图像噪声估计算法

Noise Estimation(噪声估计)

一、原理

    如今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。

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

    该类型算法是基于由于图像边缘结构具备很强的二阶差分特性，因此图像是对Laplacian Mask的噪声统计器是敏感的，算法经过两个Laplacian Mask组成的kernel来进行卷积操做 

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

    该算法的前期操做与1.1的算法类似，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，还须要作一次边缘检测，包含边缘的块将须要被排除掉，而后经过直方图计算噪声方差，

二、算法过程

    该算法结合了上述的两种算法的优势，并进行了改进，具体算法过程以下：

首先对图像亮度太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，并且若是每一个块被剔除掉的像素点超过一半的话，那该块就须要被裁减掉。而后对保留下来的块进行水平方向和垂直方向的Sobel梯度操做，以及同类块检测：

三、算法改进
    3.一、对不一样的图采用不一样的块大小

    该算法不足之处,对全部的图片都裁切相同的像素块，可是对于一些大图,可能像素点相对小图来讲，噪点密集度相对分散，而对于小图若采用太小的像素块，又会让值偏大，因此，咱们对算法进行了修改，对于不一样大小的图，咱们采用不一样的块大小，对300*300如下的图，咱们采用宽度为7的块，对于300*300-800*800的图，咱们采用宽度为6的块，对于大于800*800的块采用宽度为5的块。

    3.二、对图像进行缩放数据重采集

    该算法对于一样的图，进行等比例的缩放，若是噪声多的话，缩放完成后获得的噪声会相对应的增长，噪声少的话，所对应的噪声也会少，在这里，咱们对数据进行缩放，进行一次重采集，对从新计算获得的数据进行辅助计算，以保证获得的最后的值保证准确性。

 

四、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，像如下的图片的检测效果效果偏差会偏大。

转载请注明出处——陈先生