基于噪声水平估计的图像盲去噪

三维块匹配(BM3D)去噪是当前去噪性能最好的算法之一。但由于时间复杂度较高,而且需要输入精确的图像噪声水平参数,极大地限制该算法的广泛应用。因此,文中首先采用基于网格的块匹配策略,提出快速三维块匹配(FBM3D)算法。然后提出基于迭代的盲图像噪声水平估计算法,由SVM学习算法确定迭代的初始值,再由图像质量判定迭代是否终止。测试实验表明,与原始的BM3D算法相比,该算法在计算效率、视觉感知效果和定量评测方面均有明显改善。     

采用通道和空间注意力的真实噪声盲去噪算法

基于卷积神经网络的去噪方法对图像的加性高斯白噪声去除效果良好,但对图像的真实噪声去除效果欠佳.本文对加性高斯白噪声和真实噪声的灰度直方图进行统计分析,根据两者之间的分布差异构建出一个基于注意力机制的端到端盲去噪网络LDFNet,有利于学习真实噪声图像的复杂像素分布特征.LDFNet网络包含3个部分:特征自适应学习模块(...     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

基于注意力机制的蒙特卡罗渲染去噪方法

针对蒙特卡罗渲染在低采样率下绘制图像的噪声问题,提出基于注意力机制的蒙特卡罗噪声去除方法。在模型上,设计去除批归一化层的注意力残差块减少模型的计算量,引入空间注意力和通道注意力关注渲染图像的细节。使用图像的颜色和辅助信息作为网络的输入,加入感知损失函数训练网络。实验结果表明,相比其他蒙特卡罗渲染去噪方法,该方法在去除噪声的同时不仅取得了更高的量化值,而且保留了更多的细节特征。     

基于U形多尺度注意力方法的真实图像去噪

针对真实世界图像去噪算法存在对上下文信息和全局信息利用不足导致的去噪效果不佳问题,提出一种U形金字塔注意力网络(UPCA)。U形结构由多尺度特征模块与长距离通道注意力模块融合形成的金字塔注意力模块组成,U形结构通过拼接操作可以将每一层的输出特征图融合,减少卷积过程以及下采样过程中图像细节特征的丢失。多尺度特征金字塔模块可以更好地利用上下文信息从而更好地恢复出干净的图像,而建立长距离依赖的通道注意力模块可以更好地利用全局信息,提高网络的去噪效果。同时在损失函数部分加入噪声项来加快训练时收敛的速度以及提高去噪效果。UPCA网络在数据集SIDD和DND进行对比实验,验证了UPCA网络的可行性和先进性,同时与同样使用通道注意力的RIDNet相比UPCA网络的PSNR/SSIM指标提升了0.81 dB/0.044,去噪后的效果图直观表现也更好,而且同等参数下训练所需的算力更小。     

基于真实场景图像下的卷积神经网络去噪算法

为了有效地去除实际图像中的噪声,提出了一种基于真实场景图像下卷积神经网络去噪算法,通过构建新的无噪图像数据集,输入至卷积神经网络中进行训练,并结合模拟退火算法提高训练率,建立去噪网络模型,实现真实场景图像去噪.实验结果表明:含噪的灰度图像与相机拍摄图像均取得明显的平滑效果,算法信号-噪音功率比(PSNR)值较高,图像边缘和细节也得到了较好的保留.     

基于注意力机制和残差块的真实图像去噪

为有效去除真实图像噪声,提出一种基于注意力机制和残差块的图像去噪算法。采用通道和空间注意力机制相结合的双重注意力模块给不同的特征赋予权重,并与残差块合并于编解码结构;应用增大感受野模块,在保护图像结构的同时增大感受野;整体架构采用密集特征融合保留更多细节。实验结果表明,该算法在SIDD和DND数据集的峰值信噪比分别达到了39.59 dB和39.73 dB,结构相似性分别达到了0.911%和0.953%,具有最佳视觉效果。所提算法在去噪的同时能够保留更多图像细节信息。     

