第2章 先进去噪算法.pptx

第2章 先进去噪算法;内容提要;Indoor – low light;1. 常用噪声模型 加性噪声：加性噪声和图像信号强度不相关 v(i) = u(i) + n(i) 乘性噪声：乘性噪声和图像信号是相关的 v(i) = u(i) × n(i) 椒盐噪声：黑图像上的白点，白图像上的黑点 量化噪声：是由量化过程引起的，解决的最好方法 是最佳量化;;常用去噪算法 空间域：各向异性滤波、邻域滤波（如高斯、中值），等 变换域：傅立叶变换、维纳滤波、多尺度方法（小波为代 表），等 其他方法：脉冲耦合神经网络、主成分分析、学习方法 （SVM）、 Gaussian Scale Mixture ，等 ;噪声模型局限 一般噪声模型分成两部分：smooth部分（无污染图像），oscillatory 部分（噪声部分） 局限性 噪声模型并不是最准确的 并不是所有图像都是smooth，图像同样可以包含细节和 结构，这同样是高频成分 ;图像先验知识 图像并不是随机组合的一群像素值 相邻像素之间一般具有高度的相关性 均值去噪？;Gaussian Filter;图像先验知识 图像并不是随机组合的一群像素值 相邻像素之间一般具有高度的相关性 领域的均值去噪？ 领域内相似颜色的均值去噪？ 双边滤波：非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。优点是边缘保存。 ;Bilateral Filter 双边滤波;图像先验知识 图像并不是随机组合的一群像素值 相邻像素之间一般具有高度的相关性 领域的均值去噪？ 领域内相似颜色的均值去噪？ 领域内相似纹理的均值去噪？ ;非局部平均去噪（NLM） ——Buades et al., 2005 (CVPR) 假设：自然图像有相似的纹理，即图像自相似 具有相似纹理的像素很可能具有相似的像素值 相比于Bilateral滤波，具有更好的可区分能力;核心思想： 越是相似的patch，越是具有大的权重。 p和r、q对应的patch很相似，因此具有大的权重w(p,r)和w(p,q)，而p和s对应的patch不相似，所以权重w(p,s)较小。 每一个像素的估计值是图像中所有像素值的加权平均。;计算方法 对于噪声图像V，其估计图像为NL(V)，通过图像中所有像素点的灰度值加权平均来得到每一个像素点p 的灰度值 其中，w(p,q)为像素p和q之间的相似性权重，满足 ;计算方法 两个像素之间的相似性，由像素邻域patch之间的相似性决定。通常情况下，相似度的测量是通过欧几里得距离来表示： 权重定义为： 归一化因子Z： 其中h为控制幂函数衰减的参数;结果对比;参数： 控制参数h太小去噪能力不强；h太大图像会变模糊 Patch尺寸太大，不能准确找到相似patch；patch尺寸太小，太多的相似patch 不足： 计算量非常大，速度慢 关键在于计算两个patch之间的相似性;改进算法： 不计算欧氏距离，用其他相似度测度方法替代 对Patch进行降维，如PCA 在变换域（如小波等）进行NL-Means 自适应的NLM 。。。 ;为什么BM3D？ Group是非常好的一种方法，可以减少mixing 去噪 = Extract the common (the signal) NLM：common = weighted average 更为稀疏（sparse）的表示是否能获得更好的效果？;BM3D ——Dabov et al., 2006 (IEEE TIP) 组合具有相似局部结构的patch 对于每一个group（3D）进行联合去噪 有效融合多个估计;单个BM3D估计;;计算方法： 对于每一个patch，寻找相似的patch（如计算SSD）;计算方法： 2. 组合所有相似的patch;计算方法： 3. 计算3D的Harr小波变换;计算方法： 4. 应用收缩（shrinkage）或者硬阈值、维纳滤波等;计算方法： 5. Harr小波反变换;计算方法： 组合patch形成去噪后的图像（每个patch给一个权值） 每一个patch都有一个去噪后的估计图像，而NLM中只是patch中的中心点像素有估计值;GSM;改进算法： 执行BM3D两次：基本BM3D估计，最终BM3D Shrinkage方法改进 结合形状自适应PCA 自适应方法 。。。 ;TV经典文献 L. Rudin, S. Osher, and E. Fatemi, Nonlinear total var