Professional Documents
Culture Documents
基于噪声水平估计的图像盲去噪
基于噪声水平估计的图像盲去噪
1
2015 年 1 月 PR & AI Jan. 摇 2015
摇 摇 摇 摇 摇
摇 摇 摇 摇 摇
摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
摇 摇 摇 摇 摇
*
基于噪声水平估计的图像盲去噪 摇 摇 摇 摇 摇
摇 摇 摇 摇 摇
摇 摇 摇 摇 摇
摇
方摇 帅1 摇 摇 夏秀山1 摇 摇 曹摇 洋2 摇 摇 于摇 磊1
1
( 合肥工业大学 计算机与信息学院摇 合肥 230009)
2
( 中国科学技术大学 自动化系摇 合肥 230027)
ABSTRACT
Block鄄matching and 3D filtering ( BM3D) algorithm is one of the best image denoising algorithms.
However, the application of the algorithm is constrained owing to high time complexity and the
requirement of exact image noise level parameter. Thus, a fast block鄄matching and 3D filtering ( FBM3D)
algorithm is proposed, which uses a grid鄄based block鄄matching strategy. Then, the image noise is refined
by iteration in which the starting point is set by SVM learning and the ending point is decided by image
quality. The experimental results show that the proposed algorithm has a significant improvement in
computation efficiency, visual effects and quantifiable performance evaluation.
Key Words 摇 Image Denoising, Block鄄Matching and 3D Filtering ( BM3D) , Noise Level Estimation,
Blind Image Denoising
1摇 引摇 言 真实噪声图像的盲去噪. 其主要原因如下: 1) 使用
真实的噪声方差作为 BM3D 算法的输入,去噪后图
图像在获取和传输过程中会受到噪声的污染致
像的视 觉 质 量 通 常 不 是 最 优 [16 -17] , 这 是 因 为 相
使图像质量下降,严重影响后续的图像处理工作. 因
同 分布的噪声对不同结构和内容的图像影响不同;
此,图像去噪一直是图像处理领域的研究热点之一.
2) 现有的噪声水平估计方法假定输入图像中只存
根据处理对象的不同,图像去噪算法可分为基于像
在加性白高斯噪声,然而真实噪声图像通常是多种
素[1 -5] 算法和基于图像块[6 -7] 算法两大类. 基于像素
分布类型的噪声 ( 如均匀噪色, 指数噪声等) 的混
算法典型代表有双边滤波[3] 、核回归[4] 和非局部均
合. 此外, 真实噪声图像可能还存在模糊等退化形
值(Nonlocal Means, NLM) [5] 方法等. 这类方法的基 式. 当前的噪声水平估计算法并没有考虑这些情况.
本思想是利用临近邻域内相似像素点的加权平均估 本文首先针对 BM3D 算法中复杂度较高、较耗
计当前像素点. 基于图像块算法的典型代表有三维块 时的块匹配部分提出一种基于网格的快速块匹配策
匹配(Block鄄Matching and 3D Filtering, BM3D) [6] 和 略,有效降低算法的复杂度,实现快速三维块匹配去
基于 图 像 块 的 局 部 优 化 维 纳 滤 波 ( Patch鄄Based 噪算法(Fast Block鄄Matching and 3D Filtering, FBM3D).
Locally Optimal Winer Filtering, PLOW) [7] 等. 这类 然后针对当前的噪声水平估计算法存在的问题,提
方法以一定大小的图像块作为处理对象,并认为每 出一种新的基于学习加迭代的噪声水平估计算法.
个图像块的周围都存在与其相似的图像块,且这些 各种不同类型的图像去噪实验结果表明,与原始的
相似块之间存在大量的冗余信息,利用这些冗余信 BM3D 算法相比,本文算法在适用范围、去噪结果的
息可 在 变 换 域 内 以 能 量 收 缩 的 方 式 去 噪. Dabov 视觉效果、客观评测和计算效率上均有明显改善.
等 [6] 提出的 BM3D 算法由于其良好的去噪性能而受 本文首先分析 BM3D 算法的流程. 接着论述本
到广泛关注, 成为各种去噪算法的对比对象. 2009 文基于网格的快速块匹配策略,并通过实验给出算
年 Dabov 等 [8] 进一步提出基于形状自适应和主成分 法中参数的建议取值. 然后论述本文基于学习加迭
分析相结合的 BM3D 算法,改进其去噪效果. 从理论 代的噪声水平估计算法以及算法的部分测试结果.