基于编码—解码结构的多阶段图像去雨滴方法

针对附着镜头或玻璃表面的雨滴会造成图像退化的问题,提出了一种多阶段渐进式图像去雨滴方法。整个去雨滴过程被分解为多个更易于实现的阶段。首先在每个阶段设计多尺度融合的编码—解码网络以学习雨滴特征,通过构建带有门控循环单元的多尺度扩张卷积来细化内部传递的空间特征。然后引入无降维的通道注意力机制对特定空间特征下的通道信息进行提取。最后为加强每个阶段各部分之间的信息交换,采用跨阶段特征融合机制,在每个阶段的编码—解码网络之间加入横向连接,以实现特征信息的横向传递。在每个阶段之间加入监督注意模块,以增强不同阶段之间的信息传递,最终渐进地实现雨滴的去除。实验表明该方法能够有效地去除雨滴。     

一种新的复杂纹理图像的去噪方法

针对目前复杂纹理图像去噪与保细节的矛盾,并结合以往的时域模板平滑去噪方法,提出了一种新的基于纹理分析的纹理图像去噪方法。该方法首先提出了在去噪之前应进行纹理分析,从而确定图像各个区域的纹理复杂情况;之后,又提出了使用多尺度多方向的时域模板,即根据纹理细节复杂与否来选取模板类型,并且,利用方差大小来决定细节丰富区域的线形模板方向的选取,从而增强了图像细节的保留效果。本方法运算快捷,去噪效果良好。     

图像小波阈值去噪方法研究

该文介绍了小波阈值去噪的基本原理,描述了图像小波阈值法去噪的过程,并通过仿真实验结果比较了小波阈值去噪方法在选取不同阈值函数下的去噪效果,证明了小波阈值去噪法是一种非常有效的变换域图像去噪方法。     

双通道扩张卷积注意力图像去噪网络*

针对深度学习图像去噪算法存在网络过深导致细节丢失的问题,提出一种双通道扩张卷积注意力网络CEANet。拼接信息保留模块将每一层的输出特征图融合,弥补卷积过程中丢失的图像细节特征进行密集学习;扩张卷积可以在去噪性能和效率之间进行权衡,用更少的参数获取更多的信息,增强模型对噪声图像的表示能力,基于扩张卷积的稀疏模块通过扩大感受野获得重要的结构信息和边缘特征,恢复复杂噪声图像的细节;基于注意力机制的特征增强模块通过全局特征和局部特征进行融合,进一步指导网络去噪。实验结果表明,在高斯白噪声等级为25和50时,CEANet都获得了较高的峰值信噪比均值和结构相似性均值,能够更高效地捕获图像细节信息,在边缘保持和噪声抑制方面,具有较好的性能。相关实验证明了该算法进行图像去噪的有效性。     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

Analysis of non-local image denoising methods

Image denoising is probably one of the most studied problems in the image processing community. Recently a new paradigm on non-local denoising was introduced. The non-local means method proposed by Buades, Morel and Coll computes the denoised image as a weighted average of pixels across the whole image. The weight between pixels is based on the similarity between neighborhoods around them. This method attracted the attention of other researchers who proposed improvements and modifications to it. In this work we analyze those methods trying to understand their properties while connecting them to segmentation based on spectral properties of the graph that represents the similarity of neighborhoods of the image. We also propose a method to automatically estimate the parameters which produce the optimal results in terms of mean square error and perceptual quality.     

A model-driven network for guided image denoising

Guided image denoising recovers clean target images by fusing guidance images and noisy target images. Several deep neural networks have been designed for this task, but they are black-box methods lacking interpretability. To overcome the issue, this paper builds a more interpretable network. To start with, an observation model is proposed to account for modality gap between target and guidance images. Then, this paper formulates a deep prior regularized optimization problem, and solves it by alternating direction method of multipliers (ADMM) algorithm. The update rules are generalized to design the network architecture. Extensive experiments conducted on FAIP and RNS datasets manifest that the novel network outperforms several state-of-the-art and benchmark methods regarding both evaluation metrics and visual inspection.     

