图像去噪的研究

S.B.Mohan¹,A.Rajasekar²,Dr.T.A.Raghavendiran³

副教授,ECE - Dhaanish艾哈迈德工程学院,印度钦奈
助理教授,ECE - Dhaanish艾哈迈德工程学院,印度钦奈,2
本金,钦奈,印度阿南德•高技术研究所3

文摘

摘要图像去噪方法和它的各种参数进行了研究。去噪过程的概率密度函数是利用非负Lebesgue-integrable观察函数,累积分布函数和概率质量函数也观察到。边过程控制是用来执行消除干扰信号,而情商模型。边缘参数估计和边缘减法的高频子带数据进行了分析。

关键字

图像去噪,去噪方法;概率密度函数;边过程模型

介绍

图像去噪是恢复兴趣研究人员和相机制造商。更快的获得速度和更高密度的图像传感器(像素)导致更高水平的噪音在捕获的图像,然后必须处理去噪算法产生一个可接受的质量。捕获图像时尤其如此不利的照明条件。这样的图像去噪算法的目标是减少噪音的工件,同时保留图像中的边缘和纹理等细节。

概率密度函数(pdf),或连续随机变量的密度函数来描述随机变量的相对可能性给定值。随机变量的概率落在一个特定范围的值是由这个变量的积分的密度范围,它是由密度函数下的面积,但在水平轴和最低和最大的值的范围。概率密度函数非负无处不在,整个空间和它的积分等于1。

的范围制定[1]表明,腐蚀噪声去噪绑定是一个函数的特性(强度和密度函数)以及图像的底层几何结构的复杂性补丁。此外,必然也存在大量的冗余的函数在图像补丁。在计算去噪的界限,我们估计这些因素从底层无噪声的图像。因此,[1]中的边界计算方法不能直接应用到案例只有吵闹的观察是可用的。

二世。图像去噪

由于不同的因素在采集和传输,一个图像可能会被噪音退化导致显著减少的质量。这些过程创建的工件出现由于不完全障碍感知一个观察者的视觉信息。因此,对于图像质量改善,有效去噪技术应该应用于补偿这种恼人的效应。

现有模型的图像数据是根植于1950年代的电视工程[2],这依赖于汽车协方差函数的特征为目的的最优信号表示和传播。这项工作,几乎所有的工作,因为假设图像统计数据空间均匀(即。严格意义上固定)。另一个常见的假设在图像建模统计数据是不变的,当适当的规范化,空间尺度的变化。翻译- - - scale-invariance假设,再加上一个假设Gaussianity,整个工程文献提供了基线模型发现:图像样本的高斯随机场,与方差下降f−γ在频域。de -喧哗中,如果一个假定噪声是添加剂和独立的信号,也是一个高斯分布的样本,然后最优估计量是线性的。

答:去噪方法

有效的图像去噪方法仍然是一个有效的挑战,跨越的功能分析和统计。尽管最近提议的成熟方法,大多数算法还没有达到一个理想的程度的适用性。所有显示图像时一位杰出的性能模型对应于该算法的假设,但失败一般和创建工件或删除图像精细结构。本文的重点是,首先,定义一个通用的数学和实验方法比较经典的图像去噪算法进行分类,其次,提出一种算法(非本地意味着)寻址结构的保存在一个数字图像。数学分析是基于分析的“噪音”方法,定义为数字图像的区别及其去噪的版本。

适当的采样空间再次形成基于去噪低通子带几何图像先验信息,使用基于提出的量化细分(除了从第四次能带分解级别)。完整的抽样空间维数M | | = 15×15被发现是最优的输出图像的PSNR的观点。来验证开发算法的性能,我们应用一组十二8位512×512测试图像为100,225,400,625情况下的噪声方差。因为只有两个标准测试图像莉娜和芭芭拉用于实验验证现有贝叶斯的大多数去噪算法,对公平的比较的目的,只有这些图片的结果本文提出并与最好的贝叶斯去噪技术。因为没有一个候选人同时是最好的两个测试图像的情况下,执行基准测试使用这些图像的平均PSNR值为特定噪声方差值(表1)[3]。的平均PSNR结果证明严格采样变换算法的性能是最好的在已知的贝叶斯技术,但对于overcomplete域的情况下[4]中提出的方法提供了更好的结果。

为了完成实验验证发达算法去噪结果使用这些技术和[5]和[4]中给出了图1中对视觉质量的比较。

图1所示。实验结果:(a)和(e)的碎片原始的测试图像;(b)和(f)相同的片段被零均值情况;(c) n d (g) DWT域去噪结果;(d)和(h)点域去噪结果。[3]

流程模型的去噪性能,边缘有必要考虑本地数据随机图像模型的关系。因为这可能会导致增加计算复杂度的算法[3]。

b .概率密度函数

概率密度函数是最常见的与绝对连续单变量分布有关。一个随机变量X密度外汇,外汇是一个非负Lebesgue-integrable函数,如果:

直观地说,可以认为外汇(x) dx是x的概率下降在无限小区间[x, x + dx]。一个随机变量X的值在可测空间(X, A) Rn(通常与波莱尔集的子集)概率分布的测量X∗P (X): X的密度对参考测量μ(X)是Radon-Nikodym导数:

对于任何可测集Σ。

术语“概率分布函数”(图2)和“概率函数”有时也被用来表示概率密度函数。然而,这不是标准的概率和统计人员使用。在其他来源,可以使用“概率分布函数概率分布时定义为一个函数一般设置的值,或者它可能指的是累积分布函数,或者它可能是一个概率质量函数而不是密度。

三世。边过程控制

去噪性能,边缘过程控制需要考虑本地数据随机图像模型的关系。因为这可能会导致增加计算复杂度的算法[3]。

剩余相关数据的高频部分波段存在因为没有线性变换是能够完全decorrelate真实图像的边缘。这种现象就是一个简单的例子如图10所示的步骤边缘(图3)转换使用non-decimated小波反式-形成(图3中,b)。因此,如果一个人发现一种完全“删除”的边缘部分波段数据,这将允许通过提供额外的去相关性能的增加(图3中,c)。

我们的目标是介绍边缘过程模型(EP)和比较它与情商模型。情商模型属于一类intraband随机图像模型和假设子波系数是高斯(Lopresto等人的原始论文广义高斯[6])分布式、零均值和方差取决于位置在每个子带的系数。还假定方差是慢变。

四。结论

在本文中,我们分析了图像去噪的理论。针对提高去噪性能不增加算法的计算复杂度,边缘过程提出了随机图像模型作为一种降低残余在高频部分波段相关性。在这种情况下,显著提高所有测试的PSNR得到AWGN方差。提到,EP的主要开放问题模型的可靠估计模型参数的噪音。因此,我们将集中精力解决这个问题在我们正在进行的研究,并利用它对其他应用程序,如图像压缩[7]和水印[8]和水印攻击力量有限的由于知觉限制图像保真度。

引用

p . Chatterjee和p . Milanfar去噪死了吗?”,IEEE反式。图像的过程。,vol. 19, no. 4, pp. 895–911, Apr. 2010.
D L鲁德尔曼,“自然图像的统计,网络:计算在神经系统中,5卷,第548 - 517页,1996年。
s . Voloshynovskiy o . Koval t .双关,“图像去噪基于边缘加工模型,预印本服从爱思唯尔科学,2005年4月20日。
j . Portilla诉Strela、m·温赖特和e . Simoncelli”自适应维纳去噪使用高斯混合模型在小波域规模,”在第八届IEEE Int。Conf图像处理,(希腊塞萨洛尼基),2001年10月。
m . k . Mihcak Kozintsev, k . Ramchandran p .冰川锅穴,“低基于统计建模的图像去噪的小波系数,“IEEE 6信号处理信件,第303 - 300页,1999年12月。
美国LoPresto、k . Ramchandran和m . Orhard”图像小波系数的编码基于混合建模和快速estimationquantization框架,“97年数据压缩会议,页221 - 230,(美国犹他州雪鸟),1997年。
o . Koval j·维拉,s . Voloshynovskiy“面部使用overcomplete变换图像压缩,”学报学报:2004年电子成像,图像和视频通信和处理VI,(美国加利福尼亚州圣何塞),2004年1月。
年代。Voloshynovskiy, O。Koval F。Deguillaume, t .双关,“真实图像的数据隐藏能力分析随机非平稳的几何模型的基础上,“IS&T, /间谍年会,电子成像2003:安全性和水印的多媒体内容,有2003人。