CN107945119B - 基于拜耳模式的图像内相关噪声估计方法 - Google Patents
基于拜耳模式的图像内相关噪声估计方法 Download PDFInfo
- Publication number
- CN107945119B CN107945119B CN201711065630.7A CN201711065630A CN107945119B CN 107945119 B CN107945119 B CN 107945119B CN 201711065630 A CN201711065630 A CN 201711065630A CN 107945119 B CN107945119 B CN 107945119B
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- variance
- block
- estimating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002596 correlated effect Effects 0.000 title claims description 4
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000000875 corresponding effect Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Color Television Image Signal Generators (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明属于计算机视觉领域。涉及实际图像去噪过程中噪声估计的方法,具体讲,通过基于Bayer(拜耳)模式下采样的方法分别估计四副子图的噪声方差图,进而上采样恢复整图实际图像的噪声方差图。
背景技术
噪声估计和图像去噪作为数字图像领域的一个基础问题,对很多图像处理算法的研究都具有重要作用。自从数字图像诞生,有关图像噪声的研究就开始了。而大部分的去噪算法都是在假设已经获知噪声类型和噪声水平的基础上进行的,这个必然需要先进行噪声估计。
在大部分的噪声估计算法中,噪声都通常被假设为加性高斯白噪声,并且是跟图像内容和空间分布是无关的。然而这种简单的高斯白噪声模型并不适用于由复杂的实际成像系统(单反相机、智能手机等)在拍摄过程中产生的信号相关噪声。
噪声模型可以分为三种类型:点模型、线模型和图模型。点模型主要是指针对于高斯白噪声而设计的传统噪声估计方法,用一单一方差表示图像噪声水平,并不适用于各种复杂噪声混合在一起的情况;线模型用NLF(噪声水平函数)曲线描述噪声水平与信号强度之间的映射关系;图模型认为图像噪声水平不仅与图像像素值有关,而且与像素周围内容有关,用噪声方差图对应噪声图像中每一个像素点的噪声水平。
目前主要有两种较好的噪声估计方法:一种是噪声水平函数(NLF)的估计,通过建立一个过完备字典,选取光滑图像块的方差作为样本,并利用稀疏表示的方法估计出图像的噪声水平函数。另一种是噪声方差图的估计,基于采用数据驱动的方式,采用MLP(多层感知机)学习噪声图像和噪声方差图之间的映射关系。
但是据查,这两种方法能够取得较好的结果,但是对于一些纹理丰富的图像,这两种方法的鲁棒性都不好。
发明内容
为克服现有技术的不足,本发明的目旨在提供更为精确的噪声估计的方法,为此,本发明采用的技术方案是,基于拜耳模式的图像内相关噪声估计方法,步骤如下:
1)建立噪声模型:
2)对噪声图像进行下采样:依照Bayer模式对图像进行下采样,得到四副子图{I1,I2,I3,I4},用Ii(i=1,2,3,4)表示其中一幅子图;
3)对四副子图进行初步去噪:采用彩色3维块匹配CBM3D算法分别对四副子图去噪,得到它们的去噪图像用表示其中一幅去噪图像,i=1,2,3,4,该算法包含一个噪声水平参数σ,按照相机拍摄时采用的ISO值来确定,其计算公式为:
采用CBM3D(彩色3维块匹配)算法对四副子图进行去噪时,参数σ的值是固定的,并且由公式(2)计算出的σ通常要比噪声图像的实际噪声水平要大,从而彻底滤出噪声;
4)估计每副子图的噪声方差图
43)估计噪声方差:估计G携带的噪声样本N,公式为:
计算N中噪声样本的方差σ2,即为当前图像块中像素所对应的噪声水平。计算公式为:
44)聚合估计方差:由于设定的步长s一般小于图像块尺寸,所以对于一个像素点将会出现估计出多个方差的情况,对这个像素点所有估计出来的方差进行聚合,作为该像素点所对应的方差。
在一个实例中,步骤4)具体是:
41)将图像从RGB空间转换到YUV空间,其变换矩阵为:
42)为保证估计精度,将步长s设置为1,图像块尺寸为4×4,通过最小化参考块和匹配块之间l2距离搜索相似块:
BxR和Bx分别表示参考块和匹配块,||·||2表示l2范数,k2是BxR中的像素数,选取d(BxR,Bx)前m个最小值对应的Bx自适应地搜索出BxR的相似块。另外,搜索相似块只在Y通道进行,UV通道直接采用Y通道的分组方式;