基于深度学习的图像去噪方法研究综述

图像去噪是利用图像序列的上下文信息去除噪声,从而恢复出清晰图像的一种技术,是计算机视觉领域重要研究内容之一。随着机器学习的发展,深度学习在图像去噪领域得到广泛应用,成为处理图像去噪的有效解决方法。分析了深度学习图像去噪方法;依据网络结构详细分析了图像去噪方法的思想,并对优缺点进行梳理总结;通过在DND、PolyU等数据集上的实验结果,对比分析基于深度学习去噪方法的性能;对图像去噪研究的关键问题进行总结,并讨论该领域未来研究的发展趋势。     

一种新的小波半软阈值图像去噪方法

在小波半软阈值图像去噪方法基础上,提出了一种基于自适应局部相关系数的新方法。该方法在软阈值法和硬阈值法之间有很好的折衷,通过加入局部相关系数,使其在各种小波变换中均能增强子带内小波系数的相关性。在阈值选取中选用了基于Bayes风险估计的自适应阈值和具有统计意义上的阈值方法,获得了小波系数不同子带不同方向的最优估计。实验结果显示,该方法去噪效果显著,同时能够改善小波变换所造成的图像视觉失真和边缘振荡效应,更好地保留了图像边缘和细节纹理特征。该方法可通过调节局部相关系数控制图像去噪程度和效果,能满足不同需求,具有很高的实用价值。     

基于变换域和噪声估计的路面图像去噪研究

针对不考虑噪声的统计分布,仅使用傅里叶变换或小波变换对图像进行降噪处理会带来图像的失真（扭曲）的问题,提出基于变换域和噪声估计的图像去噪方法。算法根据傅里叶变换和小波变换对图像的有效表示侧重点不同,以及图像噪声在不同变换域下的统计特性,提出先将图像进行傅里叶变换,根据噪声的统计特性构造传递函数H,使用Wiener滤波器进行降噪处理,得到一次降噪图像;再对图像再进行小波变换,根据噪声在小波的各尺度下,以及同一尺度下的不同特性,分别采用软门限降噪法和MMSE准则的降噪方法,得到二次降噪图像。仿真实验证实,该算法能有效提高降噪效果,降噪后的图像不失真,包含噪声少。     

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。     

一种基于小波变换的红外图像去噪方法

提出一种基于小波变换的红外图像去噪方法。该方法针对红外图像的噪声分布特性,对红外图像中的乘性噪声进行对数变换,使乘性噪声变为加性噪声,并对变换后红外图像的小波变换系数进行阈值处理实现图像去噪。实验结果表明:此方法比传统的小波变换方法对噪声有更好的抑制作用。     

基于双分支网络的图像修复取证方法

图像修复是一项利用图像已知区域的信息来修复图像中缺失或损坏区域的技术。人们借助以此为基础的图像编辑软件无须任何专业基础就可以轻松地编辑和修改数字图像内容,一旦图像修复技术被用于恶意移除图像的内容,会给真实的图像带来信任危机。目前图像修复取证的研究只能有效地检测某一种类型的图像修复。针对这一问题,提出了一种基于双分支网络的图像修复被动取证方法。双分支中的高通滤波卷积网络先使用一组高通滤波器来削弱图像中的低频分量,然后使用4个残差块提取特征,再进行两次4倍上采样的转置卷积对特征图进行放大,此后使用一个5×5的卷积来减弱转置卷积带来的棋盘伪影,生成图像高频分量上的鉴别特征图。双分支中的双注意力特征融合分支先使用预处理模块为图像增添局部二值模式特征图。然后使用双注意力卷积块自适应地集成图像局部特征和全局依赖,捕获图像修复区域和原始区域在内容及纹理上的差异,再对双注意力卷积块提取的特征进行融合。最后对特征图进行相同的上采样,生成图像内容和纹理上的鉴别特征图。实验结果表明该方法在检测移除对象的修复区域上,针对样本块修复方法上检测的F1分数较排名第二的方法提高了2.05%,交并比上提高了3.53%;...