提出一种保边缘的去噪方法。该方法利用4个方向核卷积检测图像中的噪声点和非噪声点，对非噪声点不进行处理。在噪声点的3×3邻域中选择距离最小的非噪声点，若无非噪声点则邻域扩大为5×5，若有非噪声点则用这些点的中值替换噪声点，否则用邻域中距离最远像素点的均值替换噪声点。实验结果表明，该方法不仅能有效去除图像的噪声，且能较好地保护图像边缘。

该方法在传统的极化SAR滤波Lee方法上增加了自适应窗口处理以及滤波参数预估计等步骤，有效的提高了传统的滤波方法的抑制相干斑的能力，同时能够很好的保持极化SAR图像的极化散射特性。

最小二乘法去除图像椒盐噪声的python代码和实验报告

ImageDenoising-MPI-Metropolis-Hastings-MCMC

本文主要讲述的是图像去噪的ROF模型及仿真实验等方面的问题

使用opencv对含有高斯噪声的图像进行去噪处理，得到去噪之后的清晰图像。

现在很理想的图像去噪方法

整理了各种资料，结合最优化课程上的内容（范数，泛函，ADMM，对偶，图像去噪）写下这篇文章，请指教

基于图像去噪的混合噪声滤波算法，可以有效地消除图像的混合噪音

田春伟，徐永，李作勇，左望萌，费伦和刘宏的Atent-guided CNN for图像降噪（ADNet）由神经网络（IF：5.535）于2020年发布（ ），并由Pytorch实现。 这篇论文被推到了Nueral Networks的主页上。 此外，微信公众号还在和 。 本文是第一篇通过深度网络属性解决复杂背景图像降噪的论文。 抽象 深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。 研究通常致力于通过非常深的CNN来提高性能。 但是，随着深度的增加，浅层对深层的影响会减弱。 受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。 具体而言，SB通过使用膨胀的和普通的卷积来去除噪声，从而在性能和效率之间进行权衡。 FEB通过很长的路途整合了全球和局部特征信息，以增强去噪