44)由于搜索相似块时,步长s设置为1,参考块之间将会相互重叠,进而每个像素点将估计出多个噪声水平,求取均值作为最终估计的噪声水平;
本发明的技术特点及效果:
本发明方法针对实际相机拍摄图像噪声水平难以估计的问题,通过观察噪声水平的分布情况,且利用基于Bayer模式的下采样方案,将噪声水平相近的像素点集中,进而估计出精确度较高的噪声水平方差图。本发明具有以下特点:
1、通过估计出下采样四副子图的噪声方差图进而恢复原图对应的噪声水平图。
2、为去除RGB通道的相关性,将噪声图转换到YUV通道进行噪声估计。
3、利用了图像内部相关性,搜索相似块集中噪声水平相似的图像块。
4、采用均值的方式聚合同一像素点将估计出多个噪声水平。
附图说明
图1是算法流程图;
图2是本发明的输入和输出:输入是(a)噪声图像,,输出是(b)噪声方差图(包括YUV三个通道的方差图)。
图3是不同ISO设定下各个方法的结果比较。由于噪声水平函数(NLF)模型只能表示Y通道噪声水平,所以本发明结果只和NLF模型比较Y通道噪声估计结果。第一组为NikonD800 ISO为1600的噪声估计结果(a)为噪声图,(b)NLF模型估计结果(只有Y通道),MSE:0.901;(c)MLP估计结果(YUV三个通道),MSE:(1.835,1.4,0.599);(d)为本发明估计结果,MSE:(0.673,0.259,0.543)。图4为Nikon D800 ISO为3200的噪声估计结果(a)为噪声图,(b)NLF模型估计结果,MSE:1.462;(c)MLP估计结果,MSE:(1.332,1.787,2.162);(d)为本发明估计结果,MSE:(0.537,0.449,0.539)。图5为Nikon D800 ISO为6400的噪声估计结果(a)为噪声图,(b)NLF模型估计结果,MSE:2.028;(c)MLP估计结果,MSE:(9.984,0.547,9.282);(d)为本发明估计结果,MSE:(0.794,0.682,2.325)。
具体实施方式
1)给定一实际噪声图像,本发明的目的是估计出该噪声图像对应的噪声方差图(包括YUV三个通道)。本发明基于拜耳Bayer模式(即按照Bayer对进行下采样分成四副子图)的噪声模型如下:
实际拍摄图像的噪声并不是简单的高斯白噪声或者泊松噪声,实际拍摄图像噪声为信号相关噪声,即对于实际噪声图像中每一个像素点,其噪声水平不仅与该像素点的像素值有关,而且与图像的内容有关。所以建立噪声模型为噪声方差图,即每个像素点都对应一个噪声水平。方程(1)中,(x,y)为当前像素的坐标,∑(x,y)是当前像素位置对应的方差矩阵。分别为该像素位置在YUV通道的噪声方差。
2)对噪声图像进行下采样:依照Bayer(拜耳)模式对图像进行下采样,得到四副子图{I1,I2,I3,I4},用Ii(i=1,2,3,4)表示其中一幅子图;
3)对四副子图进行初步去噪:采用CBM3D(彩色3维块匹配)算法分别对四副子图去噪,得到它们的去噪图像用表示其中一幅去噪图像。该算法包含一个噪声水平参数σ,可以按照相机拍摄时采用的ISO值来确定,其计算公式为:
采用CBM3D算法对四副子图进行去噪时,参数σ的值是固定的,并且由公式(2)计算出的σ通常要比噪声图像的实际噪声水平要大,从而彻底滤出噪声。
4)估计每副子图的噪声方差图。
43)估计噪声方差:估计G携带的噪声样本N,公式为:
计算N中噪声样本的方差σ2,即为当前图像块中像素所对应的噪声水平。计算公式为:
44)聚合估计方差:由于设定的步长s一般小于图像块尺寸,所以对于一个像素点将会出现估计出多个方差的情况,对这个像素点所有估计出来的方差进行聚合,作为该像素点所对应的方差。
步骤4)的具体步骤是:
41)将图像从RGB空间转换到YUV空间,其变换矩阵为:
42)为保证估计精度,将步长s设置为1,图像块尺寸为4×4。通过最小化参考块和匹配块之间l2距离搜索相似块:
BxR和Bx分别表示参考块和匹配块,||·||2表示l2范数,k2是BxR中的像素数。选取d(BxR,Bx)前m个最小值对应的Bx自适应地搜索出BxR的相似块。另外,搜索相似块只在Y通道进行,UV通道直接采用Y通道的分组方式。
46)由于搜索相似块时,步长s设置为1,参考块之间将会相互重叠,进而每个像素点将估计出多个噪声水平,求取均值作为最终估计的噪声水平。
下面结合附图和实施例对本发明作详细说明(算法流程图如图1所示)。
1)给定一实际噪声图像,本发明的目的是估计出该噪声图像对应的噪声方差图(包括YUV三个通道)如图2所示。本发明基于Bayer模式(即按照Bayer对进行下采样分成四副子图)的噪声模型如下:
实际拍摄图像的噪声并不是简单的高斯白噪声或者泊松噪声,实际拍摄图像噪声为信号相关噪声,即对于实际噪声图像中每一个像素点,其噪声水平不仅与该像素点的像素值有关,而且与图像的内容有关。所以建立噪声模型为噪声方差图,即每个像素点都对应一个噪声水平。方程(1)中,(x,y)为当前像素的坐标,∑(x,y)是当前像素位置对应的方差矩阵。分别为该像素位置在YUV通道的噪声方差。
2)对噪声图像进行下采样:依照Bayer(拜耳)模式对图像进行下采样,得到四副子图{I1,I2,I3,I4},用Ii(i=1,2,3,4)表示其中一幅子图;
