CN113298770A - 图像噪声水平估计方法、装置及计算机存储介质 - Google Patents
图像噪声水平估计方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN113298770A CN113298770A CN202110552320.8A CN202110552320A CN113298770A CN 113298770 A CN113298770 A CN 113298770A CN 202110552320 A CN202110552320 A CN 202110552320A CN 113298770 A CN113298770 A CN 113298770A
- Authority
- CN
- China
- Prior art keywords
- image
- noise level
- noise
- value
- noisy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 33
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像噪声水平估计方法、装置及计算机存储介质,所述图像噪声水平估计方法包括:获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。借助于上述方法,基于卡方分布原理,重复筛选图像平坦块进行循环迭代预估噪声水平,能大幅度的提高对各种噪声图像的噪声水平估计的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及到一种图像噪声水平估计方法、装置及计算机存储介质。
背景技术
在图像获取和传输的过程中往往会引入噪声,因此含噪图像的噪声水平估计已成为图像处理技术领域中的一个非常重要的研究课题,噪声水平估计的好坏影响着其他图像处理技术的难易程度和准确性,如图像去噪、图像分割、图像识别等。
最常见的图像噪声是加性高斯白噪声,早期的大多数图像去噪算法是通过简单地假设真实噪声水平已知来解决问题的,但在实际应用中,不能只给出输入噪声图像,必须事先提供噪声水平才能有效进行后续的图像处理;到目前为止,图像噪声水平估计算法主要分为两大类:一种是基于块的方法,另一种是基于滤波的方法,但现有的图像噪声水平估计方法仍然无法准确估计各种噪声图像的噪声水平,尤其是针对那些纹理极其丰富的图像。
发明内容
为了解决现有的图像噪声水平估计方法无法准确估计各种噪声图像的噪声水平的问题,本发明提供了一种图像噪声水平估计方法、装置及计算机存储介质。
第一方面,为了解决上述技术问题,本发明提供了一种图像噪声水平估计方法,包括:
获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
本发明的有益效果是:基于卡方分布原理,重复筛选图像平坦块进行循环迭代预估噪声水平,能大幅度的提高对各种噪声图像的噪声水平估计的准确性。
进一步,所述含噪图像的噪声水平的估计值的计算过程包括:
采用上述改进方案的有益效果是:基于逆累积卡方分布循环迭代预估噪声水平,提高图像噪声水平估计的准确性。
进一步,所述根据初始估计值或估计值获取所述含噪图像的图像平坦块集包括:
将所述含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值;
根据所述初始估计值或估计值,计算得到纹理强度阈值,选取纹理强度值不大于所述纹理强度阈值的含噪图像块作为图像平坦块,得到所述图像平坦块集。
采用上述改进方案的有益效果是:基于图像纹理来选取图像平坦块,能够更准确地找到图像中平滑的块,进而提高图像噪声水平估计的准确性。
进一步,所述将含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值包括:
对所述含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理,并基于卷积核运算将梯度滤波后的所述含噪图像划分为多个大小相同的含噪图像块,得到每个所述含噪图像块对应的横向梯度纹理特征信息和纵向梯度纹理特征信息;
对所述横向梯度纹理特征信息和纵向梯度纹理特征信息进行矩阵变换处理,得到每个所述含噪图像块对应的梯度纹理特征矩阵,分别对每个所述梯度纹理特征矩阵中所有元素进行求和,得到每个所述含噪图像块对应的纹理强度值。
采用上述改进方案的有益效果是:基于全局梯度纹理强度计算含噪图像在不同方向上的均匀性,进而通过图像的纹理强度阈值筛选平坦子块,避免由于含噪图像的纹理程度和像素冗余程度的不同,导致噪声水平出现过估计或欠估计的情况。
进一步,所述对含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理包括:
分别利用横向滤波模板[-1/2 -1/2 0 1/2 1/2]和纵向滤波模板[-1/2 -1/2 01/2 1/2]T,对所述含噪图像进行横坐标方向和纵坐标方向上的梯度滤波处理。
采用上述改进方案的有益效果是:基于全局梯度特征,选用横向和纵向的滤波模板,对含噪图像进行滤波,便于计算含噪图像在不同方向上的均匀性。
进一步,所述纹理强度阈值的计算过程包括:
