图像的噪声去除是图像处理领域的一个非常关键的部分。由于当今社会,科技的快速进步和互联网的快速发展,我们所接触到的图像数据越来越多,对于高品质的图像的渴望程度越来越大。因为只有高质量的图像才能保证其信息的不缺失,因此减少图像噪声这一环节就显得极其重要了。目前就图像去噪来说,其方法可以说非常多,对于传统的去噪算法,除了单纯的滤波器处理以外,还有各种变换域处理以及基于统计模型的去噪算法等。最近几年深度学习的出现,为图像处理打开了新的大门,于是,基于深度学习的图像去噪算法也就随之出现。本文主要使用两个不同的方法对图像进行去噪研究:一是对图像进行变换域处理,再进行建模来完成图像去噪;另一个就是使用深度学习实现图像的去噪。本文的工作概括为下面几个部分:(1)先通过非下采样Contourlet变换对图像进行处理,得到图像的变换系数,之后再进行系数建模。通过针对于拉普拉斯建模过程中的子带含噪标准差估计所存在的问题进行了改进,同时对于正态逆高斯建模还引进了调节因子,以达到对该模型的优化效果。(2)通过在变换域对图像进行拉普拉斯建模和正态逆高斯建模之后,将得到的建模数据通过一定的规则进行联合处理,得到联合建模系数。然后再对联合建模所得到的系数数据进行反非下采样Contourlet变换,从而得到去噪之后的图像。(3)提出一种双阶卷积神经网络结构,网络的第一阶段主要完成图像的残差训练,即得到图像的噪声情况。然后通过一定的操作处理第一阶段的图像数据,继而作为输入传给第二阶段网络进行训练,最终得到图像的去噪效果图。(4)在双阶卷积神经网络中,网络中不仅保留和应用了残差训练以及数据的批正则处理,同时还对激活函数进行了修改。这里使用ELUs作为激活函数替代了惯用的ReLU函数,从而使得卷积网络在训练过程中训练速度得以提升,并且能得到更好的鲁棒性。同时为了防止网络的过拟合情况,优化网络训练效率,还对损失函数进行了优化。