第 28 卷摇 第 1 期 模式识别与人工智能 Vol. 28摇 No.

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)

摘摇 要摇 三维块匹配( BM3D) 去噪是当前去噪性能最好的算法之一. 但由于时间复杂度较高,而且需要输入精确的

图像噪声水平参数,极大地限制该算法的广泛应用. 因此,文中首先采用基于网格的块匹配策略,提出快速三维块
匹配( FBM3D) 算法. 然后提出基于迭代的盲图像噪声水平估计算法,由 SVM 学习算法确定迭代的初始值,再由图
像质量判定迭代是否终止. 测试实验表明,与原始的 BM3D 算法相比,该算法在计算效率、视觉感知效果和定量评
测方面均有明显改善.

关键词摇 图像去噪, 三维块匹配( BM3D) , 噪声水平估计, 图像盲去噪

中图法分类号摇 TP 391. 41 DOI摇 10. 16451 / j. cnki. issn1003鄄6059. 201501007

Blind Image Denoising Based on Noise Level Estimation

FANG Shuai1 , XIA Xiu鄄Shan1 , CAO Yang2 , YU Lei1

1
( School of Computer and Information, Hefei University of Technology, Hefei 230009)
2
( Department of Automation, University of Science and Technology of China, Hefei 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

*国家自然科学基金项目( No. 61175033) 、中央高校基本科研业务费专项资金项目( No. WK2100100009,2012HGCX0001) 资助

收稿日期:2014-01-08;修回日期:2014-04-23
作者简介摇 方帅,女,1978 年生,博士,副教授,主要研究方向为数字图像处理、计算机视觉等. E鄄mail:fangshuai@ hfut. edu.
cn. 夏秀山,男,1986 年生,硕士研究生,主要研究方向为图像去噪、图像复原等. 曹洋( 通讯作者) ,男,1980 年生,博士,讲师,
主要研究方向为数字图像处理、模式识别等. E鄄mail:forrest@ ustc. edu. cn. 于磊,男,1972 年生,硕士,讲师,主要研究方向为
数字图像处理、模式识别等.
1期 摇 摇 摇 摇 方 帅 等:基于噪声水平估计的图像盲去噪 51

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

前噪声水平估计算法已经能够较准确地估计出一幅 其中,子 hard 是距离阈值. 匹配块 Z x1 和参考块 Z x R 之

仿真噪声图像的噪声水平,但是还不能直接应用于 间的距离 d( Z x R ,Z x1 ) 定义为
 52 模式识别与人工智能 摇 摇 摇 28 卷

d( Z x R ,Z x1 ) = N1 -1 椰状( T2D( Z x R ) ,姿thr2D 滓) - if 姿 > 姿thr2D 滓

摇 摇 摇 状( T2D( Z x1 ) ,姿thr2D 滓) 椰2 ,
状( 姿,姿thr2D 滓) = {0,姿, else
.摇 (1)

其中,滓 是噪声标准差,x R ,x1 沂 I,T2D 是二维变换域 为加快算法处理速度,通常限定搜索到的相似

操作( 如 DCT,DFT,Bior 小波等) ,姿thr2D 是设定的二 块数目最多为 N2 个,并将这些相似块按距离从小到
维阈值参数,椰·椰2 表示矩阵二范数,状是硬阈值操 大排序. 因为 d( Z x R ,Z x R ) = 0,所以 S x R 中至少包含一
作,其定义为 个匹配块,即参考块自身.

图 1摇 BM3D 算法示意图 [6]

Fig. 1摇 Flowchart of BM3D algorithm [6]

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

阵进行如下滤波处理: 其中,E 即为硬阈值滤波去噪得到的估计图.

F Sx = T3D ( 状( T3D( T S x ) ,姿thr3D 滓) ) ,摇
-1
(2) 2. 2摇 Wiener 滤波去噪
R R

其中,滓 是噪声标准差,T3D 和 T3D -1 分别为三维正变 在硬阈值滤波搜索相似块的过程中,由于噪声的

换和逆变换,姿thr3D 是设定的三维阈值参数,状 是硬阈 存在使得搜索到的相似块通常不是最优. 因此需要在
值,其定义与式(1) 类似. 结果图 E 上使用简化的搜索条件重新搜索相似块.
2. 1. 3摇 聚合 2. 2. 1摇 分组
对于每个 F Sx 都有一个固定的权值矩阵 棕 x R 与 定义在硬阈值滤波结果 E 上新搜索到的相似块
R
所构成的组为
之对应. 权值 棕 x R 的定义为
S ExR = { x 沂 E d( Z x ,Z x ) < 子 wien } , (3)
1
R 1

, if N har 逸 1 其中,子 wien 是新的阈值,新的距离 d( Z x R ,Z x1 ) 的定义

棕 xR = N
{
har

1, else
摇
可参见文献[6] . 同时定义原图中与 S ExR 位置相同的

其中,N har 是式(2) 中 状( 硬阈值) 操作后系数矩阵中 那些相似块为 S x R .

