简介：这份资源是面向深度学习与图像处理方向学习者、课程大作业与毕业设计需求者的完整项目源码，围绕卷积神经网络图像去噪算法展开研究。项目以DnCNN为核心，同时实现均值滤波、中值滤波、非局部均值NLM与BM3D四种传统算法作为对照，并采用PSNR与SSIM两项指标量化评估去噪效果，五种算法分目录组织，进入对应目录即可运行，便于横向对比实验结论。压缩包共177个文件，以m脚本、mat数据、png图像及多平台mexw64、mexa64等编译文件为主，另含少量txt与md说明，整体约80.31MB，结构清晰、下载即用。目前已有691人学习关注，适合需要完整实验方案、对照算法实现与评价指标代码的读者参考，也可作为大作业与论文实验的可靠起点。

1. 从一份能跑通的图像去噪源码包说起：CNN 与四种传统算法同台对比

很多人做图像去噪大作业时，最头疼的不是写不出代码，而是找不到一份能直接跑、还能横向对比的完整工程。这份基于卷积神经网络的图像去噪项目源码，恰好解决了这个痛点——它把深度学习方法 DnCNN 和四种传统算法（均值滤波、中值滤波、非局部均值 NLM、三维块匹配 BM3D）放在同一个框架下，统一在 Set12 数据集上做对比实验，用 PSNR 和 SSIM 两个指标量化效果。你拿到手后不需要从零搭环境，进入对应目录运行脚本就能看到去噪前后的图像对比。适合正在做深度学习课程设计、需要快速复现 baseline 的本科生和研究生，也适合想理解传统方法与 CNN 方法差异的从业者。整个项目用 MATLAB 实现，目录结构清晰，每个算法独立存放，互不干扰。

2. 五种去噪算法的目录结构与运行入口：先搞清楚每个文件干什么

2.1 目录组织与文件职责划分

拿到压缩包解压后，你会看到五种算法分别放在五个不同的目录中。这种组织方式的好处是依赖隔离——BM3D 需要额外的变换域工具箱，DnCNN 需要深度学习工具箱，分开存放可以避免路径冲突。从项目正文给出的文件列表来看，核心文件包括：

均值滤波、中值滤波和 NLM 直接调用 MATLAB 自带函数，没有额外文件。BM3D 和 DnCNN 的代码在原版基础上做了小幅修改，主要是适配 Set12 数据集的读取路径和输出格式。

2.2 运行入口与最小验证流程

先确认 MATLAB 版本不低于 R2018b，深度学习工具箱需要单独安装。验证流程按以下步骤走：

% 步骤1：设置工作目录到对应算法文件夹 cd('path_to/BM3D'); % 切换到 BM3D 目录 % 步骤2：加载 Set12 数据集中的一张测试图 img = imread('Set12/01.png'); % 01.png 是标准测试图 if size(img,3) == 3 img = rgb2gray(img); % 统一转灰度处理 end img = double(img); % 步骤3：添加高斯白噪声，sigma=25 是常用测试强度 sigma = 25; noisy_img = img + sigma * randn(size(img)); % 步骤4：调用 BM3D 去噪 denoised_img = BM3D(noisy_img, sigma); % 步骤5：计算 PSNR 和 SSIM psnr_val = psnr(denoised_img, img); ssim_val = ssim(denoised_img, img); fprintf('PSNR: %.2f dB, SSIM: %.4f\n', psnr_val, ssim_val);

这段代码的逻辑很直接：读图、加噪、去噪、评估。sigma参数控制噪声强度，常见取值是 15、25、35、50。BM3D函数的第二个参数必须和加噪时的 sigma 一致，否则去噪效果会明显下降——这是新手最容易翻车的地方。DnCNN 的运行方式类似，但需要先加载预训练模型：

% DnCNN 去噪示例 cd('path_to/DnCNN'); load('model/DnCNN_sigma25.mat'); % 加载对应噪声水平的模型 denoised_img = DnCNN_denoise(noisy_img, net);

注意 DnCNN 的模型是和噪声水平绑定的，sigma=25 的模型不能直接用于 sigma=50 的场景。如果要用不同噪声水平，需要重新训练或找对应模型。

3. PSNR 与 SSIM 评价指标：怎么算、怎么看、怎么不踩坑

3.1 PSNR 的计算原理与参数含义

峰值信噪比 PSNR 衡量的是去噪后图像与干净图像之间的像素级差异。计算公式是：

PSNR = 10 * log10(MAX^2 / MSE)

