推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于多图像先验知识的噪声水平评估算法

更新时间:2020-01-02 12:19:08 大小:2M 上传用户:IC老兵查看TA发布的资源 标签:噪声水平评估 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明:较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.


部分文件列表

文件名 大小
基于多图像先验知识的噪声水平评估算法.pdf 2M

部分页面预览

(完整内容请下载后查看)
:
DOI10.7544issn10001239 .2018 .20170336  
-
计 算 机 研 究 与 发 展  
?
( ): ,  
5512 2741 2752 2018  
ꢀ
JournalofCom uterResearchandDevelo ment  
ꢀ ꢀ ꢀ ꢀ ꢀ  
p p  
ꢀ
基于多图像先验知识的噪声水平评估算法  
徐少平 曾小霞 唐祎玲 江顺亮  
ꢀ ꢀ ꢀ  
(
)
南昌大学信息工程学院 南昌  
ꢀ
330031  
ꢀ
(
)
xushaoin ncu.edu.cn  
p g@  
ANoiseLevelEstimationAlorithm Usin PriorKnowledeofSimilarImaes  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
g
g
ꢀ
g
g
,
,
,
XuShaoin Zen Xiaoxia Tan Yilin andJian Shunlian  
p g g g  
ꢀ
g
ꢀ
g
ꢀ
ꢀ
g
ꢀ
(
,
,
)
Schoolo In ormationEnineerin Nanchan Universit Nanchan 330031  
ꢀ
g
ꢀ
f
f
g
g
ꢀ
y
g
ꢀ
(
Abstract Toresolvethe roblemthattheexistin sinleimaebasednoiselevelestimation SNLE  
ꢀp  
g ꢀ  
)
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ
g
-
ꢀ
ꢀ
ꢀ
,
alorithmsareof oorantiinterferenceabilit andlowexecutionefficienc amultiimaebasednoise  
ꢀ ꢀ ꢀp  
gꢀ  
g
ꢀ
-
ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
-
ꢀ
(
)
,
levelestimation MNLE alorithmusin riorknowledeofsimilarimaesis roosed.Secificall  
gp gꢀ ꢀ g ꢀ ꢀp p y  
ꢀ
g
ꢀ
ꢀ
ꢀ
p
ꢀ
asetofdistortedimaesisfirstconstructedb addin different redefinednoiselevelstosome  
g ꢀ ꢀ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀy ꢀp - ꢀ ꢀ ꢀ ꢀ  
g
ꢀ
ꢀ
,
reresentativenoisefreeimaes andseveralnaturalstatisticalvaluesextractedfromeachdistorted  
ꢀ
p
ꢀ
-
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
imaeareusedtoformthenoiselevelawarefeaturevector.Then thefeaturevectorextractedfrom  
gꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
-
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
eachdistortedimaeanditscorresondin noiselevelareusedtoconstructasam ledatabase.Durin  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ p ꢀ  
gꢀ ꢀ ꢀ p g g  
ꢀ
,
thenoiselevelestimationstae thefeaturevectorofanimaetobeestimatedisextractedb thesame  
ꢀ g ꢀ ꢀ ꢀ gꢀ ꢀ ꢀ ꢀ ꢀ ꢀy  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
methodasthe rearationstae andseveralfeaturevectorssimilartotheextractedfeaturevectorand  
ꢀ ꢀ ꢀp p ꢀ g ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
