日常生活中图像无处不在，是一种普遍的信息载体，而在传输图像的过程中可能会受到许多方面的影响导致噪声的产生，从而对后续的图像识别产生不利的影响。因此，图像去噪作为图像修复不可或缺的一步，显得尤为重要。

目前存在的传统去噪方法主要有空域和频域两类。空域的去噪方式大多是使用各种滤波器并加以创新和改进；频域的去噪方式则基于各种变换公式，如小波变换。

神经网络作为一种新的研究领域，随着计算能力的增长和理论的完善，已经在语音，图像，文本等信息处理和识别等领域取得了重大成果。而卷积神经网络作为深度神经网络的一种，有其独特的优越性。

自编码器autoencoder是一种数据的压缩算法，其中数据的压缩和解压是有损的，从样本中自动学习的，在大部分使用自编码器的场合，压缩和解压缩的函数都是通过神经网络实现的。自编码器的种类也很多，比如undercomplete（欠完备）自编码器，正则化自编码器，稀疏自编码器，去噪自编码器等等。我们可以用python的深度学习库keras轻松的建立一个单隐藏层的自编码器。

综合图像去噪和神经网络自编码器，我选用了深层卷积自编码器这种结构来进行研究，当然变分自编码器（VAE）的研究效果也不错，可惜理论要求比较严格，研究门槛较高。

随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。

图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。

目前，国内外学者们已提出多种图像去噪方法，典型的有：（1）基于平滑的线性或非线性滤波，如中值滤波和维纳滤波。（2）基于图像的小波或字典分解。小波分解是将图像信号变换到小波域进行多层分解，实现信噪有效分离，如BLS-GSM（Bayes Least Squares-Gaussian ScaleMixtures）；基于字典的方法是将含噪图像在过完备原子库上进行稀疏表示，但重构原始图像时只使用部分较大的分解系数，舍弃了包含噪声成分的部分小系数，从而最终实现图像的去噪，能够在去噪的同时较好地保持图像结构信息，如KSVD（K-Singular Value Decomposition）。（3）基于图像的全局统计特性或其他特性（如自相似性）。目前去噪效果较好的BM3D（Block-Matching and 3D filtering）算法是将图像分为一定大小的块，将具有相似特征的块合并为三维数组，采用三维滤波的方法处理三维数组，再通过逆变换获得降噪后的图像。非局部均值滤波在图像全局区域比较各像素点的灰度值，利用图像的非局部自相似性，根据图像的相似性对每一个像素点分配权重，得到去噪后对应的像素灰度值。而后郭强等人提出了一种利用非局部相似性和低秩近似的去噪方法，有效地缓解了非局部均值滤波计算复杂度高、效率低下的问题。这些方法虽然在一定条件下，较好地实现了图像去噪，但它们均为浅层模型。当噪声强度较小时，去噪效果显著；而当噪声强度较大时，降噪图像往往会丢失边缘、纹理等细节信息，造成图像模糊现象。因此有必要寻找一种在高噪声环境下仍能有效去噪的方法。