两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

浅层CNN网络构建的噪声比例估计模型

目的 利用深度卷积神经网络（deep convolutional neural network,DCNN）构建的非开关型随机脉冲噪声（random-valued impulse noise,RVIN）降噪模型在降噪效果和执行效率上均比主流的开关型RVIN降噪算法更有优势,但在实际应用中,这类基于训练（数据驱动）的降噪模型,其性能却受制于能否对待降噪图像受噪声干扰的严重程度进行准确的测定（即存在数据依赖问题）。为此,提出了一种基于浅层卷积神经网络的快速RVIN噪声比例预测（noise ratio estimation,NRE）模型。方法 该预测模型的主要任务是检测待降噪图像中的噪声比例值并将其作为反映图像受噪声干扰严重程度的指标,依据NRE预测模型的检测结果可以自适应调用相应预先训练好的特定区间DCNN降噪模型,从而快速且高质量地完成图像降噪任务。结果 分别在10幅常用图像和50幅纹理图像两个测试集上进行测试,并与现有的主流RVIN降噪算法中的检测模块进行对比。在常用图像测试集上,本文所提出的NRE预测模型的预测准确性最高。相比于噪声比例预测精度排名第2的算法, NRE预测模型在噪声比例预测值均方根误差上低0.6% 2.4%。在50幅纹理图像测试集上,NRE模型的均方根误差波动范围最小,表明其稳定性最好。通过在1幅大小为512×512像素图像上的总体平均执行时间来比较各个算法执行效率的优劣,NRE模型执行时间仅为0.02 s。实验数据表明：所提出的NRE预测模型在受各种不同噪声比例干扰的自然图像上均可以快速而稳定地测定图像中受RVIN噪声干扰的严重程度,非盲的DCNN降噪模型与其联用后即可无缝地转化为盲降噪算法。结论 本文RVIN噪声比例预测模型在各个噪声比例下具有鲁棒的预测准确性,与基于DCNN的非开关型RVIN深度降噪模型配合使用后能妥善解决DCNN网络模型固有的数据依赖问题。     

基于最小特征值非线性修正的快速噪声水平估计算法

鉴于从噪声图像上提取的原生图块协方差矩阵的最小特征值与噪声水平值之间具有显著的相关性,提出一种基于多项式回归技术训练非线性映射模型,直接将原生图块最小特征值修正为最终的噪声水平预测值的快速噪声水平估计算法。首先,选择具有代表性且无失真的自然图像作为训练图像集合;然后,对这些图像施以不同程度的高斯噪声构成样本训练图像库。在此基础上,提取各个噪声样本图像的原生图块, 并使用PCA变化得到原生图块协方差矩阵的最小特征值;最后,利用多项式回归技术构建最小特征值与噪声水平值之间的非线性修正模型。实验表明,与现有算法相比,改进算法对高、中、低各级别的噪声都能鲁棒地进行预测,尤其在低水平噪声方面表现出色,在预测准确度和执行效率两方面具有显著的综合优势。     

