根据噪声和信号的关系可将其分为三种形式：(f(x, y)表示给定原始图像，g(x, y)表示图像信号，n(x, y)表示噪声。)
加性噪声，此类噪声与输入图像信号无关，含噪图像可表示为f(x, y)=g(x, y)+n(x, y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声；乘性噪声，此类噪声与图像信号有关，含噪图像可表示为f(x, y)=g(x, y)+n(x ,y)g(x, y),飞点扫描器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。量化噪声，此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。 去噪声
目前来说图像去噪分为三大类：
基于滤波器的方法（Filtering-based Methods）基于模型的方法（Model-based Methods）基于学习的方法（Learning-based Methods）。 基于滤波器
中值滤波器：对图像进行滤波去噪的算法其实就是一个加权平均的运算过程，滤波后图像中的每个像素点都是由其原图像中该点邻域内多个像素点值得加权平均，不同的滤波器最根本的差异就是权值不同。另外根据噪声的不同，滤波效果也各有不同。
缺点： 1. 块操作会导致模糊输出。2. 需要手动设置超参数。
场合： 适用于椒盐噪声和脉冲噪声。对点、线和尖顶多的图像不宜采用中值滤波
均值滤波：特点：均值滤波处理会噪声部分被弱化到周围像素点上，所得到的结果是噪声幅度减小，但是噪声点的颗粒面积同时变大，所以污染面积反而增大。
高斯滤波：特点：权重完全取决于图像像素之间欧氏距离，与图像的内容没有关系。
原理：
一个二维的高斯函数如下：
其中：
(x,y)为点坐标，在图像处理中可认为是整数;σ是标准差。
σ的意义：
σ越大，分布越分散，各部分比重差别不大，于是生成的模板各元素值差别不大，类似于平均模板；
σ越小，分布越集中，中间部分所占比重远远高于其他部分，反映到高斯模板上就是中心元素值远远大于其他元素值，于是自然而然就相当于中间值得点运算。
高斯核咋出来的？
将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。
对于窗口模板的大小为(2k+1)×(2k+1)，模板中各个元素值的计算公式如下：
这样计算出来的模板有两种形式：小数和整数。
整数形式的，则需要进行归一化处理，将模板左上角的值归一化为1。使用整数的模板时，需要在模板的前面加一个系数，系数为也就是模板系数和的倒数。小数形式的模板，就是直接计算得到的值，没有经过任何的处理;
双边滤波：
特点： 双边滤波器的好处是可以做边缘保
原理:
双边滤波=空间域+值域
一张图DDDD
σ的意义及选取
空间域sigma(space）选取:
sigma（space）越大，图像越平滑，趋于无穷大时，每个权重都一样，类似均值滤波。
sigma（space）越小，中心点权重越大，周围点权重越小，对图像的滤波作用越小，趋于零时，输出等同于原图。
值域sigma(color）选取:
Sigma(color）越大，边缘越模糊，极限情况为simga无穷大，值域系数近似相等（忽略常数时，将近为exp（0）= 1），与高斯模板（空间域模板）相乘后可认为等效于高斯滤波。
Sigma(color）越小，边缘越清晰，极限情况为simga无限接近0，值域系数除了中心位置，其他近似为0（接近exp（-∞） =0），与高斯模板（空间域模板）相乘进行滤波的结果等效于源图像。
引导滤波：
原理
导向滤波的大前提：
如图所示，算法认为目标图像 Q上相邻的点是线性相关的，之所以待处理图 P不清晰是因为，不相关的部分（噪声），
引导图I是另一个输入，它与P有相同的梯度，当滤波时可以设置I=P.用线性相关的核W去更新像素点，就会使得P更接近Q.那么能使得P最接近Q的核就是我们求解的目标
换句话说就是：求P-Q最小值时，核W是多少？
用公式来表示就是：
其中：
i 是坐标点pi是待处理图像,i位置的像素点qi是目标图像, i位置的像素点wk是核
由大前提可以列出式子：
其中：
ak，是核W在kw位置的权重bk , 是核W在kw位置的偏置Ii , 是引导图I在i位置的像素值（引导图I与待处理图P有相似的梯度）
目标式子变成：
最后，引入一个正则化参数 ϵ 避免ak过大
最小化上面式子，并求极值采用最小二乘法（最小二乘法连接）
求解后：
特性：当 I = P时，即输入图像和引导图像是同一副图像时，该算法即成为一个边缘保持滤波器。同时，方程的解也可作如下表示：
从中可以看出， ϵ 在这里相当于界定平滑区域和边缘区域的阈值。
考虑以下两种情况：
Case 1：平坦区域。如果在某个滤波窗口内，该区域是相对平滑的，方差将远远小于 ϵ ak≈0,bk≈pk。相当于对该区域作均值滤波。
Case 2：高方差区域。相反，如果该区域是边缘区域，方差很大，将远远大于 ϵ 。从而 ak≈1,bk≈0。相当于在区域保持原有梯度。
维纳滤波器：参考：
导向滤波(Guided Filter)公式详解_Zetropy-CSDN博客_导向滤波
导向滤波算法分析 - 爱鱼 - 博客园
原理：它能根据图像的局部方差来调整滤波器的输出，局部方差越大，滤波器的平滑作用越强。
NLM（Non-Local means）算法：特点： 计算复杂度高。
原理:
BM3D算法：
特点： 相比于NLM噪声更少，图像细节恢复更多，但算法复杂度高
原理:
第一阶段：
a)块匹配估计：i)块匹配分组 ii)3D协同硬阈值滤波；
b)聚合加权滤波；
第二阶段：
a)块匹配估计：i)块匹配分组 ii)3D协同维纳滤波；
b)聚合加权滤波.
详细：
i)块匹配分组： 按照划窗的方式在图像中搜索与给定图像块的相似图像块
ii)3D协同硬阈值滤波
所有图像块经过第一个2D正交变换后，
对应位置的像素点沿着第三维串起来，
在第三维方向进行1D的正交变换，这个正交变换揭示了图像块之间的相关性
进行“硬阈值”处理，处理剔除不合格像素值
在经过反三维变换变换为空间域, 至原来每个块的位置
iii）聚合加权滤波
经过第ii)中的3D协同滤波后，将图像块放回到其原始的位置，
但是由于搜索相似图像块的时候，存在图像块重叠的情况，如上图中红色区域中的几个图像块，彼此之间有重叠区域，
那么重叠区域里像素点会有不止一个去噪后的结果，到底取哪一个呢，
处理这个问题的方法就叫做聚合加权滤波，即对于同一个像素点的不同估计值赋予它们一个权值，取加权平均结果作为最终的结果。
iV)块匹配分组
过程与第一阶段块匹配过程相似
需要说明的是，这里得到两个块匹配分组，一个分组的图像块来自第一阶段基本估计滤波后的图像，我们称之为a组，另一个分组来自没有经过任何处理的含噪图像，我们称之为b组。
V)3D协同硬阈值滤波
将a组作为指导图像块
b组图像当作要去噪的图像
对两组分别进行3D正交变换，(ii部分)
进行维纳滤波，维纳滤波
对b组进行3D反正交变换到空间域图像块，并将图像块的图像块放回其原始位置。
vi)聚合加权滤波(同iii)
通过简单的扩展，就可以将针对灰度图像滤波的BM3D扩展到针对彩色图像滤波的C-BM3D,这里的C代表颜色color
参考链接：图像去噪方法总结（最全，最详细），持续更新中......_初识-CV的博客-CSDN博客_图像叠加去噪
【技术综述】传统图像降噪方法一览 - 知乎
