在图像处理领域，图像噪声是图像数据中不必要的或多余的干扰信息，严重影响图像质量。特别是在医学领域，如CT图像的成像、传输、存储和显示过程中，噪声的存在会显著降低图像清晰度，甚至影响临床诊断的准确性。然而，传统噪声识别算法大多基于图像中只存在单一类型高强度噪声的假设，难以有效识别常见的低强度混合噪声。 本成果基于DenseNet的图像噪声识别方法和装置，通过创新性地应用DenseNet模型及可视化统计特征提取技术，有效解决了现有图像噪声识别技术对低强度混合噪声识别准确率低的问题，为图像处理领域提供了一种高效、准确的噪声识别解决方案。 高效识别低强度混合噪声：通过DenseNet的密集连接特性，模型能够高效识别图像中的低强度混合噪声，提高识别准确率。 抗过拟合能力强：预训练过的DenseNet模型具有高抗过拟合能力，适合训练小型数据集。 可视化统计特征提取：通过提取图像的灰度概率分布曲线，将图像特征转化为可视化统计特征图像，便于模型训练与识别。