利用公式计算得到所述纹理强度阈值τ,其中,为所述初始估计值或估计值,N2为单个所述含噪图像块的像素总数量,Dh和Dv为T型矩阵,F-1(δ,α,β)为逆伽马累积分布函数,δ为预设置信度,α为形状参数,β为尺度参数,tr为求迹操作,T为矩阵转置操作。
采用上述改进方案的有益效果是:通过含噪图像的整体纹理强度设置纹强度理阈值以挑选图像平坦块,然后基于逆累积卡方分布循环迭代预估噪声水平,进一步提高图像噪声水平估计的准确性。
进一步,所述初始估计值的获取过程包括:
利用基于主成分分析的噪声水平估计方法获取所述含噪图像的噪声水平的初始估计值。
采用上述改进方案的有益效果是:基于主成分分析原理获取噪声水平的初始估计值,计算过程简单。
第二方面,本发明提供了一种图像噪声水平估计装置,包括处理模块和计算模块;
所述处理模块,用于获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
所述计算模块,用于根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
进一步,所述计算模块,具体用于利用公式计算得到所述估计值σ2,其中,为置信度等于0.95自变量等于(c-1)时的卡方分布值,c为图像平坦块集的图像平坦块的总数量,为序号为i的图像平坦块对应的加性高斯白噪声的噪声水平值。
第三方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述任一项所述的图像噪声水平估计方法。
附图说明
图1为本发明实施例提供的图像噪声水平估计方法的流程示意图;
图2a为本发明实施例提供的含噪图像的示意图;
图2b是图2a所示含噪图像的噪声水平估计的效果示意图;
图3a为本发明另一个实施例提供的含噪图像的示意图;
图3b是图3a所示含噪图像的噪声水平估计的效果示意图;
图4为本发明实施例提供的图像噪声水平估计装置的结构示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充,对本发明不构成任何限制。
以下结合附图描述本发明实施例的一种图像噪声水平估计方法。
参照图1所示,本发明提供了一种图像噪声水平估计方法,包括:
S1、获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
S2、根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
可以理解的是,所述图像平坦块集为整体平坦且含加性高斯白噪声的图像块的集合,所述连续两次计算得到的噪声水平的估计值保持不变,在具体应用时,可以指连续两次计算得到的噪声水平的估计值的差值在预设范围内,从而保证最终估计值为迭代过程中噪声水平估计值趋于稳定时得到的估计值。
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了图像的质量,噪声水平是描述噪声强度的重要参数,因此含噪图像的噪声水平也是许多图像处理应用中的一个重要参数,例如图像去噪算法的性能会因为获取不到准确的图像噪声水平而大大下降等,准确估计出图像中的噪声强度可以为后续的图像处理工作提供先验知识,提高处理技术的精度或性能,而本实施例提供的一种图像噪声水平估计方法,基于卡方分布原理,重复筛选图像平坦块进行循环迭代预估噪声水平,能大幅度的提高对各种噪声图像的噪声水平估计的准确性,从而有效提高如图像去噪、图像分割、超分辨率、图像去模糊、图像分类、目标识别等图像处理应用的精度或性能。
优选地,所述含噪图像的噪声水平的估计值的计算过程包括:
具体地,在该实施例中,分别计算每个图像平坦块的方差,得到的方差值即为与图像平坦块对应的加性高斯白噪声的噪声水平值,从而得到所述图像平坦块集的方差集的值,基于卡方分布,根据所述方差集的值和统计特征进行逆累积卡方分布计算,得到图像噪声水平估计值并进行循环迭代,直到噪声水平估计值趋于稳定,将最终迭代出来的估计值记做最终预估的噪声水平值,即所述最终估计值,从而提高图像噪声水平估计的准确性。
需要说明的是,对于所述图像平坦块集的每个图像平坦块而言,其数学特性可以表示为{Xi}~N(μi,σi 2),其中,Xi表示序号为i的图像平坦块,N(μi,σi 2)表示均值为μi,方差值为σi 2条件下的正态分布,由于图像平坦块是从同一个图像中分块筛选而来,满足整体图像的高斯白噪声水平分布,即图像的子图像块相对独立且同分布,对于所有的图像平坦块则有其中,σg 2为含噪图像的噪声水平值。
由上述可知,对于筛选出来的图像平坦块满足卡方分布的条件,即可以根据卡方分布统计量反推去近似逼近真实噪声水平,根据高斯噪声分布以及与卡方分布的联系可知:
联立(1)(2)得:
其中,为置信度等于0.95自变量等于(c-1)时的卡方分布值,c为图像平坦块集的图像平坦块的总数量,为序号为i的图像平坦块对应的加性高斯白噪声的噪声水平值,Xi表示序号为i的图像平坦块,N(0,1)为标准正态分布,S2为样本方差值。
由上式可知,含噪图像的噪声水平值σg 2的近似估计值可表示为:
可选的,在一个实施例中,所述根据初始估计值或估计值获取所述含噪图像的图像平坦块集包括:
将所述含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值;
根据所述初始估计值或估计值,计算得到纹理强度阈值,选取纹理强度值不大于所述纹理强度阈值的含噪图像块作为图像平坦块,得到所述图像平坦块集。
