图像去噪相关的内容，主要包括：噪声类型，评估方法，传统去噪方法，深度学习去噪方法，常用数据集。
噪声类型摄影中的噪声主要有3种：固定噪声、随机噪声、非均匀响应噪声。
固定噪声：这种噪声来自电路本身，在各类信号处理系统中广泛存在，信噪比（signal no noise ratio, SNR）曲线是一条斜率为20dB/dec的直线，20dB代表信号幅度是噪声信号幅度的10倍，此时信号能够比较好的保证质量。
随机噪声：光子进入传感器的过程在数学上可以用泊松分布进行建模，此时带来的噪声是与亮度的平方根成正比的，信噪比曲线是一条斜率为10dB/dec 的直线。
非均匀响应噪声：这种噪声来源于每个像素在制造时候的个体差异，即使感受相同的亮度，不同像素给出的响应也是不同的，它的信噪比是一条水平线，它决定了相机信噪比的上限。
评估方法常用的客观评估标准包括峰值信噪比（PSNR）和结构一致性相似因子（SSIM）
PSNR：这是原图像与处理图像之间均方误差（MSE）相对于
的对数值，其中n是每个采样值的位数，8位图像即256，PSNR定义如下：
，PSNR越大表示失真越小。MSE的计算如下：
，yi是去噪后图像灰度值，yi^是无噪声真实图像灰度值。
结构一致性相似因子PSNR从底层信噪的角度来评估图像的质量，但是人眼对于质量的评估关注的层次其实更高，根据人类视觉系统模型，人眼观察图像有以下几个特点：
- 低通滤波特性，即人眼对于过高的频率难以分辨。
- 人眼对于亮度的敏感大于对颜色的敏感。
- 对亮度的响应不是线性变换的，在平均亮度大的区域，人眼对灰度误差不敏感。
- 人眼对边缘和纹理敏感，有很强的局部观察能力。
结构相似性因子是一种来源于结构相似性理论，建立在人眼的视觉特征基础上的衡量两张图像相似度的指标，其值越大越好，最大值为1，广泛用于图像质量评估领域。
结构相似性理论认为自然图像信号是高度结构化的，空域像素间有很强的相关性并蕴含着物体结构的重要信息。它没有试图通过累加与心理物理学简单认知模式有关的误差来估计图像质量，而是直接估计两个复杂结构信号的结构改变，并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量。
SSIM具体的计算如下：首先结构信息不应该受到照明的影响，因此在计算结构信息时需要去掉亮度信息，即需要减掉图像的均值；其次结构信息不应该受到图像对比度的影响，因此计算结构信息时需要归一化图像的方差。通常使用的计算方法如下，其中C1，C2，C3用来增加计算结果的稳定性，光度L，对比度C，结构对比度S计算如下：