上说,BM3D 算法已经非常接近基于图像块的去噪 最后给出本文的图像盲去噪算法在真实噪声图像上
算法的最优界 [5,9] , 而且已经被扩展应用于其他图 的一些实验结果和分析.
像处理问题中,如去模糊、增强等 [10 -11] .
2摇 BM3D 算法概述
但是,BM3D 算法的性能较依赖于输入参数的
选取 [12] . 原始的 BM3D 算法并未就参数的选取给出
较完备的说明,也并未强调噪声强度对参数选取的
图 1 的 BM3D 算法的示意图主要分为二步: 1)
影响. 为此,Lebrun [12]针对可能影响 BM3D 算法性能
基于硬阈值操作的协同滤波得到初步估计结果 E,
的参数分别进行测试实验,给出一组推荐的参数取
简称为硬域值滤波去噪;2)基于 Wiener 滤波的协同
值,将 BM3D 算法的输入参数减少到一个,即噪声方
滤波得到最终去噪结果,简称为 Wiener 滤波去噪.
差. 由于当前的图像去噪算法通常在仿真噪声图像
2. 1摇 硬阈值滤波去噪
上进行测试,即在清晰图像上人工添加噪声,此时图
对于输入噪声图像 I, 定义图像中正在处理的
像的噪声方差可作为已知参数输入. 然而,对于一幅
参考块 Z x R( x R 沂 I) ,其大小为 N1 伊 N1 . 硬阈值滤波
真实的噪声图像,无法事先得知其准确的噪声水平,
去噪由分组、协同滤波和聚合 3 个子步骤实现.
因此通常需要利用噪声水平估计算法指导 BM3D 算
2. 1. 1摇 分组
法的参数输入以实现盲去噪.
将一幅图像硬分为多个可重叠的参考块,平移
在图像噪声水平估计的研究中,一般算法通常
步长为 N step . 对每个参考块在以自身为中心、直径为
需要假定图像中存在平滑区域 [13 -14] ,导致算法在纹
N s 的方形区域内逐像素搜索与其相似的匹配块. 上
理 丰 富 的 图 像 上 估 计 的 噪 声 方 差 不 准 确. 为 此,
述过程简称为分组,其目的是找到和参考块相似的
Pyatykh 等 [15] 提出基于主成分分析的噪声水平估计
匹配块,这些相似块定义为
算法. 该算法不依赖于图像中的平滑区域,对于纹理
S x R = { x 沂 I d( Z x ,Z x ) < 子 hard } ,
丰富的图像亦能估计出较准确的噪声水平. 虽然目 R 1
2. 1. 2摇 协同滤波 移 移 棕x R
F xx Rm( i)
将集合 S x R 中的相似块按距离大小递增排序,组 E( x) =
x 沂I x 沂S
R m xR
, 坌x 沂 I.
成大小为 N1 伊 N1 伊 SxR 的三维矩阵 Z Sx ,对该矩 移 移 棕x
x 沂I x 沂S
R
R R m xR
1, else
摇
可参见文献[6] . 同时定义原图中与 S ExR 位置相同的
应的权值,加权平均后放回原来的位置即可得到估 该矩阵进行如下处理:
计值. 由于参考块之间存在重叠区域,图像中的一点 F Sx = T3D -1 ( W S x T3D( Z ESx ) ) .
R R R
表 1摇 基于不同块匹配策略的匹配块计算代价比较
Table 1摇 Comparison of computation cost based on different
block鄄matching strategies
( a) 参考块 R 和搜索到的匹配块
( a) A reference block R and the matching blocks 块匹配策略 给定参考块需计算的匹配块次数
全搜索 N2s
2
网格式搜索 ( NN )
s
g
+ N h( N g - 1) 2
3. 2摇 参数选取
针对 BM3D 算法的参数选取问题,Lebrun [12] 已
( b) 参考块 R 和需要比较的匹配块( 白点,深灰色点表示)
给出一组在普遍意义下能够获得较好结果的参数取
摇 ( b) Reference block R and the matching blocks to be
compared( shown in white and grey dots) 值. 本文仅改进其中的块匹配策略,因此如未做特殊
说明,本文中的输入参数均采用文献[12] 中所给出
图 2摇 House 图片段
的推荐值.
