尽管图像传感器技术近年来飞速发展,但视频信号在获取或传输过程中经常遭受多种类型噪声的影响,产生令人不快的视觉效果,并影响后续的视频分析领域。与静态图像数据相比,视频数据具有显著的时间冗余性,能够静态图像数据提供更丰富的场景内容。因此,相比于图像去噪而言,视频去噪中所能利用的信息更多。尽管视频去噪算法在近年来取得很大进展,但总体来看存在以下两个突出问题:1.噪声视频中的光流场估计不准确。视频去噪的效果,首先依赖于光流估计的精度。利用光流信息,可以对不同的视频帧进行校准,然后在此基础上应用去噪算法进一步消除噪声。然而,传统的光流估计方法往往存在边界不清晰、对时间连续性信息利用不好和对噪声不够鲁棒的问题,不能满足视频去噪的要求;2.大多数现有的视频去噪算法假设视频噪声是加性高斯白噪声,而这些算法往往不能处理现实中的混合噪声。在实际的噪声环境中,往往同时包含高斯、泊松和脉冲噪声,需要设计更加合理的模型来处理混合噪声。针对现有的视频去噪算法中存在的运动估计不准确、去噪效果欠佳的问题,本课题先首先研究噪声鲁棒的光流估计方法,然后在此基础上进一步提出新型去噪算法。本文的研究成果包括:(1)提出了一种基于运动边界检测的两帧光流滤波方法。首先设计了一种基于深度网络的运动边界检测模型,该模型以源图像、初始光流及其对应的图像变换误差作为输入,产生高分辨率运动边界。运动边界检测模型的网络架构为编解码网络,其中解码网络采用多个子网络的级联结构,同时加入残差连接实现梯度的快速传播,使得端到端训练可以更加高效地进行。该网络能够探索多层次的图像和运动特征,并且对初始光流估计的误差具有较好的鲁棒性。在运动边界检测的基础上,设计了一种运动边界与光流的融合网络,用所获得的运动边界引导初始光流的滤波,进一步去除初始光流结果中的噪声,同时使最终的光流边界更加清晰。(2)提出了一种基于低秩稀疏优化的多帧光流估计方法。该方法充分利用视频图像序列的上下文时域连续性,以及多帧光流的低秩性和运动目标的稀疏性等特点,在噪声视频中进行多帧光流估计。在传统方法基础上,加入对噪声鲁棒的新型改进,提出针对噪声环境的多帧光流求解目标函数,该模型包括颜色一致项、轨迹低秩项、保护边缘的平滑性惩罚项、运动目标稀疏项和噪声鲁棒连接项,能够有效对噪声环境下的多帧光流进行建模。采用基于低秩稀疏的凸优化理论对模型进行求解,将多帧光流估计模型的求解过程分解成两个迭代进行的子问题。多帧光流估计的对比实验表明,所提出的算法在定性和定量方面都能获得更好的效果。(3)提出了一种基于低秩稀疏优化的视频去噪方法,用于去除视频数据中的混合高斯、泊松和脉冲噪声。首先在前面两章光流估计的基础上,进行噪声鲁棒的相似图像块分组,然后将混合噪声视频去噪问题转化为鲁棒的低秩和稀疏最小化问题。在该框架中,设计并嵌入有效的混合噪声先验,用于处理混合噪声中的高斯-泊松噪声分量。实验表明所提出的视频去噪方法取得了令人满意的性能,能够在混合高斯-泊松-脉冲噪声环境下有效去除视频噪声,并且在定性和定量上均优于以前的方法。(4)提出了基于多尺度递归残差网络的视频去噪方法。首先基于第二章和第三章的光流估计方法,应用第四章中所述图像块匹配策略,把输入视频帧图像校准到参考帧空间下。然后通过端到端的训练方式获得去噪模型,用于对混合噪声环境下的视频图像进行去噪。所提出的多尺度递归残差网络,通过多尺度网络架构同时从全局和局部层面分别学习噪声视频图像的概略和细节特征。然后将残差结构与递归结构相结合,对递归残差网络单元进行堆叠,形成每个分辨率层次的子网络结构。在所提出的递归残差单元中,内部残差结构共享相同的输入,同时输入和输出之间存在多条路径,有利于学习更加复杂的特征。为了适应混合噪声环境,设计了一种多尺度L1-L2范数损失函数,用来监督整个网络的训练过程。