图像去噪方法总结，持续更新中......

Question

如题所述

Answer 1

图像降噪是图像处理专业领域的重要任务，旨在减少数字图像中噪声。噪声来源复杂，了解噪声成因能帮助我们有效进行图像降噪。深度学习技术在图像降噪领域也起到了关键作用，其依赖数据，明确噪声分布特点有利于构建有效数据集。
图像噪声本质上是时域的，而非空域的。计算图像区域时，我们假设该区域的点可以视为同一位置连续时间内的集合，从而计算信噪比。图像在应用中可能受到传输、量化等过程产生的不同噪声影响，根据噪声与信号的关系，可将其分为加性噪声、乘性噪声、量化噪声三类。
图像降噪方法大致分为三类：基于滤波器的方法、基于模型的方法、基于学习的方法。其中，基于滤波器的方法如中值滤波、维纳滤波等，使用特定的低通滤波器去除噪声。基于模型的方法尝试建立自然图像或噪声分布模型，并利用模型作为先验进行优化。基于学习的方法侧重学习有噪声图像到干净图像的潜在映射，包括传统的基于学习方法和基于深度网络的方法。
基于滤波器的方法虽然经典，但也存在局限性，如模糊输出、手动设置超参数等问题。基于模型的方法依赖于图像先验，虽有高去噪质量，但迭代优化复杂，耗时。基于学习的方法通过深度网络学习潜在映射，近年来在去噪领域展现出巨大潜力。这些方法各有优缺点，适用于不同场景。
随着研究进展，真实噪声场景的图像数据集得到了重视，如DnD、RNI15、SIDD等，这些数据集促进了对真实图像降噪的研究。