具体地,在该实施例中,根据纹理强度阈值去筛选得到图像平坦块,若纹理强度值高于纹理强度阈值的含噪图像块则被放弃,反之则保留,最终剩下的含噪图像块组成图像平坦块集,这些筛选出来的图像平坦块具有相同的特性,即图像块整体平坦且含加性高斯白噪声,而基于图像纹理来选取图像平坦块,能够更准确地找到图像中平滑的块,进而提高图像噪声水平估计的准确性。
优选地,所述将含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值包括:
对所述含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理,并基于卷积核运算将梯度滤波后的所述含噪图像划分为多个大小相同的含噪图像块,得到每个所述含噪图像块对应的横向梯度纹理特征信息和纵向梯度纹理特征信息;
对所述横向梯度纹理特征信息和纵向梯度纹理特征信息进行矩阵变换处理,得到每个所述含噪图像块对应的梯度纹理特征矩阵,分别对每个所述梯度纹理特征矩阵中所有元素进行求和,得到每个所述含噪图像块对应的纹理强度值。
在该实施例中,基于全局梯度纹理强度计算含噪图像在不同方向上的均匀性,进而通过图像的纹理强度阈值筛选平坦子块,避免由于含噪图像的纹理程度和像素冗余程度的不同,导致噪声水平出现过估计或欠估计的情况。
进一步的,所述对含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理包括:
分别利用横向滤波模板[-1/2 -1/2 0 1/2 1/2]和纵向滤波模板[-1/2 -1/2 01/2 1/2]T,对所述含噪图像进行横坐标方向和纵坐标方向上的梯度滤波处理。
具体地,在该实施例中,结合含噪图像的纹理丰富程度计算图像的纹理强度阈值,基于全局梯度特征,选用横向和纵向的滤波模板,例如横向滤波模板[-1/2 -1/2 0 1/2 1/2]和纵向滤波模板[-1/2 -1/2 0 1/2 1/2]T,对含噪图像进行滤波,并对滤波后的图像进行自卷积,分别得到图像的横、纵梯度纹理特征图;使用卷积核分别将横、纵梯度纹理特征图块状化,得到处理后的横、纵纹理特征图子集,例如尺寸为12*12的横、纵纹理特征图子集;基于矩阵变换,将横、纵纹理特征图子集的横、纵梯度纹理特征图进行列拼接,从而得到每个含噪图像块对应的梯度纹理特征矩阵;对含噪图像块对应的梯度纹理特征矩阵中的每个元素进行求和,将求和后的值作为该含噪图像块对应的纹理强度值。
基于全局梯度特征,选用横向和纵向的滤波模板,对含噪图像进行滤波,从而计算含噪图像在不同方向上的均匀性,计算简单。
优选地,所述纹理强度阈值的计算过程包括:
利用公式计算得到所述纹理强度阈值τ,其中,为所述初始估计值或估计值,N2为单个所述含噪图像块的像素总数量,Dh和Dv为T型矩阵,F-1(δ,α,β)为逆伽马累积分布函数,δ为预设置信度,α为形状参数,β为尺度参数,tr为求迹操作,T为矩阵转置操作。
通过含噪图像的整体纹理强度设置纹强度理阈值以挑选图像平坦块,然后基于逆累积卡方分布循环迭代预估噪声水平,进一步提高图像噪声水平估计的准确性。
可以理解的是,预设置信度δ根据实际情况设置,例如可以设为0.99。
由于含噪图像的纹理强度和像素冗余程度的不同,很容易导致噪声水平出现过估计或欠估计情况,为了抑制这一类问题,本发明基于全局梯度纹理强度计算含噪图像在不同方向上的均匀性,进而获取图像的纹理复杂程度阈值,即纹理强度阈值,用于筛选平坦子块。
针对含噪图像的纹理复杂程度阈值,对于含加性高斯白噪声的图像平坦块而言,具体模型如下:
yf=bf+n
其中,n为图像块叠加的高斯白噪声,bf为完全不含高斯白噪声的平坦块,yf是叠加高斯白噪声后的图像块,则其含噪梯度纹理矩阵可以表示为:
含噪图像的纹理强度可以用梯度矩阵对应的协方差矩阵的迹来表示,则有:
通过矩母函数推导,图像的梯度纹理强度可以用伽马(Gamma)函数来近似,以达到优化计算过程的效果,具体公式如下:
其中,δ(n)表示纹理强度的统计特性,为了选择平坦纹理图像块,即所述图像平坦块,设定一个假设:在分块后的噪声子块集中,若满足含加性高斯白噪声且平坦,则被选择,如果图像子块纹理强度不高于纹理强度阈值,则将其作为弱纹理块筛选出来,包含δ(n)的置信区间被定义为:
P(0<δ(n)<τ)=δ
上式中:P为概率符号,τ是纹理强度阈值,δ为预设置信度。如果图像子块纹理强度低于阈值τ,则将其作为弱纹理块筛选出来。则阈值τ可以表示为:
进一步的,在一个实施例中,利用基于主成分分析的噪声水平估计方法获取所述含噪图像的噪声水平的初始估计值。
具体地,在该实施例中,基于主成分分析原理,对含噪图像的数据矩阵进行协方差处理得到对应的协方差矩阵,并将该矩阵的最小特征值作为含噪图像的噪声水平的初始估计值,计算过程简单。
参照图2a和图2b,以及图3a和图3b所示的实验结果,其中点虚线为真实噪声水平,圆虚线为本发明图像噪声水平估计方法估计的噪声水平,由实验结果可见,利用本发明的图像噪声水平估计方法,对不同图像纹理丰富程度的含噪图像的噪声水平进行估计,都具有较高准确性。
综上所述,上述实施例中提供的图像噪声水平估计方法,通过含噪图像的整体纹理强度设置纹理强度阈值挑选出适用于所述图像噪声水平估计方法的图像平坦块,然后基于逆累积卡方分布循环迭代预估噪声水平,充分考虑含噪图像的梯度特征和局部统计信息以适应纹理丰富程度不同和噪声水平不同的图像,同时兼顾噪声估计效果和运行速度。
