WidsMob Denoise是一个简单的降噪程序，适用于智能手机和具有各种照片格式的摄像机。它是肖像和风景照片的降噪最佳解决方案。无论是拍摄移动人员，在低光下拍摄，修饰旧镜头还是肖像，您都可以轻松实现所需的效果。 WidsMob Denoise 2021 1.2.0.88 Win/2.18 macOS (图像降噪软件)软件功能： 色度噪声控制 在低饱和度区域设置强色度降噪，在高饱和度区域设置弱降噪。 亮度噪声控制 操纵亮度降噪，消除黑暗区域的噪点，同时完全保留较亮区域的结构。 锐度调整 调整图像的杂色时，还应降低图像的清晰度以获得更好的效果。 优秀的照片美化剂 一键美化照片。您可能会比以往更多地使用智能手机或其他设备进行拍摄，这些设备具有胶片颗粒，JPEG压缩伪像和其他缺陷。即使您使用摄录一体机，亮度噪点和色度噪点也是不可避免的。WidsMob Denoise是全方位的降噪软件，可以获得更好的图像而不会产生噪音。 优化不同场景下的照片 Noiseware，用于优化在不同场景中拍摄的照片。无论是具有高ISO的低光环境，无闪光灯环境，还是拍摄移动物体，在修复模糊的照片或JPE

高光谱图像降噪的联合空间和光谱低秩正则化

基于均值法，中值法，和自创改进均值法的图像去噪源程序，仍需要改进的地方是：没有创建线程处理矩阵输出，程序处理大图片时速度很慢。如果不输出矩阵速度很快。如有需要自行修改。谢谢！

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型,引入片相似性的思想,构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性(或梯度信息)检测边缘,不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性,可以在滤除图像噪声的同时,保持更多的细节信息。仿真结果表明,与其他传统的基于偏微分方程(PDE)的图像降噪算法相比,该算法将信噪比(SNR)和峰值信噪比(PSNR)提高至16.602480 dB和31.284672 dB,具有良好的抗噪性;同时视觉效果较好,保持了更多的弱边缘和纹理等细节特征,在噪声抑制与边缘保持之间取得了较好的权衡。

论文：Image denoising by sparse 3D transform-domain collaborative filtering 阐述了BM3D算法原理与实现步骤

基于小波变换的图像降噪Matlab程序,适合图像降噪处理。

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声，对于脉冲噪声得不到好的降噪效果的问题，提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。仿真实验结果表明，结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善，从而证明了该方法的有效性。

好用的去噪声代码matlab 带对抗训练的深度卷积神经网络用于数字化胸部断层合成图像降噪 该存储库适用于以下论文： M. Gao，JA Fessler和H.-P. Chan，“具有对抗训练的深层卷积神经网络对数字化乳房断层合成图像进行降噪”， IEEE医学影像交易，2021年。DOI：。 数据 训练数据是使用模拟软件准备的。 乳房幻影是由产生的。 我们使用来自GE的基于Matlab的私有CatSim来模拟GE Pristina DBT系统。 尽管最近开放了一个开源，但它并未包含所有模块。 作为一种替代方法，可以在VICTRE软件包中使用以生成PV。 我们使用自己的SART算法和重构DBT。 如果您没有可用的侦察算法，则可以尝试使用VICTRE软件包中的FBP算法。 代码 要求 Python 2.7，TensorFlow 1.4.1。 训练 培训代码是根据以下存储库开发的，在开发培训代码时，您可能会发现它们很有用：，。 部署方式 要部署降噪器，请运行： python deploy_dngan.py 我们提供了5片重建的VICTRE幻影DBT映像（异型，带有某些MC）作为测试部署代码的示例

杜比 ICPR 2020 Jae Woong Soh和Nam Ik Cho [纸] 环境环境 Ubuntu 18.04 （> = 1.8） CUDA 11.2和cuDNN Python 3.7 抽象的 由于图像采集过程中不可避免的噪声破坏，图像降噪是许多图像处理和计算机视觉任务的重要组成部分。 传统上，许多研究人员在贝叶斯视角下根据图像属性和统计数据对图像先验信号进行降噪研究。 近年来，深度卷积神经网络（CNN）通过合并大规模合成数据集，在图像去噪中显示出了巨大的成功。 但是，它们都有优点和缺点。 尽管深层CNN强大，可以用已知的统计数据消除噪声，但它们往往缺乏针对盲目和现实噪声的灵活性和实用性。 而且，他们不能轻易采用显式先验。 另一方面，传统的非学习方法可能涉及显式的图像先验，但它们需要大量的计算时间，并且无法利用大规模的外部数据集。 在本文中，我们提出了一种基于CNN的方