图像降噪是图像预处理中非常重要的一步，旨在去除图像中的噪声，以提高图像质量并为后续的图像分析提供更好的基础。图像降噪算法可以根据其原理和技术进行分类，主要包括以下几个大类：
1. 空域滤波方法
这些方法直接在像素级别上操作，通常涉及邻域内像素值的加权平均。
- 均值滤波：简单地取一个窗口内的所有像素的平均值，适用于均匀分布的噪声。
- 中值滤波：选择窗口内像素值的中位数，对于盐椒噪声特别有效。
- 高斯滤波：使用高斯核对邻域像素进行加权平均，可以平滑图像同时保留边缘信息。
- 双边滤波：结合空间邻近性和灰度相似性进行加权平均，既能去噪又能保持边缘。
2. 频域滤波方法
通过傅立叶变换将图像从空域转换到频域，然后对频谱进行操作。
- 低通滤波器：抑制高频分量，可以去除噪声但可能会模糊细节。
- 带通滤波器：允许特定频率范围内的信号通过，用于去除特定频率的噪声。
3. 变换域方法
利用图像在某种变换域下的特性进行降噪。
- 小波变换：通过小波系数阈值化去除噪声，保留图像细节。
- 离散余弦变换 (DCT) 或 离散傅立叶变换 (DFT)：类似频域滤波，但在变换域进行操作。
4. 基于统计的方法
利用图像的统计特性进行降噪。
- 非局部均值去噪 (NLM)：利用图像中相似区域的统计信息。
- 自适应滤波：根据局部图像的统计特性调整滤波参数。
5. 基于模型的方法
建立噪声模型，然后基于模型进行降噪。
- 贝叶斯估计：基于先验知识和观测数据估计最可能的原始图像。
- 隐马尔可夫模型 (HMM) 或马尔科夫随机场 (MRF)：考虑像素间的相互依赖关系。
6. 深度学习方法
利用神经网络自动学习图像的复杂特征。
- 卷积神经网络 (CNN)：用于图像分类、识别和降噪。
- 生成对抗网络 (GAN)：特别是用于超分辨率和图像恢复。
- 自动编码器 (AE)：通过学习输入数据的压缩表示来进行降噪。
每种方法都有其适用场景和局限性，实际应用中可能需要结合多种技术来达到最佳效果
