Hello，我是kk~
有同学在字节的终面，和面试官聊到了图像去噪算法。
没想到，可能能运气好，正好复习了这一块，而且是毕业时候的论文方向。
今天咱们也聊聊图像去噪，总结出十大图像去噪算法。
以下是今天涉及到的算法~
高斯滤波
中值滤波
双边滤波
小波去噪
非局部均值去噪
总变差去噪
图像块匹配去噪
学习型去噪
自适应邻域平均
随机抽样一致性
咱们从简单的介绍、原理以及优缺点进行详细的介绍~
高斯滤波（Gaussian Filtering）
简介： 高斯滤波是一种基于高斯函数的线性平滑滤波器，常用于降低图像中的高频噪声。
基本原理： 对于图像中的每个像素，通过将其周围的像素值按照高斯权重进行加权平均来平滑图像。
核心公式：
其中，
是平滑后的图像像素值，
是高斯核中的权重。
高斯滤波器通过对图像进行加权平均来减少噪声，权重由高斯函数确定，距离中心像素越远的像素权重越小。
优缺点：
优点：简单易实现，速度快，适用于轻度噪声去除。
缺点：可能会模糊图像细节，不适用于去除较强噪声。
适用场景： 用于对高斯噪声或低强度噪声的图像进行去噪。
中值滤波（Median Filtering）
简介： 中值滤波是一种基于排序统计的非线性滤波器，常用于去除图像中的脉冲噪声。
基本原理： 对每个像素周围的邻域进行排序，然后选择排序后的中值作为新的像素值。中值滤波器通过选择邻域中的中值来减少噪声的影响，保持图像边缘信息不变。
优缺点：
优点：能够有效去除脉冲噪声而不模糊图像细节。
缺点：在噪声密集区域可能会导致细节丢失。
适用场景： 适用于脉冲噪声较多的图像去噪，如摄像头图像或受损图像。
双边滤波（Bilateral Filtering）
简介： 双边滤波是一种非线性滤波器，结合了空间距离和像素值相似性来保留图像边缘。
基本原理： 对每个像素周围的邻域进行加权平均，其中权重由空间距离和像素值相似性决定。
核心公式：
其中，
是平滑后的图像像素值，
是空间距离权重，
是像素值相似性权重。双边滤波器通过权衡空间距离和像素值相似性来保留图像的边缘细节，对边缘保护较好。
优缺点：
优点：能够保留图像边缘细节，对各种类型的噪声都有良好的效果。
缺点：计算复杂度较高，速度较慢。
适用场景： 适用于需要保留图像边缘细节的去噪场景，如图像增强或者图像复原。
小波去噪（Wavelet Denoising）
简介： 小波去噪是一种基于小波变换的方法，通过分析图像的频域信息来去除噪声。
基本原理： 小波变换将图像分解为不同频率的子带，噪声通常集中在高频子带中，然后通过阈值处理去除噪声子带。小波变换的分解和重构过程涉及复杂的数学运算，通常采用离散小波变换（DWT）或连续小波变换（CWT）。小波去噪通过对不同频率的子带进行阈值处理，将噪声滤除，然后进行逆变换重构图像。
优缺点：
优点：能够在保留图像细节的同时有效去除噪声，适用于各种类型的噪声。
缺点：需要选择适当的小波基函数和阈值，计算量较大。
适用场景： 适用于各种类型的噪声去除，尤其对于高频噪声效果显著。
非局部均值去噪（Non-Local Means Denoising）
简介： 非局部均值去噪是一种基于图像块匹配的方法，通过搜索相似块来估计噪声，并进行加权平均去噪。
基本原理： 对于图像中的每个像素，搜索图像中的相似块，并计算其加权平均来去除噪声。通过对图像中相似块的加权平均来减少噪声的影响，保持图像细节。
优缺点：
优点：能够在保留图像细节的同时有效去除噪声，对于复杂场景效果较好。
缺点：计算量大，算法复杂度高，对参数敏感。
适用场景： 适用于各种类型的噪声去除，尤其对于复杂场景或强噪声场景效果较好。
总变差去噪（Total Variation Denoising）