其中 MAX 是像素最大值，8 位图像取 255；MSE 是均方误差。PSNR 越大，说明去噪后图像和原图越接近，去噪效果越好。但 PSNR 有个已知局限：它只看像素差异，不考虑人眼视觉特性。有时候 PSNR 很高的图像看起来反而模糊，这就是为什么还需要 SSIM。

在 MATLAB 中计算 PSNR 时要注意数据类型。如果图像是uint8格式，psnr函数会自动按 255 计算；如果转成了double且范围在 [0,1]，则需要指定峰值：

% uint8 格式直接算 psnr_val = psnr(denoised_uint8, clean_uint8); % double 格式需要指定峰值 psnr_val = psnr(denoised_double, clean_double, 1.0);

很多同学在这里踩坑：去噪函数返回的是 double，原图是 uint8，直接相减会得到错误结果。统一转成 double 再做计算，或者统一用 uint8，不要混用。

3.2 SSIM 的取值解读与边界情况

结构相似性 SSIM 从亮度、对比度、结构三个维度比较两幅图像，取值 0 到 1，越接近 1 表示结构越相似。SSIM 对模糊和结构失真更敏感，和主观视觉质量的相关性比 PSNR 更好。但 SSIM 也有边界情况：当图像本身纹理极少（比如纯色区域），SSIM 会异常偏高，这时候不能只看 SSIM 就下结论。

% SSIM 计算，注意指定窗口大小 ssim_val = ssim(denoised_img, clean_img, 'Window', fspecial('gaussian', 11, 1.5));

默认的 SSIM 使用 11x11 高斯窗口，标准差 1.5。对于小尺寸图像（小于 11x11），需要调小窗口，否则会报错。Set12 数据集里的图像尺寸都是 256x256 或 512x512，用默认参数没问题。

3.3 五种算法的指标对比与选型参考

在 sigma=25 的高斯噪声下，五种算法在 Set12 上的典型表现大致如下：

这张表是选型的核心依据。如果你只是做课程设计对比，BM3D 和 DnCNN 是必须保留的；如果追求极致速度，均值滤波可以作为下界参考。注意 DnCNN 的速度优势依赖 GPU，用 CPU 跑会慢很多。

4. 避坑与排查：五个让去噪结果翻车的常见问题

4.1 现象：PSNR 计算结果为负数或异常低

原因：图像数据类型不匹配。去噪函数返回 double 类型且范围在 [0,1]，而原图是 uint8 范围 [0,255]，直接调用psnr会按 255 计算，导致 MSE 巨大。

解决：统一数据类型。要么都转 uint8，要么都转 double 并指定峰值。

% 统一转 uint8 denoised_uint8 = im2uint8(denoised_double); psnr_val = psnr(denoised_uint8, clean_uint8);

4.2 现象：BM3D 运行报错“未定义函数或变量”

原因：BM3D 依赖多个子函数和变换域工具箱，如果只复制了BM3D.m而没复制同目录下的辅助文件，就会报错。

解决：确保整个 BM3D 目录完整，不要单独移动某个文件。检查 MATLAB 路径是否包含所有子目录：

addpath(genpath('path_to/BM3D'));

4.3 现象：DnCNN 去噪结果全黑或全白

原因：预训练模型的输入归一化方式与测试图像不匹配。DnCNN 训练时输入是 [0,1] 范围的 double，如果直接喂 uint8 图像，输出会饱和。

解决：在送入网络前做归一化：

input_img = double(noisy_img) / 255; output_img = predict(net, input_img); denoised_img = output_img * 255;

4.4 现象：NLM 去噪后图像过度平滑，细节丢失

原因：NLM 的滤波参数DegreeOfSmoothing设置过大。默认值是按噪声方差自动估计的，但如果手动指定了过大的值，会过度平滑。

解决：让 MATLAB 自动估计，或根据噪声水平调整：

% 自动估计平滑参数 denoised = imnlmfilt(noisy_img); % 手动指定，sigma 越大值越大 denoised = imnlmfilt(noisy_img, 'DegreeOfSmoothing', 0.01);

4.5 现象：Set12 数据集读取失败，提示文件不存在

原因：项目中的路径是相对路径，如果当前工作目录不是项目根目录，就会找不到文件。

解决：用绝对路径或先切换到项目根目录：

project_root = 'path_to_project'; cd(project_root); addpath(genpath(project_root));