在上述各实施例中,虽然对步骤进行了编号,如S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图4所示,本发明实施例提供的一种图像噪声水平估计装置10,包括处理模块20和计算模块30;
所述处理模块20,用于获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
所述计算模块30,用于根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
通过上述图像噪声水平估计装置10进行噪声水平估计,基于卡方分布原理,重复筛选图像平坦块集进行循环迭代预估噪声水平,能大幅度的提高对各种噪声图像的噪声水平估计的准确性。
可选的,在一个实施例中,所述计算模块30包括第一计算模块;
所述第一计算模块,用于利用公式计算得到所述估计值σ2,其中,为置信度等于0.95自变量等于(c-1)时的卡方分布值,c为图像平坦块集的图像平坦块的总数量,为序号为i的图像平坦块对应的加性高斯白噪声的噪声水平值。
基于逆累积卡方分布循环迭代预估噪声水平,提高图像噪声水平估计的准确性。
优选地,所述处理模块20,具体用于将所述含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值;根据所述初始估计值,计算得到纹理强度阈值,选取纹理强度值不大于所述纹理强度阈值的含噪图像块作为图像平坦块,得到所述图像平坦块集;
所述计算模块30还包括第二计算模块;所述第二计算模块,用于根据所述估计值,计算得到纹理强度阈值,选取纹理强度值不大于所述纹理强度阈值的含噪图像块作为图像平坦块,得到所述图像平坦块集。
基于图像纹理来选取图像平坦块,能够更准确地找到图像中平滑的块,进而提高图像噪声水平估计的准确性
可选的,在一个实施例中,所述处理模块20,具体用于对所述含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理,并基于卷积核运算将梯度滤波后的所述含噪图像划分为多个大小相同的含噪图像块,得到每个所述含噪图像块对应的横向梯度纹理特征信息和纵向梯度纹理特征信息;对所述横向梯度纹理特征信息和纵向梯度纹理特征信息进行矩阵变换处理,得到每个所述含噪图像块对应的梯度纹理特征矩阵,分别对每个所述梯度纹理特征矩阵中所有元素进行求和,得到每个所述含噪图像块对应的纹理强度值。
基于全局梯度纹理强度计算含噪图像在不同方向上的均匀性,进而通过图像的纹理强度阈值筛选平坦子块,避免由于含噪图像的纹理程度和像素冗余程度的不同,导致噪声水平出现过估计或欠估计的情况
优选地,所述处理模块20包括梯度滤波模块;所述梯度滤波模块,用于分别利用横向滤波模板[-1/2 -1/2 0 1/2 1/2]和纵向滤波模板[-1/2 -1/2 0 1/2 1/2]T,对所述含噪图像进行横坐标方向和纵坐标方向上的梯度滤波处理。
基于全局梯度特征,选用横向和纵向的滤波模板,对含噪图像进行滤波,便于计算含噪图像在不同方向上的均匀性。
优选地,所述处理模块20还包括数据处理模块;所述数据处理模块,用于利用公式计算得到所述纹理强度阈值τ,其中,为所述初始估计值,N2为单个所述含噪图像块的像素总数量,Dh和Dv为T型矩阵,F-1(δ,α,β)为逆伽马累积分布函数,δ为预设置信度,α为形状参数,β为尺度参数,tr为求迹操作,T为矩阵转置操作;所述第二计算模块,具体用于利用公式计算得到所述纹理强度阈值τ,其中,为所述估计值,N2为单个所述含噪图像块的像素总数量,Dh和Dv为T型矩阵,F-1δ,α,β)为逆伽马累积分布函数,δ为预设置信度,α为形状参数,β为尺度参数,tr为求迹操作,T为矩阵转置操作。
通过含噪图像的整体纹理强度设置纹强度理阈值以挑选图像平坦块,然后基于逆累积卡方分布循环迭代预估噪声水平,进一步提高图像噪声水平估计的准确性。
可选的,在一个实施例中,所述处理模块20还包括预估计模块;所述预估计模块,用于利用基于主成分分析的噪声水平估计方法获取所述含噪图像的噪声水平的初始估计值。
基于主成分分析原理获取噪声水平的初始估计值,计算过程简单。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上文中图像噪声水平估计方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为装置、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“装置”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种图像噪声水平估计方法,其特征在于,包括:
获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
3.根据权利要求1所述的图像噪声水平估计方法,其特征在于,所述根据初始估计值或估计值获取所述含噪图像的图像平坦块集包括:
将所述含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值;
根据所述初始估计值或估计值,计算得到纹理强度阈值,选取纹理强度值不大于所述纹理强度阈值的含噪图像块作为图像平坦块,得到所述图像平坦块集。