的非零个数. 非零系数越少, 表明阈值收缩越紧凑, 2. 2. 2摇 协同滤波与聚合

从而得到的权值也就越大. 对所有相似块进行 Wiener 滤波代替硬阈值滤
将图像中所有参考块分别协同滤波后得到的三 波. 将式(3) 搜索到的相似块集合 S ExR 按距离递增排
维矩阵 F xx沂S
R
,坌x R 沂 I 中所有的二维块分别乘以相 序得到大小为 N1 伊 N1 伊 S ExR 的三维矩阵 Z ESx ,对
x R
R

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

可能存在着多个重叠的估计值. 因此,针对图像中任 Wiener 滤波去噪的聚合过程与 2. 1. 3 节的过程类

意像素点 x 沂 I,计算加权平均的公式为 似,详见文献[6] .
1期 摇 摇 摇 摇 方 帅 等:基于噪声水平估计的图像盲去噪 53

3摇 改进的快速块匹配 step 1摇 在搜索区域内以步长 N g 搜索相似块,

此时需要比较的匹配块左上角的点组成了一个网格
通过上节分析发现 BM3D 算法中搜索匹配块的 (图 2( b) 中的白点和深灰色点) . 为了不重复搜索和
过程需要花费大量时间,为此本文提出基于网格的 匹配计算,始终保存与参考块距离较小的前 N h 个相
快速块匹配搜索策略,并将基于此实现的 BM3D 算 似块,这些相似块( 一定包含参考块自己) 组成的三
法称为 FBM3D 算法. 维矩阵为 S忆x R . 这一步粗搜索保证搜索的全局性,确
3. 1摇 块匹配策略 定匹配块所在的区域,大大减少搜索次数.
图 2 展示了以一个参考块为中心的匹配块搜索 step 2摇 在 S忆x R 中每个相似块以自身为中心的
情况. 搜索区域的大小为 N s 伊 N s ,图中有 R 字的深灰 N g 伊 N g 区域内,再次逐像素搜索相似块( 图2 中的深
色矩形区域表示参考块( 大小为 N1 伊 N1 ) ,深灰色矩 灰色点) . 把新搜索到的相似块和 S忆x R 一起排序,并限
形表示搜索到的相似块,为表述方便,图中用每个块 制相似块的个数最多为 N2 个. 这一步细搜索保证不
的左上角点代表该块. 原始的 BM3D 算法在搜索区 会遗漏任何一个可能的相似块.
域内进行逐像素的全搜索, 因此, 算法的复杂度较 表 1 给出全参考和本文提出的网格式搜索策略
高,难以应用于视频去噪等实时性要求较高的场合. 的计算成本对比. 表中仅给出一个参考块时的匹配
块计算次数. 由此可知,本文的搜索策略可以显著降
低计算次数.

