你是否在生活中有这样的困扰：精心拍摄的照片总觉得模糊失真；美丽的景致却带有不够清晰的瑕疵；翻到一张老照片，但时光已经让图像变得磨损难辨.......以上种种情况正是图像受到噪声污染的表现。

图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。大到医疗航天、小到随手拍照，图像在各种应用场景下不可避免会受到噪声污染，针对提升图像质量需求也日渐强烈，在此背景下，一种重要的图像质量增强技术——图像噪声的估计与抑制应运而生。

早在春秋战国时期，《墨经·经说下》中就有对成像技术的描述。现代数码相机则利用透镜（组）成像，通过图像传感器捕捉光信号并转换为电信号，再通过图像信号处理器（Image Signal Processor, ISP）将电信号处理成数字图像，最后进行压缩和存储。图像经过层层处理，各个步骤的具体方案都会对所成图像带来不同程度的噪声。

图像传感器的测量过程产生了噪声，而在图像信号处理过程，通过区分研究对象是Raw图像、线性RGB图像还是sRGB图像，对图像进行去噪。

Raw图像：图像传感器直接输出的图像。

线性RGB图像：由Raw图经过去马赛克等线性变换步骤得到的图像。

sRGB图像：由线性RGB图像经过颜色校正等线性变换和色调映射、后处理等非线性变换得到的标准RGB色彩空间图像。

噪声水平是图像去噪的一个重要参数。传统噪声水平估计方法将噪声水平估计为均匀水平。实际上，噪声水平往往是不均匀的。深度残差神经网络是一种逐像素的图像噪声水平估计方法，它在区分图像高频细节和噪声任务上表现出巨大的潜力。

联合去马赛克去噪方法针对图像信号处理过程中去马赛克与去噪高度关联、相互影响的特点，对去马赛克与去噪两个步骤进行一体化联合建模与求解。基于交替方向乘子法（Alternating Direction Method of Multipliers, ADMM )的联合去马赛克去噪方法建模依据清晰，求解步骤简单，其实验性能远超同类其他方法，与深度学习方法具有一定的互补性。

基于深度神经网络的去噪方法是利用深度神经网络从图像数据集中挖掘去噪前后图像的映射关系的一种方法，它可以从大量图像数据中自动挖掘图像先验，从而取得更好的去噪性能。

为了利用帧间信息进一步提升图像去噪的性能，还有一种基于深度神经网络的多帧图像去噪方法，这种方法在多帧高斯噪声图像去噪和多帧实际图像去噪等多个测试场景下都具有超越同类方法的性能。

随着科学技术的发展，人们对数字成像的需求，从“看得清”向“看得更清”转变。想要了解更多关于图像估噪，单帧和多帧图像去噪的相关研究，可参阅我社新书《图像去噪方法研究——基于迭代优化与深度学习方法》。