4.根据权利要求3所述的图像噪声水平估计方法,其特征在于,所述将含噪图像划分为多个大小相同的含噪图像块,计算每个所述含噪图像块对应的纹理强度值包括:
对所述含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理,并基于卷积核运算将梯度滤波后的所述含噪图像划分为多个大小相同的含噪图像块,得到每个所述含噪图像块对应的横向梯度纹理特征信息和纵向梯度纹理特征信息;
对所述横向梯度纹理特征信息和纵向梯度纹理特征信息进行矩阵变换处理,得到每个所述含噪图像块对应的梯度纹理特征矩阵,分别对每个所述梯度纹理特征矩阵中所有元素进行求和,得到每个所述含噪图像块对应的纹理强度值。
5.根据权利要求4所述的图像噪声水平估计方法,其特征在于,所述对含噪图像分别进行横坐标方向和纵坐标方向上的梯度滤波处理包括:
分别利用横向滤波模板[-1/2-1/2 0 1/2 1/2]和纵向滤波模板[-1/2-1/2 0 1/2 1/2]T,对所述含噪图像进行横坐标方向和纵坐标方向上的梯度滤波处理。
7.根据权利要求1至6中任一项所述的图像噪声水平估计方法,其特征在于,所述初始估计值的获取过程包括:
利用基于主成分分析的噪声水平估计方法获取所述含噪图像的噪声水平的初始估计值。
8.一种图像噪声水平估计装置,其特征在于,包括处理模块和计算模块;
所述处理模块,用于获取含噪图像的噪声水平的初始估计值,并根据所述初始估计值获取所述含噪图像的图像平坦块集;
所述计算模块,用于根据所述图像平坦块集,基于卡方分布计算得到所述含噪图像的噪声水平的估计值,根据所述估计值重新获取图像平坦块集并计算所述含噪图像的噪声水平的估计值,直至连续两次计算得到的噪声水平的估计值保持不变或迭代达到预定次数后停止迭代,得到所述含噪图像的噪声水平的最终估计值。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的图像噪声水平估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552320.8A CN113298770A (zh) | 2021-05-20 | 2021-05-20 | 图像噪声水平估计方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552320.8A CN113298770A (zh) | 2021-05-20 | 2021-05-20 | 图像噪声水平估计方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298770A true CN113298770A (zh) | 2021-08-24 |
Family
ID=77323177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110552320.8A Pending CN113298770A (zh) | 2021-05-20 | 2021-05-20 | 图像噪声水平估计方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298770A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007096168A2 (en) * | 2006-02-22 | 2007-08-30 | Sony Deutschland Gmbh | Method for discriminating textures regions and homogeneous or flat regions in an image and methods for estimating noise in an image sequence |
US20070223839A1 (en) * | 2006-03-22 | 2007-09-27 | Pavel Kisilev | Signal noise estimation |
CN103096117A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频噪声检测方法及装置 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
US20150235350A1 (en) * | 2014-02-18 | 2015-08-20 | Signal Processing, Inc. | Method for Image Denoising |
CN105678774A (zh) * | 2016-01-11 | 2016-06-15 | 浙江传媒学院 | 一种基于主成分分析的图像噪声水平估计方法 |
CN107295217A (zh) * | 2017-06-30 | 2017-10-24 | 中原智慧城市设计研究院有限公司 | 一种基于主成分分析的视频噪声估计方法 |
-
2021
- 2021-05-20 CN CN202110552320.8A patent/CN113298770A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007096168A2 (en) * | 2006-02-22 | 2007-08-30 | Sony Deutschland Gmbh | Method for discriminating textures regions and homogeneous or flat regions in an image and methods for estimating noise in an image sequence |
