• 图像噪声估计算法


    Noise Estimation(噪声估计)

    1、原理

        现在主流的噪声估计模型大多基于Filter-Based Approach Using Arithmetic Averaging
    Filter-Based Approach Using Statistical Averaging先简单介绍一下这几种算法。

    1.1、Filter-Based Approach Using Arithmetic Averaging ——Filter-Base

        该类型算法是基于因为图像边缘结构具有很强的二阶差分特性,所以图像是对Laplacian Mask的噪声统计器是敏感的,算法通过两个Laplacian Mask组成的kernel来进行卷积操作 

    1.2、Filter-Based Approach Using Statistical Averaging —— Block-Base

        该算法的前期操作与1.1的算法相似,先简单的对源图进行一次Laplacian Mask 卷积,卷积核同1.1的N,

    在计算局部方差前,还需要做一次边缘检测,包含边缘的块将需要被排除掉,然后通过直方图计算噪声方差,

    2、算法过程

        该算法结合了上述的两种算法的优点,并进行了改进,具体算法过程如下:

    首先对图像亮度过高的点和过暗的点进行剔除,避免了在亮部和暗部的统计以及误估,在这里是对[16,235]间的像素进行提取,而且如果每个块被剔除掉的像素点超过一半的话,那该块就需要被裁减掉。然后对保留下来的块进行水平方向和垂直方向的Sobel梯度操作,以及同类块检测:


    3、算法改进
        3.1、对不同的图采用不同的块大小

        该算法不足之处,对所有的图片都裁切相同的像素块,但是对于一些大图,可能像素点相对小图来说,噪点密集度相对分散,而对于小图若采用过小的像素块,又会让值偏大,所以,我们对算法进行了修改,对于不同大小的图,我们采用不同的块大小,对300*300以下的图,我们采用宽度为7的块,对于300*300-800*800的图,我们采用宽度为6的块,对于大于800*800的块采用宽度为5的块。

        3.2、对图像进行缩放数据重采集

        该算法对于同样的图,进行等比例的缩放,如果噪声多的话,缩放完成后得到的噪声会相对应的增加,噪声少的话,所对应的噪声也会少,在这里,我们对数据进行缩放,进行一次重采集,对重新计算得到的数据进行辅助计算,以保证得到的最后的值保证准确性。

     

    4、算法的不足

       该算法对于一些细节较为丰富的图片的检测效果仍然不是很好,这是噪声估计算法的一个较大的通病,像以下的图片的检测效果效果误差会偏大。


    转载请注明出处——陈先生
    
    
    
    
  • 相关阅读:
    【linux基础err】bash: cannot create temp file for here-document: No space left on device
    【python基础】argparse模块
    第23课 优先选用make系列函数
    第22课 weak_ptr弱引用智能指针
    第21课 shared_ptr共享型智能指针
    第20课 unique_ptr独占型智能指针
    第19课 lambda vs std::bind
    第18课 捕获机制及陷阱
    第17课 lambda表达式
    第16课 处理万能引用和重载的关系
  • 原文地址:https://www.cnblogs.com/algorithm-cpp/p/4105943.html
Copyright © 2020-2023  润新知