随着图像技术的广泛使用,图像去噪技术也已经渗透到人类生活的方方面面。未来AI会更加普及,镜头逐渐深入到日常生活中,对图像清晰度的需求也越来越高,所以图像去噪具有一定的研究价值和广泛的前景。在研究去噪过程中,如何做到既能有效的去噪又能保护边缘细节,且耗时少,已然成为亟待解决的困难。因此本文提出了两种去噪算法,一种是Shearlet变换与热门的压缩感知相结合去噪算法,不仅具有相当好去噪性能,而且有较高的客观评价数值;另一种方法利用深度学习概念,训练模型能够去除一定范围噪声图像,去噪性能优异,降低训练成本,较好的解决了上述问题。本文首先介绍了已有的典型的图像去噪算法,然后对其进行分析,提出本文去噪算法,最后完成实验仿真且给出各主客观评价以及细节对比。具体安排如下:1、本文对前人成果进行研究分析,考虑到在实现图像去噪过程中出现的伪吉布斯振荡和模糊情况,本文利用图像的稀疏表示理论提出一种新的Shearlet域图像去噪算法。根据Shearlet变换特有的优势,建立稀疏去噪模型,然后利用稀疏编码求解,并用Monte_Carlo实现系数选择,因而获得干净的系数,最后重构获得理想图像。实验结果表明,该方法不仅PSNR上能够提高3dB,而且MSSIM也提高了 0.03,使得视觉效果更优,纹理细节和边缘信息得到保证。2、针对现有的去噪模型都是只能去除参与训练的噪声图像,无法去除未参与训练的噪声图像,实现一定范围的图像去噪,本文提出一种基于卷积神经的自适应图像去噪。不再拘泥于传统的高斯去噪模型,使用残差去噪模型实现训练图像时去除隐藏噪声,并引入阈值作为激活函数,用以调节网络模型,且使用BN等算法加快训练速度,而且提高去噪性能。实验结果显示改进的算法去噪性能优异、细节保护能力更好,能实现一定范围图像去噪。3、用Matlab软件完成实验仿真,针对提出的卷积网络去噪模型需要GPU以及Matconvnet学习框架的技术支持,验证本文算法的有效性和优越性。最终仿真结果与理论分析结论相符,说明本文提出的算法相较于传统算法向综合性能更优越,拥有广泛应用前景和实用价值。最后,总结本文的工作内容,以及未来工作的安排。