US20070223839A1 (en) * | 2006-03-22 | 2007-09-27 | Pavel Kisilev | Signal noise estimation |
CN103096117A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频噪声检测方法及装置 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
US20150235350A1 (en) * | 2014-02-18 | 2015-08-20 | Signal Processing, Inc. | Method for Image Denoising |
CN105678774A (zh) * | 2016-01-11 | 2016-06-15 | 浙江传媒学院 | 一种基于主成分分析的图像噪声水平估计方法 |
CN107295217A (zh) * | 2017-06-30 | 2017-10-24 | 中原智慧城市设计研究院有限公司 | 一种基于主成分分析的视频噪声估计方法 |
Non-Patent Citations (3)
Title |
---|
GUANGYONG CHEN 等: "An Efficient Statistical Method for Image Noise Level Estimation", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
熊士婷: "基于噪声特性分析的数字图像篡改检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王帅 等: "复杂纹理图像的噪声评估技术研究", 《激光与红外》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9589328B2 (en) | Globally dominant point spread function estimation | |
US20070223839A1 (en) | Signal noise estimation | |
CN109671029A (zh) | 基于伽马范数最小化的图像去噪算法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN102968770A (zh) | 噪声消除方法及装置 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN107689039B (zh) | 估计图像模糊度的方法和装置 | |
CN106375659A (zh) | 基于多分辨率灰度投影的电子稳像方法 | |
CN105678774A (zh) | 一种基于主成分分析的图像噪声水平估计方法 | |
CN112037287A (zh) | 相机标定方法、电子设备及存储介质 | |
Chang et al. | Brain MR image restoration using an automatic trilateral filter with GPU-based acceleration | |
CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
WO2019205603A1 (zh) | 图像模糊度检测方法、装置、计算机设备及可读存储介质 | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
Zhu et al. | A no-reference image content metric and its application to denoising | |
De et al. | No-reference image sharpness measure using discrete cosine transform statistics and multivariate adaptive regression splines for robotic applications | |
CN113298770A (zh) | 图像噪声水平估计方法、装置及计算机存储介质 | |
CN109300097B (zh) | 基于自适应分块的多序列图像融合方法 | |
CN108830802B (zh) | 一种基于短曝图像梯度导向的图像模糊核估计方法 | |
JP3462917B2 (ja) | 画像処理方式 | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN111508525B (zh) | 一种全参考音频质量评价方法及装置 | |
CN106709516A (zh) | 一种基于朴素贝叶斯方法的模糊图像检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |