图像去噪是图像处理中的常见问题,很多图像处理过程的首要步骤,都是对获得的图像进行去噪处理。椒盐噪声是图像噪声的一种特殊情况,胡椒和盐噪声会随机将原始图像的某些像素值转换为0或255来污染图像。传统的图像去噪算法是基于滤波器设计或者插值算法,然而,使用端到端的卷积神经网络去除椒盐噪声的研究还很少。本文主要利用深度卷积神经网络模型来去除椒盐噪声。首先,回顾传统去噪算法和深度学习去噪算法的应用,重点介绍两个深度学习模型:VGG和Dn CNN。其次,针对不同图像的情况,我们设计了不同的策略,训练了不同的去噪器,并且选择了合适的去噪器。最后,我们针对不同的图像,针对不同的数据集,做了大量的实验进行对比论证,说明了我们去噪器的鲁棒性。此外,由于深度神经网络具有更广的局部感受野,在大密度噪声的去除上,具有更好的优势。本文研究内容概要如下:1.综述了图像去噪的相关应用,包括有传统方法和深度学习方法,并给出图像去噪中衡量图像性能的评价标准,介绍了卷积神经网络、VGG模型、Dn CNN模型、Matconvnet框架等概念和相关理论。2.本文采用了17层的深度卷积神经网络,针对不同规模的噪声,训练了不同的去噪器。首先,在数据集采集阶段,使用公开数据集进行训练,训练过程中,把图像进行旋转、空翻等操作,来进行数据增强;在模型验证阶段,为了防止过拟合,本文采用12张图像作为验证集,来验证模型的过拟合情况,并对模型进行优化调参,选择了合适的去噪器来去噪;在模型测试阶段,分别针对经典图像和不同数据集进行测试。实验结果表明:我们的去噪器的选择在去噪问题上有着良好的表现。3.在实验过程中,我们的去噪器的选择,对于有大量干扰点的图像,并没有达到很好的去噪效果,为了进一步考察去噪器的去噪能力,我们获取了更多的数据集,对有干扰点的图像进行考察,我们设计了一个判断图像干扰点数量的算法,并且针对干扰点较多的图像,单独应用了不同去噪器。