图像信息是人们获取信息的重要组成部分,高质量的图像会让人们获得更加准确的信息,而由于图像在获取的过程中受到设备和环境的限制,客观上导致了部分图像信噪比低下。随着人们对图像质量的需求越来越高,真实图像去噪问题在生产和生活中有着重要的作用。针对真实图像去噪,国内外学者提出大量算法,但是这些去噪算法基本上都是基于高斯白噪声的假设,在仿真的高斯图像上能取得理想的去噪效果,但是在实际的相机系统中,由于实际噪声由多种不同类型噪声组成,比高斯噪声更加复杂,以及真实噪声图像对的缺乏,导致这些算法在真实噪声图像的效果并不明显。本文针对现有问题提出基于深度神经网络的噪声建模方法,在给定相机的真实含噪图像和干净图像对上学习目标相机的噪声模型,使得仿真出的噪声与该相机真实噪声分布接近。主要工作和贡献点如下:1、针对现有噪声模型无法准确描述真实噪声分布的问题,提出了一种基于深度网络的非参数化真实噪声模型。提出的噪声模型利用非局部均值估计方法从真实含噪图像和干净图像对中估计真实噪声图像中的每一个像素的噪声方差,利用估计得到的噪声方差和干净图像,并结合相机的ISO参数信息,根据输入的干净图像,生成接近于真实噪声分布的真实含噪图像。相比传统的泊松-高斯模型,提出的噪声模型采用神经网络来估计噪声模型的参数,并获得更加逼近于真实噪声分布的的噪声图像;后续的去噪性能接近甚至优于在真实噪声图像和干净图像对上学习的算法的结果。2、针对现有噪声模型需要噪声参数估计的问题,提出一种基于生成对抗网络的真实噪声建模方法。现有的真实噪声成分复杂,噪声模型并不能完全表征噪声,针对这一问题,本文提出的基于生成对抗网络的方法直接从干净图像中学习,最终得到对应的真实噪声,实验结果表明,该方法获得更加逼真的噪声图像,在去噪结果上逼近于真实噪声图像和干净图像对上学习的算法的结果。3、针对真实噪声图像数据匮乏的问题,为智能手机去噪建立了一个数据集,提出了系统的方案来估计真实噪声图像对应的干净图像,可以用来衡量智能手机图像的去噪性能。本文利用手机捕获了3000余张图像并生成了对应的真实图像。最后在本文的方法中进行测试,实验表明本文提出的真实噪声建模方法的有效性和泛化能力。本文算法的提出为真实噪声建模和真实噪声图像去噪提供了较好的基础,同时所达到的结果也是同一时期最优的。