全文总字数：3838字

1. 研究目的与意义及国内外研究现状

数字图像在获取、传输等过程中不可避免地会受到噪声的影响，降低图像质量，于是，为了抑制噪声，改善图像质量，对图像进行去噪成为图像处理的关键步骤之一。

目前的图像去噪算法种类繁多，在传统的图像去噪算法中，nlm、bm3d是效果较为优秀的，但是nlm无法有效地保存图像的结构信息，bm3d主要通过协同过滤得到不同的权值加权平均，完成基础去噪，然后未保存更高层次的图像细节和边缘，进行二次去噪，得到更理想的图像，所以在传统去噪方法中，bm3d不仅有突出的psnr和ssim，而且视觉效果较好。同时，随着深度学习的发展，国内外很多学者利用卷积神经网络cnn完成图像去噪，其中mlp算法去噪性能已优于bm3d算法，除此以外，神经网络层数越深，到达的维度就会变高，特征提取就越复杂，去噪效果也会越好，但同时，网络越深其训练难度越大，准确率会先上升然后达到饱和，再持续增加深度则会导致准确率下降，也会出现过拟合或者梯度消失等问题。而残差网络采用shortcut connection结构，利用多条旁路的支线将输入直接连到后面的层，使后面的层直接学习残差，避免信息在传递的工程中的丢失与损耗，网络只需要对输入和输出差别的那部分，简化学习难度，提高学习效率。

国内外研究现状

2006年，多伦多大学教授hinton在期刊《科学》上发表的一篇有关深度学习的论文，引发了深度神经网络研究领域的发展热潮。

2. 研究的基本内容

本课题主要研究针对去噪算法领域中效果较好的BM3D算法，分别利用残差迭代和卷积神经网络，结合各自的优点进行去噪处理，并与传统方案进行比较总结。

3. 实施方案、进度安排及预期效果

一、实施方案：

4. 参考文献

[1] 孙伟峰, 戴永寿. 采用多级残差滤波的非局部均值图像去噪方法[j]. 电子与信息学报, 2016, 38(8):1999-2006.

[2] 黄牧, 黄文清, 李俊柏, et al. 基于bm3d图像去噪算法的参数研究[j]. 工业控制计算机,2014(10):99-101.

[3]邓正林.基于深度学习的图像去噪算法研究[d].电子科技大学,2018