基于多图像先验知识的噪声水平评估算法

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.     

基于CNN噪声分离模型的噪声水平估计算法

现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明：所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.     

采用训练策略实现的快速噪声水平估计

目的 大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计（NLE）算法在噪声水平感知特征（NLAF）提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络（CNN）自动提取NLAF特征,并利用增强BP （back propagation）神经网络将其映射为相应噪声水平值的改进算法。方法 在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在AdaBoost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果 对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0.5,均方根误差小于0.9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13.9 ms。结论 实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。     

一种基于快速噪声估计的MMSE语音增强算法

提出一种基于快速噪声估计的MMSE语音增强算法,实验表明这种算法比起谱相减法和基于语音短时对数谱的最小均方误差（MMSE-LSA）算法能更显著地提高算法的客观性能,在非平稳噪声环境中能快速估计出变化的噪声功率谱。     

基于主成分分析的分块视频噪声估计

噪声估计在视频去噪领域具有重要的研究意义.实际生活中的噪声都是未知的,然而现存的视频去噪算法通常都假定视频的噪声水平是已知的,本文提出一种基于主成分分析（Principal component analysis,PCA）的分块视频噪声估计算法.首先,基于帧间进行块匹配寻找相似块,得到差分图像以消除视频运动的影响;其次,将正态分布函数作为阈值函数简化噪声估计算法模型;最后,设置明确迭代指标使得估计的结果更加精确,且降低了计算复杂度.主观视觉效果和客观指标对比表明,本文提出的基于主成分分析的分块视频噪声估计算法比其他优秀的噪声估计算法误差小同时鲁棒性高,能准确地估计视频噪声.     

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。     

矩阵特征值估计的粒子群优化算法

利用Gersehgorin圆盘定理与矩阵特征值的性质,将特征值的求解问题转化为最优化问题.借助粒子群优化算法与二分法思想,精确地估计了实(复)方矩阵的全体特征值,并与Matlab软件中基于QR算法设计的特征值求解函数eig的计算结果作对比,绝对误差达到10-7数量级以上.同时,也解决了特征值分离度的估计问题.     

基于最小统计噪声估计的信号子空间语音增强

针对传统子空间方法中,采用语音活动检测（Voice activity detection,VAD）估计噪声的缺陷,提出了一种基于子空间域的最小统计噪声估计算法。噪声估计通过跟踪带噪语音协方差矩阵用每个特征向量上的特征值的最小值来获得,该方法不需要VAD明确区分语音段和噪声段,能够在整个信号期间实现噪声的连续估计和不断更新。实验结果表明,相对于传统的基于VAD的子空间方法,本文提出的算法对语音增强效果有非常显著的提高。     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

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。     

基于粒子群算法的图像椒盐噪声去除算法

针对图像中的椒盐噪声消除问题,提出了一种基于粒子群算法的自适应开关中值滤波算法。提出的滤波器算法主要由两大阶段组成:噪声检测阶段和噪声滤除阶段。与标准中值滤波相比,提出的自适应开关中值滤波算法能够生成污染图像的噪波图。通过噪波图可以得到图像的污染和未污染像素信息。在滤除过程中,滤波器计算出未污染相邻像素的中值并且替换污染像素。仿真实验结果证实了所提算法的有效性,其能够有效地提高图像的峰值信噪比和图像质量;相比现有其他方法,所提算法的去噪效果更好。     

具有容噪特性的C4.5算法改进

针对有噪声的高维数据引起决策树预测准确率下降的问题,利用容噪主成分分析(Noise-free Principal Component Anlysis,NFPCA)算法思想对C4.5算法改进而形成NFPCA-in-C4.5算法。该算法一方面将高维数据噪声控制问题转化为拟合数据特征与控制平滑度相结合的最优化问题,从而获得主成分空间;另一方面在决策树自顶向下构建新节点的过程中,再将主成分空间恢复到原始数据空间来避免降维过程中属性特征信息永久消失。实验结果表明NFPCA-in-C4.5算法兼具降维和容噪功能,避免了降维中由特征信息损失和噪声残留造成的预测模型准确率大幅降低的问题。     

基于灰度密度和四方向的随机脉冲噪声检测

提高检测正确率的同时降低漏检率和错检率是脉冲噪声检测过程中的难点。提出了两阶段的检测方法,第一阶段,根据窗口中心点的灰度密度小于某阈值检测噪声,分5次迭代,对每次检测到的噪声进行中值滤波,滤波图像作为下一次检测的输入图像;第二阶段,用窗口4个方向检测噪声,并根据MAD值自适应设定阈值。以512×512的Lena和Boat为测试对象,添加10%至50%的随机脉冲噪声进行仿真实验,结果表明,随着噪声密度的增加,错检数都稳定在较低值,漏检数保持在理论上的低值。     

一种基于噪声功率的信道有效阶数盲估计算法

基于二阶统计量的盲均衡算法大多要求估计信道阶数。根据噪声功率随信道阶数的变化特点,提出一种新的阶数估计算法。实验表明,与传统算法相比,该算法不仅复杂度低,在低信噪比和小样本个数情况下估计性能良好,且不依赖于具体的盲信道估计算法,具有较强的适用性。     

基于背景噪声估计的说话人识别算法

基于同段语音中有声和无声部分具有相同的背景噪声特征的假设,该文提出基于背景噪声模型估计的说话人识别算法。该算法从无声信号中提取背景噪声的HMM参数,并结合含噪音频特征估计说话人特征参数,进行识别处理。实验表明,该方法具有比传统去噪技术更好的识别能力,混合噪声下的说话人识别正确率达到了90%以上。     

Selection of Thresholding Scheme for Image Noise Reduction on Wavelet Components Using Bayesian Estimation

Methods for image noise reduction based on wavelet analysis perform by first decomposing the image and then by applying non-linear compression functions on the wavelet components. The approach commonly used to reduce the noise is to threshold the absolute pixel values of the components. The thresholding functions applied are members of a family of functions defining a specific shape. This shape has a fundamental influence on the characteristics of the output image. This work presents and tests an alternative shape deduced from statistical estimation. Optimal shapes are deduced using Bayesian theory and a new shape is defined to approximate them. The derivation of thresholding shapes is optimal in LMSE and MAP senses. The noise is assumed additive Gaussian and white (AWGN) and the components are assumed to have statistical distributions consistent with the real component distributions. The optimal shapes are then approximated by a scheme utilised in the noise reduction procedure. Results demonstrating the efficiency of the image noise reduction procedure are included in the work.