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

图像中存在着大量细纹理区域. 通过这些实验结果 3. 3摇 彩色图像的去噪结果

可知,本文给出的参数取值对图像的细小纹理不敏 为增强算法的适应性, 需要把算法扩展到彩色
感,通常情况下能够取得较理想的去噪结果. 图像上 [6,12] . 本文首先把 RGB 图像转到 YUV 颜色空
间,然后只在 Y 通道搜索相似块,并把搜索到的相似
表 2摇 不同步长下的匹配块搜索对比实验 块同时应用于 Y、U 和 V 三通道去噪,最后再把结果
Table 2摇 Comparison of matching blocks search with different 转换回 RGB 空间. 图 4 是本文针对彩色图像的一组
step鄄sizes 去噪结果.
[ N g_x ,N g_y ] 搜索匹配块所用时间 / s
滓 PSNR
(20 次求平均)
[1,1] 1. 364 35. 2296
[1,2] 1. 186 35. 2294
5
[2,2] 0. 835 35. 2175
[3,3] 0. 526 34. 9762
[1,1] 1. 346 30. 6655
[1,2] 1. 173 30. 6656
10
[2,2] 0. 821 30. 6507
[3,3] 0. 513 29. 5361
[1,1] 1. 342 27. 0637 ( a) Baboon ( b) 去噪结果
[1,2] 1. 160 27. 0632
20 ( a) Baboon ( b) Denoising result
[2,2] 0. 816 27. 0359
[3,3] 0. 506 26. 3481
[1,1] 1. 316 25. 2720 图 4摇 彩色图像的去噪结果( 滓 = 50)
[1,2] 1. 131 25. 2718 Fig. 4摇 Denoising result on colored image with 滓 = 50
30
[2,2] 0. 793 25. 2109
[3,3] 0. 501 24. 2563
[1,1]
[1,2]
1. 308
1. 116
24. 8546
24. 8543 4摇 噪声水平估计
40
[2,2] 0. 785 24. 7815
[3,3] 0. 492 23. 1816
对于实际噪声图像而言, 准确地估计图像噪声
水平非常困难. 近来年,无参考( 盲)图像质量评价算
法取得较大进展,不论图像中存在什么类型的退化
过程( 噪声污染,模糊退化等) ,这些算法 [17 -18] 已经
能够准确地估计图像的质量. 受到这些工作的启发,
本文在 Mittal 等[18] 提出的盲图像质量评价算法的基
础上,提出适用于 FBM3D 算法的噪声水平估计方法.
4. 1摇 盲图像质量评价
( a1) Couple ( a1) Man 针对无 参 考 的 自 然 图 像 质 量 评 价 问 题,Mittal
( a) 噪声 滓 = 50 时 2 个区域的放大图 等 [17]
提出 NIQE( Natural Image Quality Evaluator)
( a) Two enlarged regions with 滓 = 50 算法. 该算法首先提取对图像质量敏感的特征,然后
把这些特征拟合成一个多元高斯模型. 这里所指的
特征是通过自然场景统计模型, 即归一化的局部亮
度系数得到的 BRISQUE 特征 [18] . Mittal 等通过实验
分析认为自然图像归一化后的亮度系数近似服从类
高斯分布,而失真( 不特指某一类失真) 图像没有这
一规律. 因此,一幅图像的视觉质量可通过计算图像
MVG 模型和自然图像 MVG 模型之间的距离度量.
( b1) Couple ( b1) Man 通常自然图像的 MVG 模型是通过统计图像库中大
( b) 相应两个区的去噪结果 量无失真的自然图像得到. 因此一幅测试图像的视
( b) Denoising results of 2 corresponding regions 觉质量可通过如下公式求得:
图 3摇 Couple 图像和 Man 图像的去噪结果( 滓 = 50) 撞 + 撞2 ö -1
D(淄1 ,淄2 ,撞1 ,撞2 ) = (淄1 - 淄2 ) T æ 1 (淄1 - 淄2 ) ,
è 2 ø
ç ÷

摇 Fig. 3摇 Denoising results on Couple and Man images with

滓 = 50 其中,淄 1 、淄 2 和 撞 1 、撞 2 分别表示自然图像和退化图像
1期 摇 摇 摇 摇 方 帅 等:基于噪声水平估计的图像盲去噪 55

MVG 模型中的均值向量和方差矩阵. 距离 D 越小 声图像用不同的噪声方差作为 FBM3D 算法输入去

( 即 NIQE 值小) 图像质量越高. 噪参数,把去噪后图像质量( 采用 NIQE 算法评价图
本文利用该方法评价去噪图像质量, 从而确定 像质量) 最高时所使用的噪声方差记录为预测到的
去噪时输入的噪声水平参数是否合理. 输入参数. 利用文献[19] SVM 回归( 核选用径向基
4. 2摇 噪声方差估计算法 函数) 训练得到 BRISQUE 特征 [18] 和预测噪声方差
本文提出一种基于学习加迭代的噪声水平估计 之间的映射表.
算法,学习是获得噪声水平初值,迭代是获取噪声水 2)使用阶段. 首先,对一幅输入图像提取其 BRI鄄
平的最优值. 图 5 给出算法使用阶段的示意图. 噪声 SQUE 特征,利用 SVM 得到预测的噪声方差 滓 pre . 其
水平估计算法的整个过程如下. 中,在 滓 附近迭代搜索最优参数,算法执行下次迭代
1) 训练阶段. 本文使用 Berkeley 图像库 ( http: 的条件是本次去噪后图像质量比前一次更高, 同时
/ / www. eecs. berkeley. edu / Research / Projects / CS / 限制迭代次数最多为 i max( 通常取 10) 次. 为加速搜
vision / grouping / resources. html) 中最新 500 幅图像 索最优参数,本文使用倍数增长式的步长增长方式
进行训练. 每幅图像人为添加 20 个不同级别的高斯 搜索最优噪声方差. 噪声方差增长方式为
噪声, 噪 声 方 差 如 下: [0. 5,2,5,10,15,20,25,30, 0. 01滓 pre , n=1
35,40,45,50,60,70,80,90,100,110,120] 对每幅噪
滓 step( n) = {
2滓 step( n -1) , n > 1
. (4)