简介： 总变差去噪是一种基于图像总变化量的方法，通过最小化图像的总变化量来去除噪声。
基本原理： 总变差是图像像素之间的绝对差值的总和，通过最小化总变化量来平滑图像。总变差去噪的核心公式涉及到最小化问题的优化，常用的算法包括梯度下降法、迭代软阈值等。总变差去噪通过平滑图像中的不连续部分来减少噪声，保持图像边缘。
优缺点：
优点：能够保留图像细节的同时有效去除噪声，尤其适用于保持图像边缘。
缺点：计算量大，算法较复杂。
适用场景： 适用于需要保持图像边缘的噪声去除，如医学图像或自然图像。
图像块匹配去噪（BM3D Denoising）
简介： BM3D是一种基于块匹配和3D变换的图像去噪方法，通过对图像进行分块、匹配和变换来降低噪声。
基本原理： 首先将图像分解为重叠的块，然后通过块匹配找到相似块，并对这些块进行3D变换和去噪处理。BM3D通过利用相似块的信息来降低噪声，并通过3D变换和阈值处理来实现去噪效果。
优缺点：
优点：能够在保留图像细节的同时有效去除噪声，适用于各种类型的噪声。
缺点：计算复杂度较高，实现复杂。
适用场景： 适用于需要较高质量去噪的图像，如专业摄影或医学图像。
学习型去噪（Learning-based Denoising）
简介： 学习型去噪是一种基于机器学习的方法，通过训练模型来学习噪声和清晰图像之间的映射关系，然后用于去噪。
基本原理： 通过使用已知的噪声和对应的清晰图像来训练神经网络或其他机器学习模型，学习噪声与图像的映射关系。
核心公式： 学习型去噪的具体实现涉及到神经网络的结构、损失函数等，通常采用深度学习框架进行实现。学习型去噪通过训练模型来学习图像中的噪声模式，并对输入图像进行预测，从而去除噪声。
优缺点：
优点：能够学习到复杂的图像噪声模式，适用于各种类型的噪声。
缺点：需要大量的带有噪声的图像进行训练，且模型复杂度较高。
适用场景： 适用于需要高效去噪且能够处理各种类型噪声的场景，如数字图像处理、医学图像处理等。
自适应邻域平均（Adaptive Neighborhood Averaging）
简介： 自适应邻域平均是一种根据像素周围邻域属性自适应地选择滤波器大小和类型的去噪方法。
基本原理： 对于每个像素，根据其周围邻域的特征来动态地选择合适的滤波器大小和类型，以达到最佳的去噪效果。自适应邻域平均方法通过考虑像素周围邻域的特征来动态调整滤波器，以适应不同的噪声程度和图像特征。
优缺点：
优点：能够根据图像特征自适应地调整滤波器参数，适用于各种复杂场景。
缺点：实现复杂度较高，对参数选择敏感。
适用场景： 适用于需要在不同场景下自适应地去除噪声的图像处理任务。
随机抽样一致性（Random Sample Consensus, RANSAC）
简介： RANSAC是一种基于随机抽样和一致性检验的图像去噪方法，通过随机采样和模型拟合来去除离群值。
基本原理： 随机选择一组样本，根据这些样本拟合模型，并根据一致性检验来识别和去除离群值。RANSAC通过迭代随机样本选择和模型拟合来估计数据中的主要趋势，并排除离群值以降低噪声影响。
优缺点：
优点：能够有效去除噪声和离群值，对于数据中的局部异常情况具有较好的鲁棒性。
缺点：算法效率较低，需要进行多次迭代，且对参数的选择敏感。
适用场景： 适用于需要鲁棒性较强的图像去噪任务，尤其适用于存在离群值的情况。
最后
添加微信：kkcoder，备注：CV，拉你入群，一起学习。
好了，今天的内容先这样，继续想看解决什么问题，评论区留言~
推荐阅读
不愧是微软，巨深入
不愧是京东，面试超开心
拼多多，目前薪资天花板
不愧是腾讯，边缘检测问的巨深入。。。