5. 进阶技巧：用批处理脚本一次性跑完五种算法并自动生成对比报告

单张图跑通之后，下一步是把 Set12 全部 12 张图跑一遍，自动记录 PSNR 和 SSIM，生成对比表格。手动一张张跑太慢，写个批处理脚本是常规做法。

% batch_denoise.m % 批量运行五种算法，输出对比结果 clear; clc; project_root = pwd; addpath(genpath(project_root)); sigma = 25; algorithms = {'Mean', 'Median', 'NLM', 'BM3D', 'DnCNN'}; num_imgs = 12; results = zeros(num_imgs, length(algorithms), 2); % PSNR 和 SSIM for idx = 1:num_imgs % 读取干净图像 img_path = fullfile(project_root, 'Set12', sprintf('%02d.png', idx)); clean = imread(img_path); if size(clean, 3) == 3 clean = rgb2gray(clean); end clean = double(clean); % 添加高斯噪声 rng(42); % 固定随机种子，保证可复现 noisy = clean + sigma * randn(size(clean)); % 均值滤波 denoised_mean = imfilter(noisy, fspecial('average', 3)); results(idx, 1, 1) = psnr(denoised_mean, clean, 255); results(idx, 1, 2) = ssim(denoised_mean, clean, 'DynamicRange', 255); % 中值滤波 denoised_median = medfilt2(noisy, [3 3]); results(idx, 2, 1) = psnr(denoised_median, clean, 255); results(idx, 2, 2) = ssim(denoised_median, clean, 'DynamicRange', 255); % NLM denoised_nlm = imnlmfilt(noisy); results(idx, 3, 1) = psnr(denoised_nlm, clean, 255); results(idx, 3, 2) = ssim(denoised_nlm, clean, 'DynamicRange', 255); % BM3D denoised_bm3d = BM3D(noisy, sigma); results(idx, 4, 1) = psnr(denoised_bm3d, clean, 255); results(idx, 4, 2) = ssim(denoised_bm3d, clean, 'DynamicRange', 255); % DnCNN load(fullfile(project_root, 'DnCNN', 'model', 'DnCNN_sigma25.mat')); denoised_dncnn = predict(net, single(noisy/255)) * 255; results(idx, 5, 1) = psnr(denoised_dncnn, clean, 255); results(idx, 5, 2) = ssim(denoised_dncnn, clean, 'DynamicRange', 255); fprintf('Image %02d done.\n', idx); end % 输出平均结果 fprintf('\n===== Average Results (sigma=%d) =====\n', sigma); fprintf('%-10s %-12s %-12s\n', 'Algorithm', 'PSNR(dB)', 'SSIM'); for a = 1:length(algorithms) avg_psnr = mean(results(:, a, 1)); avg_ssim = mean(results(:, a, 2)); fprintf('%-10s %-12.2f %-12.4f\n', algorithms{a}, avg_psnr, avg_ssim); end % 保存结果到 mat 文件 save('comparison_results.mat', 'results', 'algorithms', 'sigma');

这段脚本的关键点有三个。第一，rng(42)固定随机种子，保证每次加噪结果一致，否则 PSNR 会有小幅波动，对比不公平。第二，psnr和ssim都显式指定了DynamicRange为 255，因为输入是 double 但范围是 [0,255]，不指定会按 1.0 计算导致结果错误。第三，DnCNN 的predict输入需要single类型，MATLAB 的深度学习工具箱对数据类型比较敏感，double 会报错。

跑完这个脚本，你会得到一张完整的对比表，直接放进大作业报告里就是现成的实验数据。如果想进一步分析，可以把results矩阵导出成 CSV，用 Python 画柱状图对比：

import scipy.io as sio import matplotlib.pyplot as plt import numpy as np data = sio.loadmat('comparison_results.mat') results = data['results'] algorithms = ['Mean', 'Median', 'NLM', 'BM3D', 'DnCNN'] avg_psnr = np.mean(results[:, :, 0], axis=0) avg_ssim = np.mean(results[:, :, 1], axis=0) fig, axes = plt.subplots(1, 2, figsize=(12, 5)) axes[0].bar(algorithms, avg_psnr, color='steelblue') axes[0].set_ylabel('PSNR (dB)') axes[0].set_title('Average PSNR on Set12') axes[1].bar(algorithms, avg_ssim, color='coral') axes[1].set_ylabel('SSIM') axes[1].set_title('Average SSIM on Set12') plt.tight_layout() plt.savefig('comparison_chart.png', dpi=150) plt.show()

从那以后我每次跑对比实验都强制走一遍固定随机种子、统一数据类型、显式指定 DynamicRange 这三步，再也没出现过指标异常的问题。希望帮到你。

本文还有配套的精品资源，点击获取