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。     

局部特定空间关系统计特征的RVIN噪声检测器

目的 随机脉冲噪声（random-valued impulse noise，RVIN）检测器将局部图像统计值（local image statistics，LIS）作为图块中心像素点是否为噪声的判断依据，但LIS的描述能力较弱，在不同程度上制约了RVIN检测器的检测正确率，影响了后续开关型降噪模块的修复效果。为此，提出了一种基于局部特定空间关系统计特征的RVIN噪声检测器。方法 以局部中心像素点的8个邻域像素对数差值排序值（rank-ordered logarithmic difference，ROLD）并结合1个最小方向对数差值（minimum orientation logarithmic difference，MOLD）共9个反映局部特定空间关系的LIS统计值构成描述中心像素点是否为RVIN的噪声感知特征矢量，并通过在大量样本图块数据上提取的RVIN噪声感知特征矢量及其对应的噪声标签作为训练对（training pairs），训练获得一个基于多层感知网络（multi-layer perception，MLP）的RVIN噪声检测器。结果 对比实验从检测正确率和实际应用效果2个方面检验所提出的RVIN检测器的有效性，分别在10幅常用图像和50幅BSD （Berkeley segmentation data）纹理图像上进行测试，并与经典的脉冲噪声降噪算法中包含的噪声检测器以及MLPNNC （MLP neural network classifier）噪声检测器相比较，以漏检数、误检数和错检总数作为评价噪声检测正确率的指标。在常用图像集上本文所提RVIN检测器的漏检数和误检数较为平衡，在错检总数上排名处于所有对比算法中的前2名，为后续的降噪模块打下了很好的基础。在BSD纹理图像集上，将本文提出的RVIN检测器和GIRAF （generic iteratively reweighted annihilating filter）算法组合构成一种RVIN噪声降噪算法（proposed-GIRAF），proposed-GIRAF算法在50幅BSD图像上的峰值信噪比（peak signal-to-noise ratio，PSNR）均值在各个噪声比例下均取得了最优结果，与排名第2的对比算法相比，提升了0.471.96 dB。实验数据表明，所提出的RVIN噪声检测器的检测正确率优于现有的检测器，与修复算法联用后即可获得一种降噪效果更佳的开关型RVIN降噪算法。结论 本文提出的RVIN噪声检测器在各个噪声比例下具有鲁棒的预测准确性，配合GIRAF算法使用后，与经典的RVIN降噪算法相比，降噪效果最佳，具有很强的实用性。     

面向真实图像噪声的两阶段盲去噪

目的 现有的深度图像去噪算法在去除加性高斯噪声上效果显著,但在去除任意分布的真实图像噪声时表现不佳;去噪模型的深度在不断增加,但去噪效果上却并未能显著提高。对此,设计了一种简单有效的两阶段深度图像去噪算法。方法 首先基于注意力机制估计真实图像上的噪声分布水平,然后使用一个混合膨胀卷积和普通卷积的多尺度去噪模块进行非盲降噪。结果 在DND（darmstadt noise dataset）、SIDD（smartphone image denoising dataset）、Nam和PolyU（the Hong Kong Polytechnic University）等4个图像去噪领域常用数据集上进行去噪实验,选择峰值信噪比（peak signal-to-noise ratio,PSNR）和结构相似性（structual similarity,SSIM）作为去噪效果的评价指标,得到的平均PSNR值分别为39.23 dB,38.54 dB,40.45 dB,37.34 dB,并与几种传统去噪方法和基于深度学习的去噪方法进行比较。实验结果表明,本文的去噪算法在去噪效果和视觉质量上有明显提升。同时,在SIDD数据集上进行消融实验以验证算法中模块的有效性。结论 本文算法使用的跳跃连接、噪声水平估计以及多尺度模块均可以有效提升真实图像去噪效果。与现有方法相比,本文算法不仅能有效去除真实图像噪声,而且能通过简单的模块参数设置控制去噪网络的计算效率。     

高光谱图像低秩表达与噪声水平估计

目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。     

基于两阶段支持向量回归的快速噪声水平估计算法

虽然基于主成分分析的噪声水平评估算法的预测准确性比较高,但是以迭代方式从原生图块集合中筛选同质图块子集的过程导致其执行效率比较低.为提高现有算法的执行效率,提出一种基于两阶段支持向量机回归的快速噪声水平估计改进算法.首先依据原生图块协方差矩阵的前若干个特征值与噪声水平值的强相关性,利用支持向量机回归技术训练粗精度的预测模型,大致估计出图像中的噪声水平范围;然后根据初步估计的结果,使用专门针对低、中、高噪声水平训练的精细预测模型获得最终的噪声水平估计值.大量实验结果表明,该算法可以在不降低太多预测准确性的前提下,大幅度地提高执行效率,用它作为各类图像处理算法的前置预处理模块,较其他同类算法具有显著的综合优势.     

