圖像噪聲估計算法

Noise Estimation(噪聲估計)

一、原理

    如今主流的噪聲估計模型大多基於Filter-Based Approach Using Arithmetic Averaging

、Filter-Based Approach Using Statistical Averaging先簡單介紹一下這幾種算法。

1.一、Filter-Based Approach Using Arithmetic Averaging ——Filter-Base

    該類型算法是基於由於圖像邊緣結構具備很強的二階差分特性，因此圖像是對Laplacian Mask的噪聲統計器是敏感的，算法經過兩個Laplacian Mask組成的kernel來進行卷積操做 

1.二、Filter-Based Approach Using Statistical Averaging —— Block-Base

    該算法的前期操做與1.1的算法類似，先簡單的對源圖進行一次Laplacian Mask 卷積，卷積核同1.1的N，

在計算局部方差前，還須要作一次邊緣檢測，包含邊緣的塊將須要被排除掉，而後經過直方圖計算噪聲方差，

二、算法過程

    該算法結合了上述的兩種算法的優勢，並進行了改進，具體算法過程以下：

首先對圖像亮度太高的點和過暗的點進行剔除，避免了在亮部和暗部的統計以及誤估，在這裏是對[16,235]間的像素進行提取，並且若是每一個塊被剔除掉的像素點超過一半的話，那該塊就須要被裁減掉。而後對保留下來的塊進行水平方向和垂直方向的Sobel梯度操做，以及同類塊檢測：

三、算法改進
    3.一、對不一樣的圖採用不一樣的塊大小

    該算法不足之處,對全部的圖片都裁切相同的像素塊，可是對於一些大圖,可能像素點相對小圖來講，噪點密集度相對分散，而對於小圖若採用太小的像素塊，又會讓值偏大，因此，咱們對算法進行了修改，對於不一樣大小的圖，咱們採用不一樣的塊大小，對300*300如下的圖，咱們採用寬度爲7的塊，對於300*300-800*800的圖，咱們採用寬度爲6的塊，對於大於800*800的塊採用寬度爲5的塊。

    3.二、對圖像進行縮放數據重採集

    該算法對於一樣的圖，進行等比例的縮放，若是噪聲多的話，縮放完成後獲得的噪聲會相對應的增長，噪聲少的話，所對應的噪聲也會少，在這裏，咱們對數據進行縮放，進行一次重採集，對從新計算獲得的數據進行輔助計算，以保證獲得的最後的值保證準確性。

 

四、算法的不足

   該算法對於一些細節較爲豐富的圖片的檢測效果仍然不是很好，這是噪聲估計算法的一個較大的通病，像如下的圖片的檢測效果效果偏差會偏大。

轉載請註明出處——陳先生