theircorresondin noiselevelsarechosenfromthesam ledatabase.Assuch thenoiselevelofthe  
p ꢀ  
ꢀ ꢀ ꢀ ꢀ  
ꢀ
p
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
imaetobeestimatedisestimatedwithaweihtedaveraea roach.Extensiveexerimentalresults  
gꢀ ꢀ ꢀ gꢀpp  
ꢀ ꢀ ꢀ ꢀꢀ g ꢀ ꢀ p ꢀ  
showthatthe roosedMNLEalorithmnotonl isofhihefficienc butalsohasstable rediction  
ꢀ ꢀp p ꢀ ꢀ g ꢀ ꢀ y ꢀ ꢀ gꢀ ꢀ ꢀ ꢀ ꢀp  
ꢀ
y
ꢀ
ꢀ
,
,
accurac athih medium andlownoiselevels.FortheGaussiannoisemixedwithim ulsenoiseor  
y ꢀ g  
ꢀ p  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
Poissonnoise italsohas oodantiinterferenceabilit .  
ꢀg  
ꢀ
ꢀ
ꢀ
ꢀ
-
ꢀ
y
; ( ); ;  
Ke words imaedenoisin noiselevelestimation NLE noiselevelawarefeature weihted  
ꢀ
ꢀ
gꢀ  
g
ꢀ
ꢀ
-
ꢀ
g
y
ꢀ
;
;
averaeestimation executionefficienc robustness  
gꢀ y  
ꢀ
,
为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题 提出一种基于多图  
摘
要
ꢀ
ꢀ
,
像先验知识的噪声水平评估算法 首先 在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水  
.
,
平的高斯噪声构建失真样本图像集合 并提取每幅样本图像中的若干统计特征值构成描述他们噪声水  
,
平值高低的噪声水平感知特征矢量 然后 利用样本图像上所提取的特征矢量及对其所施加的噪声水平  
.
,
值构成样本库 在评估时 先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征  
.
,
矢量及它们所对应的噪声水平值 之后基于这些样本信息以加权均值法估算待评价图像的噪声水平  
: , 、 、  
值 实验数据表明 较现有的噪声水平评估算法 新算法不仅在高 中 低噪声水平下都具有稳定的预测  
.
, ,  
准确度 而且评估速度快 尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况 具有较好的抗干扰能力  
.
.
:
;
:
修回日期  
2018 03 05  
收稿日期  
- -  
2017 05 18  
-
-
ꢀ
ꢀ
:
基金项目 国家自然科学基金项目  
( , , ,  
61662044 61163023 51765042 81501560  
);  
江西省自然科学基金项目  
(
)
20171BAB202017  
(
,
,
,
Thisworkwassu ortedb theNationalNaturalScienceFoundationofChina 61662044 61163023 51765042 81501560 and  
ꢀ pp ꢀy ꢀ ꢀ  
)
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
(
)
theNaturalScienceFoundationofJianxiProvinceofChina 20171BAB202017 .  
ꢀ ꢀ g ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
:
通信作者 唐祎玲  
( )  
tan ilin ncu.edu.cn  
gy g@  
ꢀ
,
( )  
2018 5512  
ꢀ
计算机研究与发展  
2742  
; ; ; ; ;  
图像降噪 噪声水平估计 噪声水平感知特征 加权均值估计 执行效率 鲁棒性  
关键词  
ꢀ
中图法分类号  
TP391  
ꢀ
现有已提出的大多数图像降噪算法实际上属于  
估计图像的噪声水平值 这种方法在实现的过程具  
.
ꢀꢀ  
[
16  
)
]
-
(
,
有一定的难度 计算复杂度高 与利用噪声与图像信  
.
非盲降噪算法  
nonblinddenoisin alorithm  
- ꢀ  
g g  
ꢀ
.
,
在实际使用中 这些非盲降噪算法只有在获得关于  
,
号分离的实现策略不同 还有一类算法试图通过利  
用图像受到噪声干扰后所表现出的规律性变化实现  
(
噪声图像准确的噪声水平值 即高斯噪声模型中的  
[
]
19  
等人 通过分析  
)
方差 作为入口参数后才能得到比较好的降噪效果  
对噪声水平值的估计 例如  
.
.
Zoran  
,
因此 以获得噪声图像的噪声水平值为目标的噪声  
图像  
变 换 后 的 系 数 发 现 噪 声 会 导 致 图 像  
DCT  
(
,
)
算法被相继  
noiselevelestimation NLE  
