Les algorithmes de débruitage d’images sont généralement évalués à l’aide d’images altérées par un bruit artificiel, ce qui peut conduire à des conclusions erronées sur leurs performances en présence de bruit réel. Dans cet article, nous introduisons un jeu de données comprenant des images couleur altérées par un bruit naturel dû à des conditions de faible luminosité, ainsi que des images à faible bruit, alignées spatialement et en intensité, des mêmes scènes. Nous proposons également une méthode pour estimer le niveau réel de bruit présent dans nos images, car même les images à faible bruit contiennent de faibles quantités de bruit. Nous évaluons la précision de notre méthode d’estimation du bruit sur des données réelles et artificielles, et examinons le modèle de bruit Poisson-Gaussien. Enfin, nous utilisons notre jeu de données pour évaluer six algorithmes de débruitage : le champ aléatoire actif (Active Random Field), BM3D, Bilevel-MRF, le perceptron multicouche (Multi-Layer Perceptron), ainsi que deux variantes de NL-means. Nous montrons que, bien que le perceptron multicouche, le Bilevel-MRF et le NL-means avec seuillage doux surpassent BM3D sur des images en niveaux de gris altérées par un bruit synthétique, leurs performances s’avèrent inférieures sur notre jeu de données.