直以来都是现代图像处理领域的研究热点。

国内外学者利用图像先验模型去噪，如非局部自相似(NSS)模型[1-2]、梯度模型[3]、稀疏字典学习模型[4]和马尔可夫随机场(MRF)模型[5]等，对图像降噪算法进行了大量研究。其中，最经典的是基于三维相似块匹配的去噪算法(BM3D)[2]，该算法利用图像块之间的相似性，对具有相似结构的图像块进行三维变换域滤波，取得了很好的降噪效果。后来该算法扩展到彩色图像的降噪(CBM3D)[6]并用外部先验[7]来去除噪声。Buades等[1]基于图像中包含大量自相似结构的特点，提出了非局部均值(NLM)去噪算法。NLM算法充分利用自然图像中存在的大量冗余信息，能更好地保持图像的纹理和细节。

目前，深度学习已成为机器学习领域的发展趋势和研究热点,深度卷积神经网络(DCNN)在图像分割、图像识别和自动驾驶等领域的成功应用为图像降噪问题的解决打开了新思路[8-10]，尤其是不同噪声环境下的图像降噪。与传统图像降噪方法相比，DCNN的学习能力更强，网络模型对不同标准噪声的适应能力也更好，拥有更强大的泛化能力。……