,
值有规律变化 并根据这种现象提出了一  
Kurtosis  
水平评估  
ꢀ
ꢀ
[
]
713  
-
提出来  
已提出的  
.
算法绝大多数都是属于  
种基于  
值尺度不变性的噪声水 平 评估 算  
Kurtosis  
NLE  
(
所谓 的 基 于 单 图 像 噪 声 水 平 评 估  
法 该算法在一定程度上改善了图像噪声估计的效  
.
sinleimae  
-
g g  
,
)
的类 型 仅仅  
basednoiselevelestimation SNLE  
,
,
果 但是它是通过寻找目标函数最优值的方法实现  
ꢀ
ꢀ
ꢀ
,
,
的 计算效率比较低且在高水平噪声条件下存在寻  
依据噪声图像本身评估图像中的噪声水平值 早期  
.
[ ]  
14  
[ ]  
13  
,
提出先用掩模对图像进行滤波得到各  
优失败的可能 在此基础上  
.
等人 利用自然  
Don  
g
Immerkaer  
个像素点在局部邻域内的方差 然后以所有像素点  
上求得方差的平均值作为整个 图像噪 声水平 估 计  
,
图像带通域里的  
值的不变性和 分段 平稳  
Kurtosis  
, ,  
性 提出一种新的噪声水平估计方法 能够有效地估  
,
计各种类型的噪声 在 非高斯噪 声 下表 现 出 色 此  
.
值 以  
算法为代表的基于对整个图像执  
. Immerkaer  
[
]
12  
,
等人 根据图像块梯度的统计特性 从  
,
外
行滤波操作实现的  
算法主要特点是其执行速  
Khma  
NLE  
g
,
噪声图像中 去 除 高 频 分 量 筛 选 出 低 秩 图 块  
(
low  
,
度非常快 然而在很多情况下所给估计值的准确性  
-
),  
再使用  
,
却不高 尤其是对于具有复杂纹理内容的图像和受  
分析技术进行噪声水平  
rank atches  
ꢀp  
PCA  
个 算法基于 图 像 统 计 特性  
NLE  
[ ]  
15  
、
中 高噪声水平干扰的图像  
评估 虽然上述  
.
为获得更高的预测  
.
3
,
实现了噪声水平评估 但仅是在单幅噪声图像上进  
,
准确率 近 年 来 研 究 者 们 逐 渐 开 始 在 图 块  
(
imae  
g
)
粒度 上研 究噪声水平 评估问 题  
atches  
p
,
年
行的  
.
.2013  
[ ]  
16  
虽然近几 年 提出的  
算法 都 取 得 了一 定  
等人  
提 出 了 一 种 被 称 为 基 于 弱 纹 理 图 块  
SNLE  
:
程度上的成功 但是仍有 个问题亟待解决  
Liu  
(
)
的 噪 声 水 平 评 估 算 法 该  
weaktextured atches  
ꢀp  
,
.
2
-
)
抗干扰能力弱 现有的  
1
算法基于梯度和统计分析的方法从噪声图像中选择  
算法均假设噪  
SNLE  
.
,
出 弱 纹 理 图 块 使 用 主 成 分 分 析  
(
p
,
声图像中噪声为纯高斯噪声 实际应用中碰到的高  
斯噪声往往混合有少量脉冲或 者 泊 松 等类 型的噪  
rincial  
p
, )  
计算弱纹理图像块协方  
com onentanalsis PCA  
ꢀ
p
y
,
算法对此情况的处理不够鲁棒 对高斯噪  
声
差矩阵的最小特征值并将它作 为噪声 水平值的 估  
.SNLE  
声水平值的估计往往会出现较大偏差 从而影响后  
续相应处理算法的性能  
[
]
17  
等人 从理论上推导出了噪声图  
,
Chen  
,
计
年
.2015  
像中图块的协方差矩阵若干特征值与噪声水平值之  
.
,
间的计算关系 依赖满足特定条件的若干个特征值  
)
计算效率低 由于  
2 .  
算法仅有噪声图像  
SNLE  
,
本身的信息可以利用 为此很多  
估计图像中的噪声水平值 该算法在利用若干特征  
.
算法设计了  
SNLE  
值导出噪声水平值的过程中仍然采用迭代方式选择  
各种复杂的处理流程从而保证估计出准确的噪声水  
[ ]  
18  
,
,
平值 但是复杂的处理过程也导致这类算法的执行  
所需要的特征值 类似地  
.
等人  
Huan  
g
基于纹理  
,
特征值分析 先判断局部图像块的光滑程度来选择  
效率严重下降 而 算法作为 众 多图像 处理工  
. NLE  
,
弱纹理图像块 再对选择出来的这些图像块进行特  
,
作的前置模块 不但需要提供关于噪声水平值准确  
, ,  
的估计 更需要在尽可能少的时间内完成 以避免影  
征值分析 选择图块的过程是以迭代的方法完成的  
.
.
上述这些基于图块粒度实现的  
算法最大特点  
响后继图像处理算法的整体效率  
NLE  
.
,
就是预测准确性比较高 但是由于在内部实现中大  
,
算法存在的问题 近年来在噪声水  
鉴于  
SNLE  
平估计及相关领域所完成的一些工作表明可以基于  
[ ] ,  
,
多采用迭代方式进行 计算效率比较低 上述  
.
NLE  
算法的工作原理在某种意义上讲是将噪声图像中的  
多幅图像开展这方面的工作 例如 在 文献  
中
.
20  
,
噪声信号和图像信号分离 然后基于噪声信号部分  
等人提出了一种基于多图像的非局部均值估  
Chen  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载