图像去噪是图像处理技术中的重要研究课题。由于各种因素被噪声污染的图像往往会因为信噪比低,图像模糊或细节丢失,影响其后期的图像处理或信息提取工作。为了有效地去除图像中的噪声,提高图像信噪比,本文从图像去噪的基本理论入手,围绕低信噪比图像进行去噪研究。并提出了两种低信噪比图像的去噪算法:基于卷积神经网络(Convolutional Neural Network,CNN)的真实场景图像的去噪算法以及基于非局部加权最小二乘估计的图像去噪算法,具体内容如下:卷积神经网络由于其强大的数据处理能力被广泛地应用在图像处理领域。本文以基本的卷积神经网络结构为雏形,提出了一个基于真实场景图像的去噪模型。网络模型训练时根据人眼视觉系统(Human Visual System,HVS)的掩盖效应(Masking Effect),即人眼观测图像时受背景照度、纹理复杂性等的影响,从而采用大量光滑的实际场景图片以及模拟的色块、线条图像构建数据集作为训练约束项,以实现对真实场景图像中噪声的去除。同时结合模拟退火算法进行训练,最小化误差函数并优化模型。实验结果显示,利用该模型对含有噪声的低信噪比图像进行处理后,不仅可以较大程度地去除噪声,提高信噪比,还能有效保留图像细节,取得了良好的去噪效果。在基于非局部加权最小二乘估计的图像去噪算法中,为了从含噪图像中估计出原始图像,通过最小化图像块中像素点的加权误差平方和实现去噪。同时,为了避免最小二乘估计中使用局部邻域像素信息造成的边界模糊问题,结合非局部相似性原理,建立相似块集合以引入中间变量和相关系数进行迭代求解。运算过程中,权值矩阵的大小根据图像块中表征像素点相关性的协方差矩阵计算,目标函数结合非负矩阵分解原理求解。整合各参数即可得到去噪图像。实验结果表明,该算法对低信噪比灰度图像和相机拍摄图像中的噪声均起到了良好的滤除效果,并提高了图像信噪比。