3)对四副子图进行初步去噪:采用CBM3D(彩色3维块匹配)算法分别对四副子图去噪,得到它们的去噪图像用表示其中一幅去噪图像。该算法包含一个噪声水平参数σ,可以按照相机拍摄时采用的ISO值来确定,其计算公式为:
采用CBM3D算法对四副子图进行去噪时,参数σ的值是固定的,并且由公式(2)计算出的σ通常要比噪声图像的实际噪声水平要大,从而彻底滤出噪声。
4)估计每副子图的噪声方差图。
43)估计噪声方差:估计G携带的噪声样本N,公式为:
计算N中噪声样本的方差σ2,即为当前图像块中像素所对应的噪声水平。计算公式为:
44)聚合估计方差:由于设定的步长s一般小于图像块尺寸,所以对于一个像素点将会出现估计出多个方差的情况,对这个像素点所有估计出来的方差进行聚合,作为该像素点所对应的方差。
步骤4)的具体步骤是:
41)将图像从RGB空间转换到YUV空间,其变换矩阵为:
42)为保证估计精度,将步长s设置为1,图像块尺寸为4×4。通过最小化参考块和匹配块之间l2距离搜索相似块:
BxR和Bx分别表示参考块和匹配块,||·||2表示l2范数,k2是BxR中的像素数。选取d(BxR,Bx)前m个最小值对应的Bx自适应地搜索出BxR的相似块。另外,搜索相似块只在Y通道进行,UV通道直接采用Y通道的分组方式。
48)由于搜索相似块时,步长s设置为1,参考块之间将会相互重叠,进而每个像素点将估计出多个噪声水平,求取均值作为最终估计的噪声水平。
实验结果:本发明采用MSE(最小均方误差)作为噪声估计结果的度量测度:
Claims (2)
1.一种基于拜耳模式的图像内相关噪声估计方法,其特征是,步骤如下:
1)建立噪声模型:
2)对噪声图像进行下采样:依照Bayer模式对图像进行下采样,得到四幅子图{I1,I2,I3,I4},用Ii表示其中一幅子图,i=1,2,3,4;
3)对四幅子图进行初步去噪:采用彩色3维块匹配CBM3D算法分别对四幅子图去噪,得到它们的去噪图像用表示其中一幅去噪图像,该算法包含一个噪声水平参数σ,按照相机拍摄时采用的ISO值来确定,其计算公式为:
采用CBM3D(彩色3维块匹配)算法对四幅子图进行去噪时,参数σ的值是固定的,并且由公式(2)计算出的σ通常要比噪声图像的实际噪声水平要大,从而彻底滤出噪声;
4)估计每幅子图的噪声方差图
43)估计噪声方差:估计G携带的噪声样本N,公式为:
计算N中噪声样本的方差σ2,即为当前图像块中像素所对应的噪声水平,计算公式为:
44)聚合估计方差:由于设定的步长s一般小于图像块尺寸,所以对于一个像素点将会出现估计出多个方差的情况,对这个像素点所有估计出来的方差进行聚合,作为该像素点所对应的方差;
2.如权利要求1所述的基于拜耳模式的图像内相关噪声估计方法,其特征是,步骤4)具体是:
41)将图像从RGB空间转换到YUV空间,其变换矩阵为:
42)为保证估计精度,将步长s设置为1,图像块尺寸为4×4,通过最小化参考块和匹配块之间l2距离搜索相似块:
BxR和Bx分别表示参考块和匹配块,||·||2表示l2范数,k2是BxR中的像素数,选取d(BxR,Bx)前m个最小值对应的Bx自适应地搜索出BxR的相似块,另外,搜索相似块只在Y通道进行,UV通道直接采用Y通道的分组方式;
44)由于搜索相似块时,步长s设置为1,参考块之间将会相互重叠,进而每个像素点将估计出多个噪声水平,求取均值作为最终估计的噪声水平;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065630.7A CN107945119B (zh) | 2017-11-02 | 2017-11-02 | 基于拜耳模式的图像内相关噪声估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065630.7A CN107945119B (zh) | 2017-11-02 | 2017-11-02 | 基于拜耳模式的图像内相关噪声估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945119A CN107945119A (zh) | 2018-04-20 |
CN107945119B true CN107945119B (zh) | 2020-08-18 |
Family
ID=61934229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711065630.7A Active CN107945119B (zh) | 2017-11-02 | 2017-11-02 | 基于拜耳模式的图像内相关噪声估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945119B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097511B (zh) * | 2019-04-11 | 2021-06-15 | 成都微光集电科技有限公司 | 一种图像降噪方法 |
