基于快速局部均值估计的噪声水平估计算法及其应用研究

摘要

近年来，随着社会的进步和数字信息化的高速发展，图像在日常生活中得到了广泛应用。然而，由于各种图像处理设备性能的不完善，导致图像在获取、传输和存储的过程中容易受到各类噪声的干扰。获取的图像中存在噪声，会影响人们对图像信息的感受和后续处理(如图像检测和模式识别等)。因此，对图像进行降噪具有重要的意义。一般而言，许多图像降噪算法在对图像进行降噪处理之前需要用一种高效准确的噪声评估算法对图像的噪声水平进行评估。但是，现今的各种噪声水平评估算法存在以下不足：
　　1)当图像噪声比例较高时，算法评估效果较差；
　　2)算法抗干扰能力低，即图像中若含有其他类型的噪声，算法的评估效果就会受到严重影响。
　　3)算法噪声评估类型单一，不能同时应用于多种噪声的评估。
　　针对传统噪声水平评估算法的不足，提出了一种快速局部均值噪声水平评估算法(Noise Level Estimation Based on Fast Local Means,FLM-NLE)。该算法基于相似的噪声图像具有相似的统计特性原理来实现图像噪声水平的加权估计。具体实现上,首先，在具有广泛代表性且未受噪声干扰图像集合上添加不同方差的各类噪声构建失真图像集合，并使用BRISQUE特征提取方法对图像集合进行特征提取(BRISQUE特征是对图像失真较敏感的自然场景图像统计特征，该特征不仅噪声描述效果好，而且提取速度快)；然后，利用每张失真图像上所提取的特征矢量及对其所施加的各类噪声方差值共同构成失真特征矢量库；最后，为了加快后续噪声评估速度，对样本特征矢量库进行聚类，将其分成若干个簇类，每个簇类均有一个簇类中心。在对图像进行噪声评估时，首先，同样使用BRISQUE特征提取方法对图像进行特征提取；然后，计算该特征和各个簇类中心的距离，并将其划分到距离最小的簇类；最后，在所属的簇类中，使用局部均值噪声评估算法对待评估的图像进行加权评估，从而得到最终的图像噪声水平参数。
　　为了验证FLM-NLE算法的评估效果，在不同的标准图像库上进行了实验。实验结果表明：FLM-NLE噪声评估算法不仅评估速度快、精确度高，而且算法使用范围广、抗干扰能力强。将FLM-NLE和BM3D(Block-matching and3D Filtering)降噪算法结合，构成了一种改进的BM3D滤波器(Improved Block-matching and3D Filtering，IBM3D)，解决了BM3D算法在降噪之前需要人工设置噪声水平参数的问题。实验结果表明，IBM3D算法的降噪效果与将噪声水平参数设置为噪声真实值的BM3D算法降噪效果非常接近。

目录

声明

第1章 绪论

1.1 图像降噪研究的背景与意义

1.2 图像降噪的研究现状

1.3 图像噪声评估算法的研究现状

1.4 图像噪声评估算法存在的问题

1.5 研究内容

1.6 章节安排

第2章 相关技术背景介绍

2.1 常见的图像噪声类型

2.2 常用的图像噪声评估算法

2.3 非局部均值图像降噪算法

2.4 小结

第3章 基于图像质量感知特征和局部均值的快速噪声水平估计算法

3.1 基本思想

3.2 基于自然统计模型的特征提取算法

3.3 LM-NLE噪声评估理论

3.4 基于K-means聚类的快速LM-NLE估计算法

3.5 FLM-NLE算法整体框架

3.6 小结

第4章 实验与分析

4.1 实验配置以及相关参数设置

4.2 FLM-NLE算法实验分析

4.3 三维滤波降噪理论与方法

4.4 IBM3D算法实验分析

4.5 小结

第5章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

攻读学位期间的研究成果