1.Is large improvement in efficiency of impulsive noise removal in color images still possible?
（2020）
一个通用的框架如图所示，首先进行噪声检测，然后进行噪声像素的替换，这两个模块分别成为Detectors 和Estimators
Detector方法如下：
Estimators如下：
利用 ACC 和F1-score两个指标进行评价：
测试的数据集：Training Image Set | Kaggle
https://www.kaggle.com/
lmalinski/impulsive-noise-removal.
测试的结果如下： CNND表现最好，然后是GDPD,FASTD,FPGD
这里groud truth可以通过噪声图与原图比较得到随机的噪声图。
后面会简单介绍一下这几个方法
评价指标是PSNR和MSE
PSNR结果如下：RE表示参考的Estimator, 其他数据是相对与RE的
CNNE表现最好，然后是IPNE和DCTE
Detector : CNND表现最好，然后是GDPD,FASTD,FPGD
Estimator ：CNNE表现最好，然后是IPNE和DCTE
分为两个环节： 检测和替换
第一部分计算局部窗口的中心像素对其邻域的隶属度
第二部分采用加权平均滤波器(weighted Average Filter, WAF)来替换被归类为异常值的像
素。
具体来说，如下图， x1是窗口的中心像素，然后计算close neighbors，（如果两点的欧式距离 < d， 则是close neighbors。
Close neighbors的个数就是 peer group, 表示的是该点与周围点的相似度
替换的方法是 weighted average filter(WAF)
用周围点进行插值得到，周围点的weight由下式得到，m越小，说明该邻域点可能是噪声，因此weight越小。这里的gamma是一个大于0的参数
然后插值后的结果：
第一个参数是d，d用来判断是否是close neighbor， 如果d过大，则邻域点都是close neighbor，d过小，则周围没有点是close neighbor。如下图，分别为d=0.1和d=0.2
d=0.2时，每个像素都会得到更多的close neighbor, 即m会比较大。因此noise pixel的检测标准会降低，在d=0.1时判断为noise pixel的（比如m<=1）像素，在d=0.2时不会被检测为noise pixel.
第二个 gamma 参数，用于调节 weight, 如果gamma 在0-1范围内，m的差异会被压缩，
如果gamma > 1， m的差异会被放大。
比如 ，两个m分别为 2， 4，gamma=2时变为4， 16， 差异变为4倍。
关于参数的一些选择，作者进行了相关的实验，实验不同的参数组合对 结果的影响，每个图像可能会是不同的参数，但总体来说，最后的参数在一定范围内。
不同的噪声水平，使用不同的参数。
7）GDPD：Impulsive Noise Removal in Color Digital ImagesBased on the Concept of Digital Paths
A.中心像素与窗口边缘的像素形成一条路径，中心像素与该路径上其他点的距离之和，可以表示该像素的脉冲噪声强度（与路径上其他点的不相似程度）下图为半径为2的窗口的一些路径，每个颜色表示一条路（加上中间灰色pixel）
根据路径计算该点 的 不 相似度 C
定义所有路径中最小的C为该中心点的脉冲噪声强度 ， 该方法可以检测聚在一起的 噪声，而且很好的保留边，原因如下
有图会有练成边的路径因此C很小，但是左图只是有一簇9，计算的C会很大，会被判别为噪声。
具体检测过程如下： 首先计算每个点的噪声强度得到c，放大噪声强度更好的显示如图d，
形态学操作排除纹理的影响得到如图e，防止纹理被检测为噪声。f图是d-e表示纹理
这里的形态学操作是top-hat
首先根据下面的公式进行一个加权平均操作，权重受到 检测的噪声强度影响。
这里对图像每个像素都进行了处理。可以看出这个方法没有首先把pixel分为noise和noise-free，而是整合在一起。
加权平均后会得到一个比较模糊的图如下图（d），然后最后一步是一个fusion操作，噪声强度大的pixel用估计的y， 噪声强度小的pixel 用原图x.最终结果如下图（e）
Deep Learning Based Switching Filter for Impulsive
Noise Removal in Color Images（2020，IDCNN）
Beyond a Gaussian Denoiser: Residual Learning of Deep
CNN for Image Denoising. （DnCNN,2017, 这篇更通用一些）
这篇文章简单清晰好懂，首先利用深度学习预测噪点，然后利用传统方法替换噪声值
看上面两个图应该就大概清楚了。像素替换利用的是一个自适应均值滤波方法
窗口内有 clean pixel,就用pixel的均值替换，否则扩大窗口
Learning Deep CNN Denoiser Prior for Image Restoration; 2017. 这篇是深度学习方法，这里不做介绍。
D’Errico J. Inpaint nans. MATLAB Central File Exchange. 2004.这个matlab程序效果不错，原理还不太清楚，找不到相关paper参考， 如果有大佬比较懂的话，非常期待给我科普一下。
A three-dimensional gap filling method for large geo-
physical datasets: Application to global satellite soil moisture observations.
一个DCT的方法：关于DCThttps://blog.csdn.net/yanceyxin/article/details/82080242
效果不错，与IPNE接近。
未完待续吧。粗略的一些介绍。