CN110149520B (zh) * | 2019-05-24 | 2023-02-03 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜bayer图像YUV无损压缩的处理方法及系统 |
CN111798393A (zh) * | 2020-06-30 | 2020-10-20 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8570386B2 (en) * | 2008-12-31 | 2013-10-29 | Stmicroelectronics S.R.L. | Method of merging images and relative method of generating an output image of enhanced quality |
JP2014027337A (ja) * | 2012-07-24 | 2014-02-06 | Sony Corp | 画像処理装置、画像処理方法、プログラムおよび撮像装置 |
US9342874B2 (en) * | 2014-01-16 | 2016-05-17 | Megachips Corporation | Noise determination apparatus and method, and noise filter |
US9454807B2 (en) * | 2014-03-25 | 2016-09-27 | Spreadtrum Communications (Shanghai) Co., Ltd. | Methods and systems for denoising images |
-
2017
- 2017-11-02 CN CN201711065630.7A patent/CN107945119B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107945119A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | AIPNet: Image-to-image single image dehazing with atmospheric illumination prior | |
WO2019148739A1 (zh) | 一种模糊图像综合处理方法和系统 | |
CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN103369209B (zh) | 视频降噪装置及方法 | |
Chung et al. | Demosaicing of color filter array captured images using gradient edge detection masks and adaptive heterogeneity-projection | |
KR20210139450A (ko) | 이미지 디스플레이 방법 및 디바이스 | |
JP7256902B2 (ja) | ビデオノイズ除去方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN114004754B (zh) | 一种基于深度学习的场景深度补全系统及方法 | |
CN107749987B (zh) | 一种基于块运动估计的数字视频稳像方法 | |
WO2014045026A1 (en) | Systems and methods for reducing noise in video streams | |
CN106169173B (zh) | 一种图像插值方法 | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
CN106169174B (zh) | 一种图像放大方法 | |
CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN103313068B (zh) | 基于灰边缘约束灰世界的白平衡校正图像处理方法及装置 | |
CN114581318A (zh) | 一种低照明度图像增强方法及系统 | |
CN113284061A (zh) | 一种基于梯度网络的水下图像增强方法 | |
Patil et al. | Bilateral filter for image denoising | |
CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
CN110738625A (zh) | 图像重采样方法、装置、终端及计算机可读存储介质 | |
CN107273801B (zh) | 一种视频多目标跟踪检测异常点的方法 | |
CN103618904B (zh) | 基于像素的运动估计方法及装置 | |
CN114418874A (zh) | 一种低照度图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |