迄今为止,大部分图像降噪算法的性能严重受限于是否准确地获知待降噪图像的噪声水平值大小,所以研究能够自动提供关于给定噪声图像的噪声水平值高低的噪声水平评估(noise level estimation,NLE)算法具有很好的理论意义和实用价值。NLE算法作为众多降噪算法的预处理模块,预测准确性和执行效率是评价其性能好坏的两个重要指标。现有的NLE算法大部分都采用所谓的基于单张噪声图像的实现策略,由于可以利用的信息极其有限,这些算法为了保证预测准确性设计了各种复杂的处理过程,导致算法的执行效率偏低,尤其是对于具有丰富纹理内容的图像而言,从而影响实际应用效果。因此,为了解决NLE算法在预测准确性和执行效率两方面的问题,本课题开展了相应的研究。基于单图像的噪声水平估计(single-image based NLE,SNLE)算法在执行效率方面不太理想的情况下,本课题充分利用已知多幅噪声图像中的规律性信息,提出了3种快速的NLE算法。首先,根据自然图像在受到噪声干扰后某些统计值会随着噪声水平的变化而发生规律性的变化,可提取这些统计值作为噪声水平感知特征(noise level-aware feature,NLAF),再利用加权均值法(weighted average approach)将特征映射为噪声水平值,实现了一种基于多图像先验知识的噪声水平评估(multi-image based NLE,MNLE)算法。在该算法中,特征分别由通用高斯分布(generalized Gaussian distribution,GGD)模型的2个参数和非对称广义高斯分布(asymmetric generalized Gaussian distribution,AGGD)的4个参数在4个方向上总共18个参数构成。该算法的执行效率较现有NLE算法得到了很大的改进,但是预测准确性还有待提高,其主要原因在于MNLE算法使用的特征较多,且这些特征是从原本用于图像质量评价(image quality assessment,IQA)算法中的相关特征而来,对噪声水平值的刻画能力不强。为了获得能更好反映噪声水平高低的特征,接着提出利用主成分分析(principal component analysis,PCA)技术实现了一种基于最小特征值非线性修正的快速噪声水平估计(fast NLE based on nonlinear rectification smallest eigenvalue)算法,简称为SFNLE算法。该算法是基于自然图像受到不同程度的噪声干扰时,噪声图像分解得到的原生图块经PCA变换后其协方差矩阵上的最小特征值与噪声水平值之间具有显著的相关性,且变化规律保持一致。基于此,在有代表性的已知噪声水平的噪声图像上提取每幅图像原生图块协方差矩阵的最小特征值,再结合多项式回归技术构建最小特征值与噪声水平之间的非线性修正模型。与MNLE算法相比,该算法的执行效率很高,预测准确性得到了改进,但仅依据单个特征难以对噪声图像中受噪声干扰的严重程度进行很好地描述,并且多项式拟合函数的非线性映射能力也存在一定的局限性。为进一步对SFNLE算法进行优化,提出了一种被称为基于两阶段AdaBoost的快速噪声水平估计(fast NLE based on two-stage Adaboost)算法,简称为TFNLE算法。该算法依据原生图块协方差矩阵的前若干个特征(所有的特征值按从小到大排序)与噪声水平值的强相关性,采用AdaBoost技术在具有代表性的多幅自然图像上训练学习预测模型,将原生图块协方差矩阵的前若干个特征直接映射为噪声水平值。为了在低、中、高各个噪声水平段都获得更高的预测准确率,采用粗精相结合的两阶段AdaBoost实现。具体地,首先利用AdaBoost技术训练粗精度的预测模型,对图像中的噪声水平范围进行大致估计;然后根据初步的估计结果,使用分别针对低、中、高噪声水平训练的专用精细预测模型获得最终的噪声估计值。该算法的预测准确性进一步得到了提升,而且执行效率也在理想范围之内。为了验证MNLE、SFNLE和TFNLE三个算法的性能,在常用图像集、BSD数据库和具有挑战性的Waterloo数据库上将所提出的算法与典型的NLE算法分别在预测准确性和执行效率两方面进行对比。为了测试所提算法的实际应用效果,分别以真实噪声水平值和3个算法所估计的噪声水平值作为BM3D算法的入口参数进行降噪性能对比。实验结果表明:与现有NLE算法相比,本课题提出的TFNLE算法在预测准确性和执行效率两方面的综合性能更优,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。从而解决了非盲降噪算法必须不断手动调整噪声水平值才能得到较好降噪结果的问题。