基于块内邻域相关度的图像噪声估计

针对图像中的高斯白噪声,提出了一种利用像素邻域信息进行噪声方差估计的方法。基于图像邻域像素存在一定的相关性,给出一种图像分块区域“块内邻域相关度”的计算方法,并通过块的“块内邻域相关度”寻找图像的平滑区域,然后用选取的平滑区域加权平均估计整个图像的噪声方差。实验数据表明“块内邻域相关度”的方法能够有效地估计图像噪声。     

基于统计假设测试的噪声方差估计方法

在数字图像处理中,噪声方差估计是一个重要的研究课题。提出一种针对加性高斯噪声的噪声方差估计方法。利用一种基于统计假设测试的方法来度量图像结构特征度,基于图像结构特征度找出平滑子块和非平滑子块（含有边缘或纹理子块）;以平滑子块中的最小方差为参考方差,选择出方差与参考方差相差在一定范围内且不含边缘的所有子块;从选出的子块中求以图像结构特征度为权重的方差平均值作为噪声方差估计值。相比于现有的噪声估计方法,该方法具有非常高的估计精度,适合感染高斯噪声的各种图像。     

SVD域的图像高斯噪声强度估计

精确估计图像或视频中的噪声强度对于后续的信号处理是至关重要的先决条件。通过对含噪图像的奇异值特性的研究,提出一种精确的SVD域的图像噪声强度估计算法。该算法对噪声强度估计提出了创新的解决方法:1)利用奇异值的尾部数据进行噪声强度估计,这样达到尽可能地降低图像信息对噪声估计的干扰;2)对含噪图像加入已知强度的高斯白噪声,以计算噪声估计时需要设置的与图像内容相关的参数,因此该算法可以自适应图像的结构,能够广泛地适应各种类型的图片。实验结果表明SVD域噪声强度估计算法适用于各种图片类型,而且在极大的噪声强度范围内都能够稳定精确地估计噪声强度。     

基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。     

基于小波域的图像噪声估计新方法

提出一种基于小波域区域分割的估计图像噪声的新疗法。该方法利用图像的小波高频系数，在提出图像平滑区域的基础上，准确地估计图像高斯噪声的标准方差、由于考虑了图像的局部信息，因此该方法优于传统的估计方法。用于多幅实验图像的结果表明：在图像受噪声比较小或图像含高频信息较丰富时，该方法比传统疗法更准确。     

基于隐马尔可夫模型的非监督噪声功率谱估计

噪声功率谱估计是语音增强算法的基本组成部分,传统算法大多采用启发式的估计方法,因而不能保证噪声估计值的统计最优。提出了一种基于极大似然的非监督噪声功率谱估计方法,采用隐马尔可夫模型(Hidden Markov model, HMM）在每个子带建立语音和非语音对数功率谱的统计模型,模型包含语音和非语音两个高斯分量,其中非语音高斯分量的均值表示噪声功率谱估计值,根据最大期望（Expectation maximization, EM)算法得到包括噪声均值在内的HMM参数集。针对语音信号可能出现的长时缺失,对HMM引入了一些约束条件,保证了模型的稳定性。实验表明,该方法获得的极大似然噪声估计优于基于启发式的经典方法获得的噪声估计。     

基于领域关系广义混合模型图像分割的研究

针对高斯混合模型不能有效处理复杂噪声图像分割问题,提出了基于领域关系广义混合模型.在高斯混合模型基础上引入形状参数r提高混合模型对不同噪声适应能力,另外该方法结合图像中像素点邻域关系,融入像素点间的互动信息.与混合模型通常采用EM算法估计参数不同,该模型参数估计采用梯度方法,通过最小化负似然对数优化参数.实验结果表明,广义混合模型在处理高斯噪声,重尾噪声,混合噪声以及脉冲噪声图像分割问题都取得了很好的效果.     

基于直方图分解的去椒盐噪声算法

提出一种基于直方图分解的去椒盐噪声算法。根据椒盐噪声图像估计出原始图像直方图,对直方图进行分解得到高斯曲线,以曲线函数值作为权值对噪声图像进行加权均值滤波。并与中值滤波器、极值型中值滤波器以及模糊加权平均滤波器进行滤波效果对比。实验结果表明,该方法去噪性能较优。     

椒盐噪声下图像直方图的行为

重获噪声图像的原始直方图有助于确定像素的原始灰度值。本文讨论了脉冲噪声下图像直方图的行为,给出了由噪声图像直方图直接或近似估计原始图像直方图的公式,表明 了公式的收敛性,并作了仿真验证。结果成功地应用于高椒盐噪声图像的恢复问题。     

