目的及意义：

在当今的信息经济时代，随着网络技术和多媒体技术快速发展，图像作为最重要最直接的视觉信息，数量呈现爆炸式的增长，无论是在日常生活，还是医学、气象、工业检测等各个领域，人们都喜欢采用图像的方式来描述和表达事物的特性和逻辑关系，图像处理技术显得尤为重要。

在现实中，图像中总会引入噪声，原因有很多：或因为在生成过程中镜头不干净、光线不足；或因为在获取过程中镜头失焦、传感元器件自身的质量；或是传输过程中电子元器件发热，无线网络因为光或其他天气因素干扰；或是存储过程中设备质量问题。噪声使得图像质量下降，造成图像模糊，甚至改变原有特征，严重影响到后续的图像处理结果。

生产生活需要的是清晰的图像，所以图像去噪作为一种典型的、基础的计算机视觉底层问题，一直以来都是图像处理领域和计算机视觉领域研究的热点。典型的图像去噪算法，如均值滤波，中值滤波等，在去噪的过程中，往往会引起图像边缘的模糊或造成纹理细节的丢失，而进行图像边缘增强的同时也会增强噪声，去噪效果都不是很好。因此为了获得高品质的图像，我们希望能研究出在对图像进行去噪处理的同时，尽可能地保持图像的原有特征的解决方法。

国内外研究现状：

以前的图像处理研究者们根据实际图像的特点、噪声的频谱分布的规律和统计特征，开发了多种多样的去噪方法，从上世纪九十年代开始，科学家们就不再满足于现有的空间域处理方法和只变到单一域里面的处理效果，开始不断地研究新领域，随着科技信息的发展，通过不懈的努力，提出了一些新颖的去噪方法。

现在的图像去噪方法通常分为两大类，一类是基于模型的方法，另一类是基于学习的方法。大多数的图像去噪方法是基于先验模型来复原原始图像，属于基于模型的方法。一种典型的图像先验是梯度先验，上世纪90年代，Rudin等人基于拉普拉斯分布的梯度先验提出了全变分模型；另一个著名的先验模型是混合高斯模型。基于自然图像的梯度服从长尾分布，稀疏先验也被广泛地应用于图像去噪，还有一种流行的先验是非局部自相似性先验，在该框架上，Levin等人研究了去噪算法的固有限制，然而以上的先验知识下的去噪模型没有办法保留住图像的精细的纹理结构，大大降低了视觉效果。

2. 研究的基本内容与方案

基本内容及目标：

图像去噪中一个最具挑战性的问题就是纹理结构等精细尺度的细节会被过度平滑，过度平滑的图像会比原始图像有更弱的梯度。考虑到图像中的纹理区域是同质并且通常由类似的模式构成，统计描述符直方图能有效地表示其纹理结构，促使我们使用梯度直方图来设计去噪模型，达到在去噪的同时能够良好地保留住图像的纹理结构的效果。所以本课题基于梯度直方图保持纹理模型，研究的是纹理丰富的图像，目的是为了在去除噪声的同时能够保持图像精细的纹理结构。