特征驱动先验的归一化卷积超分辨率重建

目的 针对融合—复原法超分辨率重建中融合与复原两大环节,提出新的改进算法框架：用改进的归一化卷积实现融合,再用改进的最大后验估计实现复原,得到更优的超分辨率重建。方法 改进的归一化卷积引入了双适应度函数和一种新的混合确定度函数;改进的最大后验估计,引入一种特征驱动先验模型,该模型通过混合两种不变先验模型而得到,形式完全取决于图像自身的统计特征。结果 用本文算法对不同降质水平的图像进行重建,并与其他若干算法重建结果比较。无论从视觉效果还是从评价指标,本文算法均优于其他算法。结论 本文超分辨率重建算法,融合环节兼顾了邻域像素的空间距离和光度差,充分利用两种确定度函数的各自优势,可以抑制更多噪声和异常值;复原环节的先验模型依据图像特征而不是经验,对图像刻画更准确。实验结果也验证了本文算法的有效性。     

平稳小波域深度残差CNN用于低剂量CT图像估计

针对低剂量计算机断层扫描（LDCT）重建图像中存在大量噪声的问题,提出了一种平稳小波的深度残差卷积神经网络（SWT-CNN）模型,可以从LDCT图像估计标准剂量计算机断层扫描（NDCT）图像。该模型在训练阶段,将LDCT图像经平稳小波（SWT）三级分解后的高频系数作为输入,将LDCT图像高频系数与NDCT图像高频系数相减得到残差系数作为标签,通过深度卷积神经网络（CNN）学习输入和标签之间的映射关系;在测试阶段,利用此映射关系即可从LDCT图像的高频系数中预测NDCT高频系数,最后通过平稳小波反变换（ISWT）重构预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔及腹腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其余5对作为测试集。将所提模型与效果较好的非局部降噪算法、K-奇异值分解（K-SVD）算法、匹配三维滤波（BM3D）算法及图像域CNN（Image-CNN）模型对比,实验结果表明,SWT-CNN模型预测的NDCT图像信噪比（PSNR）和结构相似性（SSIM）高,且均方根误差（RMSE）小于其他算法处理结果。该模型对于提高低剂量CT图像质量是可行且有效的。     

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。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

分块策略实现图像椒盐噪声密度估计

目的 椒盐噪声是造成图像污染的常见因素之一,椒盐噪声密度的估计对椒盐去噪过程中滤波窗口大小的选择具有指导作用。为此提出了一种基于分块策略的椒盐噪声密度估计算法。方法 首先对图像按行列等分后形成多个图像子块,统计每个子块中灰度为0或255的像素点个数并排序,然后根据排序后个数差分值函数特征对子块进行筛选,最后将所有候选子块噪声密度估计值的中值作为对整幅图像噪声密度的估计。结果 为验证算法的有效性,选取了两组不同类型的图像进行仿真,与现有椒盐噪声密度估计算法对比噪声密度估计结果。仿真实验结果表明,当图像自身包含较多灰度为0或255的像素点时,本文算法的噪声密度估计精度优于现有各种算法,标准差比现有算法小近一个数量级。当图像自身不包含灰度为0或255的像素点时,本文算法也能达到现有算法中最优的估计效果。结论 本文算法不仅能准确估计不同强度下的噪声密度,而且适用于自身包含灰度为0或255的像素点多的椒盐噪声图像。     

基于稀疏结构噪声检测的指静脉图像去噪算法

针对携带污染噪声的指静脉图像中背景区域、静脉区域和噪声区域的稀疏特性,提出一种改进的指静脉图像去噪算法。利用指静脉稀疏结构特性建立鲁棒主成分分析（RPCA）模型,通过交替方向乘子法求解RPCA模型获得含稀疏目标的前景图像并对其进行阈值分割以提取噪声分布图,同时根据提取结果建立修复优先度规则和自适应选择性滤波模板,实现指静脉图像的去噪处理。实验结果表明,与自适应非局部均值去噪算法和基于分数阶微分梯度噪声检测的去噪算法相比,在零误识情况下该算法处理后的带噪指静脉图像拒识率平均降低5.95%和3.64%,有效提升了带噪指静脉图像的识别性能。     

Root Mean Square filter for noisy images based on hyper graph model

In this paper, we propose a noise removal algorithm for digital images. This algorithm is based on hypergraph model of image, which enables us to distinguish noisy pixels in the image from the noise-free ones. Hence, our algorithm obviates the need for denoising all the pixels, thereby preserving as much image details as possible. The identified noisy pixels are denoised through Root Mean Square (RMS) approximation. The performance of our algorithm, based on peak-signal-to-noise-ratio (PSNR) and mean-absolute-error (MAE), was studied on various benchmark images, and found to be superior to that of other traditional filters and other hypergraph based denoising algorithms.