Fig. 2摇 Fragments of House image
本文的块匹配策略需要额外指定参数 N g 和 N h
自然图像通常含有一定的结构和纹理, 且纹理 的值. 通过对不同纹理结构的图像进行统计实验可
和结构都有一定的规律. 比如图 2( a) 中的两个图像 知,参数 N h 取值对结果影响较小,因此本文固定取
片段,主要由屋檐、墙的边缘、窗户的边缘以及其他 N h = N2 . 而参数 N g 的取值对去噪结果影响较大,表 2
平滑区域组成. 屋檐以及窗户边缘上的参考块 R 的 以 Baboon 图像为例( 其纹理较丰富,比较适合做测
相似块只可能位于边缘处,而不可能出现在图像的 试图像,如图 4 所示) ,给出在参数 N g 取不同值情况
平滑区域. 例如, 图 2( a) 左图中相似块与参考块在 下去噪图像 PSNR 值和用时统计. 表中 N g_x 和 N g_y 分
一条直线上,图 2( a) 右图中相似块和参考块在两条 别表示水平和垂直方向的移动步长, 步长取[1,1]
平行线上,相似块分布具有一定规律性. 图 2 中的两 时即为全搜索. 从表中发现当步长为 3 时 PSNR 值降
个参考块,其相似块都在白色椭圆所示的区域内,此 低较明显,因此为兼顾速度和去噪效果,本文固定取
时全搜索会浪费大量时间. 但一般情况下参考块与 N g_x = N g_y = 2.
相似块之间并不一定是紧邻的, 为加快搜索速度而 考虑到纹理丰富的图像可能对参数选取较敏
又不遗漏任何一个可能的相似块, 本文提出基于网 感,本文针对性地进行了一些测试实验. 图 3 给出本
格的搜索策略,其步骤如下. 文算法对 Couple 图像和 Man 图像的去噪结果. 这些
54 模式识别与人工智能 摇 摇 摇 28 卷
图 5摇 噪声水平估计算法示意图
Fig. 5摇 Flowchart of the proposed noise level estimation algorithm
摇 摇 下面给出迭代搜索最优噪声方差 滓 best 的算法. 摇 if摇 连续两次 Q( 滓 pre - 滓 step( n -1) ) < Q( 滓 pre -
其中 Q( 滓 i ) 表示当使用 滓 i 作为 FBM3D 算法硬阈值 滓 step( n) ) 则返回 滓 pre - 滓 step( n -1)
滤波部分的输入参数时得到的初步估计结果 E 的 摇 else摇 滓 pre = 滓 pre - 滓 step( n -1) , 且令 n = 1
NIQE 值( NIQE 值越小,图像视觉质量越高) . else摇 跳转到循环 1
算法 摇 迭代估计噪声方差 滓 best step 3摇 if摇 Q min = Q( 滓 pre + 滓 step(1) )
计 算 Q min = min( Q( 滓 pre - 滓 step(1) ) ,Q( 滓 pre ) , 循环 2摇 利用式(4) 得到 滓 step( n) ,计算 Q( 滓 pre +
Q( 滓 pre + 滓 step(1) ) ) 滓 step( n) )
step 1摇 if摇 Q min = Q( 滓 pre ) 则返回 滓 pre if摇 计算次数 逸 i max 则返回 Q( 滓 pre + 滓 step( n) )
step 2摇 if摇 Q min = Q( 滓 pre - 滓 step(1) ) if摇 Q( 滓 pre + 滓 step( n -1) ) < Q( 滓 pre + 滓 step( n) )
循环 1摇 利用式(4) 得到 滓 step(n) ,计算 Q(滓 pre - 摇 if摇 连续两次 Q( 滓 pre + 滓 step( n -1) ) < Q( 滓 pre +
滓 step(n) ) 滓 step( n) ) 则返回 滓 pre + 滓 step( n -1)
if摇 计算次数 逸 i max 则返回 Q( 滓 pre - 滓 step( n) ) 摇 else摇 滓 pre = 滓 pre + 滓 step( n -1) , 且令 n = 1
if摇 Q( 滓 pre - 滓 step( n -1) ) < Q( 滓 pre - 滓 step( n) ) 摇 摇 else摇 跳转到循环 2
56 模式识别与人工智能 摇 摇 摇 28 卷
表 3摇 图像质量对比
5摇 实验与结果分析
Table 3摇 Comparison of image quality
图6 NIQE 值 图6 NIQE 值
5. 1摇 算法的实际应用
( b1) 3. 0727 ( c1) 2. 7850
( b2) 2. 6795 ( c2) 2. 3084 本文算法适应于各类真实噪声图像. 比如在图
( b3) 4. 2894 ( c3) 3. 4225 像增强或图像复原等图像处理过程中经常伴随着噪
( b4) 3. 4835 ( c4) 3. 2278 声放大,此时噪声分布类型复杂,它依赖于前期的图
1期 摇 摇 摇 摇 方 帅 等:基于噪声水平估计的图像盲去噪 57
参 考 文 献