基于图像受噪程度的改进模糊加权均值滤波

根据高斯噪声密度大、噪声强度的波动范围宽,其污染图像不仅每一个像素灰度级都会受影响,而且即使是同一灰度级受污染的程度也会不同的特点和传统的图像模糊滤波算法在图像细节保护方面上的不足,提出基于图像受噪程度的改进模糊加权均值滤波算法,该算法根据图像各像素点的受噪程度,得到首次滤波图像和原图像估计直方图,根据该直方图确定模糊隶属度函数,然后对首次滤波图像中灰度小于25的像素点进行模糊加权均值滤波,该算法在不需要期望图像和高斯噪声方差的情况下能有效地去除噪声,同时能够很好地保护图像细节信息。     

动态场景视频序列中的前景区域自动提取

首先提出一种具有自适应外点过滤功能的全局运动估计算法,通过交替地进行参数估计和外点过滤,能够有效地抑制噪声的影响,实现准确的背景对准;然后,通过直方图拟合获得准确的背景噪声方差值,克服了以往只能依据经验设定背景噪声方差的缺点,并使用显著性测试技术有效地对帧差图进行二值化,最终消除帧间的重叠背景,提取出前景区域．实验结果表明,该算法能够有效地实现动态场景视频序列中的背景对准,并准确地提取出前景区域．     

基于统计量的加权函数图像重建方法

针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法.考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L1,L2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法.实验结果表明:相比基于L1-L2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 dB,0.02,对含有多种噪声的退化图像能够取得比较理想的结果.     

基于直方图统计信息的斑点噪声参数盲估计

以常见的斑点噪声为研究对象提出一种简单、快速的图像斑点噪声参数盲估计方法。该方法通过在仿真图像中加入不同强度的斑点噪声,分析含噪图像均匀区域内直方图分布特点,构造反映图像斑噪强度的噪声特征值,建立噪声强度与噪声特征值之间映射函数。实验结果显示,该函数不需要任何先验知识即可快速、有效地估计图像中的斑噪强度,可用于估计图像获取或传输时的噪声环境、分析斑点噪声强度与图像质量优劣的关系、指导及修改现有抑噪算法设计。     

运动模糊图像的噪声功率的精确估计

由运动模糊图像复原出原图像关键问题是获取点扩展函数和噪声信息,其中噪声通常假设为高斯白噪声。针对匀速直线运动模糊图像,提出一种差分噪声功率估计方法,该方法对模糊图像的差分图进行叠加,放大噪声,并保持每列的噪声互不相关,叠加后的图像的方差与原始噪声方差存在一个数量关系,通过该数量关系来估计出原始噪声方差。实验证明该方法能够相当准确地估计出噪声功率。     

图像隐藏信息与图像噪声分辨研究

针对图像经过信息隐藏与经过噪声干扰具有不同的特性,从图像隐藏信息和加噪的数学原理入手,引入图像直方图和差分直方图的模型,在图像小波分解高频系数差分直方图的数学模型基础上,利用高频系数差分数值的方差对图像是否隐藏信息或被噪声干扰进行分辨,给出了具体的计算判断方法。最后,在标准图像集上进行实验。结果表明,即使在图像直观统计参数基本相同的情况下,该方法也能明显分辨出两种不同的干扰现象,取得良好结果。     

基于自适应密度估计的系统参数辨识

针对噪声分布未知的ARMAX系统,提出了一种自适应非参数噪声密度估计方法,由估计误差动态调整高斯核函数的全局带宽和局部带宽,实现了未知噪声分布密度的自适应估计;通过极小化似然函数,给出了基于噪声密度估计的参数辨识迭代算法,分析了算法的收敛性并给出了算法收敛的充分条件.仿真结果表明本文提出的算法在系统噪声未知时具有较强的抗噪能力和良好的收敛性.     

局部均值噪声估计的盲3维滤波降噪算法

目的 图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN（additive white Gaussian noise）为噪声建模,噪声水平（严重程度）由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪（non-blind denoising algorithm）算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计（LME）算法并作为BM3D算法的前置预处理模块。方法 本文专注于利用基于自然统计规律（NSS）的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型（GGD）提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量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,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果 改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME（block-matching and 3D filtering based on local means estimation）算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论 相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。     

小波变换估计非线性扩散最优停止时间

Gilboa提出一种针对高斯噪声的基于信噪比(SNR)最优的迭代停止时间估计方法。该方法用一个噪声补丁来估计图像噪声与冗余(噪声图像与去噪图像的差)的协方差对冗余方差的导数,补丁是随机生成的纯高斯噪声图像,其均值为零并且方差等于噪声图像的噪声方差。在实际应用中图像噪声方差未知,补丁的噪声是随机的,不同噪声所得到的最后停止时间可能不同。针对这些问题,对该方法进行了改进。首先将图像进行小波变换;再利用小波系数的层间相关性去掉第1层斜向高频系数(HH1)中的边缘纹理信息,获得"纯"的子噪声;然后把子噪声作为补丁的噪声取代随机噪声。实验结果表明,改进方法不仅能解决随机噪声补丁的两个问题,而且去噪图像在峰值信噪比(PSNR)上有一定优势。