随着当下社会对图像设备的广泛使用,图像已经成为了信息传递的最常见的媒介载体,在社会的各行各业均有着具体且有价值的应用。产生图像信息的设备多种多样(如相机、电子屏幕等),这些设备在产生图像的同时会因设备本身产生噪声(如高斯噪声、信道依赖噪声等),使得图像信息质量损失或降低,影响使用,图像去噪是图像复原领域的重要研究课题。目前,深度学习在图像去噪领域的应用研究已经取得了较好的效果,性能上已经超过传统算法。在CNN网络相关去噪方法中,主要研究集中在频域、空间域的端到端网络数据特征拟合,直接学习或是残差学习生成干净图像。神经网络在图像去噪方面的研究应用主要利用其深度拟合数据的强大特性,来实现端到端的图像去噪。那么对于相同分布的纯噪声图谱本身,是否可以使用神经网络深度拟合其分布信息来优化主去噪网络性能。对于神经网络去噪图像存在过度平滑的问题,本文认为主要有两点原因;其一为设计的网络结构以及选用的损失函数具有固有的缺陷;其二为与噪声相同频域内的图像细节存在信息损失。本文尝试设计结构更佳的盲去噪噪声估计子网络以及设计生成有效标签的方法,该标签需要指导噪声估计子网络生成准确的噪声估计,噪声估计作为特定指导信息引导主去噪网络有效去噪,提升网络去噪性能。然而固定的网络结构以及确定的损失函数带来的缺陷难以避免,但是第二点原因存在可以优化的空间,本文设计方法尝试补充与噪声同频域的部分细节信息。本文对于上述问题进行了探讨,提出了相关的研究方法,并进行了实验分析。本文的研究内容如下:(1)通过对艺术风格信息融入内容图像方式的可行性分析,本文设计自学习分布信息提取子网络与处理含噪图像的去噪主网络,并且设计分布信息在主去噪网络中的融合方式。本文使用峰值信噪比(Peak Signal to Noise Ratio,PSNR)以及图像细节对比的方式作为图像去噪性能的评价标准。分布信息提取子网络自学习生成噪声分布信息,并融入到主去噪网络数据特征,较好的优化网络去噪性能,并为其它去噪网络的性能优化提供参考和可行性分析。(2)本文改进了盲去噪估计子网络结构,改进了噪声估计子网络生成噪声估计所使用标签的提取方法,优化去噪网络特定指导信息。对于经典的加性高斯噪声的神经网络去噪算法中,使用噪声水平指导网络去噪,但是对于噪声较为复杂的图像退化模型,单纯使用加性噪声的噪声水平已不完全合适作为指导信息。使用退化模型中间加噪过程作为指导信息,也已不适合直接指导网络去噪,因为使用退化模型生成的训练数据是加噪后经过其他函数映射的变化数据,不适合使用加噪模型生成指导信息直接引导网络去噪。本文优化指导信息以适应真实噪声的网络去噪,同时本文优化盲去噪网络中噪声估计子网络,优化网络去噪性能。(3)本文设计快速傅里叶(Fast Fourier Transform,FFT)频域滤波变换相关方法,恢复同噪声在相同频域的部分图像细节。在分析CNN去噪网络时发现,不同去噪网络训练过程中,由于使用Total Variation(TV)函数、Mean Squared Error(MSE)函数等作为损失函数以及网络参数存在过拟合、信息损失等问题,使得网络生成的干净图像存在部分过度平滑问题,这使得与部分噪声具有相同频率的边缘细节信息会被网络消隐。本文通过快速傅里叶变换(FFT),处理去噪图片来确定边缘位置,并经过阈值约束,使用含噪数据来添加部分细节信息,从而丰富图像内容。