论文部分内容阅读
大多数图像降噪算法的性能在不同程度上依赖于对待处理噪声图像中噪声水平值的准确估计。目前大多数噪声水平估计算法是基于单幅噪声图像设计的,由于仅有含噪声图像本身可以利用,导致对噪声估计的准确性不高,特别是对具有丰富纹理细节信息的噪声图像而言。有些算法为了实现对噪声图像中的噪声水平进行更加准确估计被设计得相当复杂,使得执行时间过长,降低了噪声水平估计算法的执行效率,进而影响了整个降噪算法的整体性能。针对传统的噪声水平估计算法存在的不足,本课题通过在多张噪声图像上进行训练的策略,实现了两种基于深度神经网络的快速噪声水平估计算法:快速噪声水平估计算法(fast noise level estimation,FNLE)和改进的快速噪声水平估计算法(improved noise level estimation,I-FNLE)。FNLE算法与I-FNLE算法主要不同之处在于提取何种特征值。FNLE算法利用Daubechies9/7小波基对噪声图像在3个尺度3个方向进行小波变换,提取服从广义高斯分布(Generalized Gaussian distribution,GGD)的各个子带系数值上的2个特征参数的18维特征向量来构成图像的特征矢量,而I-FNLE算法则是利用PCA技术计算原生图块协方差矩阵并提取出冗余维中前16维最小特征值构成描述待评估图像噪声水平的特征矢量。最后,两种算法都是利用DNN网络技术对训练集合中的噪声图像进行训练后获得预测模型,并通过预测模型将从测试图像中提取的特征值直接映射为图像噪声水平的估计值。为了提高整个算法的预测精度,均采用全局噪声水平下的预测与分段噪声水平预测相结合的两阶段预测模型完成噪声估计的过程。由于在特征提取过程中I-FNLE算法是通过利用主成分分析(principal component analysis,PCA)技术直接选用原生图块冗余维中前16维最小特征值构成描述待评估图像噪声水平的特征矢量,使得I-FNLE算法的执行时间相比于FNLE算法中利用GGD建模及小波变换技术提取描述噪声图像噪声水平特征矢量的执行时间更短,效率更高。为了验证FNLE算法和I-FNLE算法的噪声估计的整体性能,在不同的图像数据集上,将这两种算法与当前的经典算法进行了对比,并且为了观察FNLE算法、I-FNLE算法的实际使用效果,将由FNLE算法、I-FNLE算法预测的噪声水平估计值作为BM3D(block-matching and 3D filtering)降噪算法参数输入,最终发现使用这两种算法估计出的噪声水平值的BM3D算法的降噪效果与通过使用真实噪声值的BM3D算法的降噪效果十分接近,因而可以解决BM3D算法在降噪处理之前需要人工判断并设置噪声水平参数的不足问题,同时也证实了本课题所提出的算法具有一定的实用性。总之,大量实验结果表明:本课题提出的两种基于深度神经网络的快速噪声水平估计算法相对于目前经典的传统噪声水平估计算法不仅评估速度更快、准确度更高,而且具有一定的实用价值。