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.
其中 Q( 滓 i ) 表示当使用 滓 i 作为 FBM3D 算法硬阈值
滤波部分的输入参数时得到的初步估计结果 E 的
NIQE 值( NIQE 值越小,图像视觉质量越高) .
算法 摇 迭代估计噪声方差 滓 best
计 算 Q min = min( Q( 滓 pre - 滓 step(1) ) ,Q( 滓 pre ) ,
Q( 滓 pre + 滓 step(1) ) )
step 1摇 if摇 Q min = Q( 滓 pre ) 则返回 滓 pre
step 2摇 if摇 Q min = Q( 滓 pre - 滓 step(1) )
循环 1摇 利用式(4) 得到 滓 step(n) ,计算 Q(滓 pre -
滓 step(n) )
if摇 计算次数 逸 i max 则返回 Q( 滓 pre - 滓 step( n) )
if摇 Q( 滓 pre - 滓 step( n -1) ) < Q( 滓 pre - 滓 step( n) )
摇 if摇 连续两次 Q( 滓 pre - 滓 step( n -1) ) < Q( 滓 pre -
滓 step( n) ) 则返回 滓 pre - 滓 step( n -1)
摇 else摇 滓 pre = 滓 pre - 滓 step( n -1) , 且令 n = 1
else摇 跳转到循环 1
step 3摇 if摇 Q min = Q( 滓 pre + 滓 step(1) )
循环 2摇 利用式(4) 得到 滓 step( n) ,计算 Q( 滓 pre +
滓 step( n) )
if摇 计算次数 逸 i max 则返回 Q( 滓 pre + 滓 step( n) )
if摇 Q( 滓 pre + 滓 step( n -1) ) < Q( 滓 pre + 滓 step( n) )
摇 if摇 连续两次 Q( 滓 pre + 滓 step( n -1) ) < Q( 滓 pre +
滓 step( n) ) 则返回 滓 pre + 滓 step( n -1)
摇 else摇 滓 pre = 滓 pre + 滓 step( n -1) , 且令 n = 1
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

本文采用基于积分图的加速策略,并且在第一 真实的噪声方差作为 BM3D 算法的输入,去噪后图

次计算时保存转换域操作之后的结果,这样在下次 像视觉质量并不是最优. 这是因为同样大小的噪声
迭代时就不需要重复计算. 此外,实验中发现如果第 对不同纹理和结构的图像影响程度不一致. 因此,本
一步硬阈值去噪结果越好,经过第二步 Wiener 滤波 文提出适用于 BM3D 去噪的噪声水平估计算法.
去噪的结果同样也会较好,因此在迭代估计噪声方 图 6 给出 4 组本文算法和 Dabov 算法的对比实
差时仅计算 FBM3D 算法的第一步. 验结果,表 3 是相应的去噪后图像质量对比. 为使效
从图 5 中可发现本文算法估计的噪声方差和真 果易观察,本文给出 Berkeley 图像库中 4 张细纹理
实的噪声方差之间有一定差别. 然而,利用本文算法 较丰富的图像作为测试图像. 从实验结果中可看出,
估计到的噪声方差作为输入参数进行去噪,能够得 本文算法能够保留更多的图像细节, 比如图 6( a1)
到更好的去噪效果, 计算出的 NIQE 值也验证了这 中熊的毛发区域. 此外,表 3 所示的定量分析结果同
一结论. 同样的结论也出现在文献[18 ]中,即使用 样说明本文结果的视觉质量相对更高.

( a1) 滓 = 55 ( a2) 滓 = 55 ( a3) 滓 = 70 ( a4) 滓 = 90

( a) 人工添加的高斯噪声图像
( a) Images with Gaussian noise

( b1) 滓 = 55 ( b2) 滓 = 55 ( b3) 滓 = 70 ( b4) 滓 = 90

( b) 输入参数 滓 的 Dabov 算法去噪效果
( b) Denoising results of Dabov algorithm

( c1) 滓 = 46. 5 ( c2) 滓 = 48. 9 ( c3) 滓 = 62. 4 ( c4) 滓 = 79. 1

( c) 参数 滓 估计下的本文算法去噪结果
( c) Denoising results of the proposed algorithm with the estimated noise variance

图 6摇 本文算法和 Dabov 算法的实验结果对比

Fig. 6摇 Results comparison between the proposed algorithm and Dabov algorithm

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

像处理算法. 本文的去噪算法能较好地解决该类图 5. 2摇 算法的时间性能分析

像的去噪问题. 图 7( b) 为使用文献[20] 中的方法复 本文应用 C ++ 实现提出的 FBM3D 算法并将其
原雾天图像,可看出去雾后图像噪声被放大,尤其是 扩展到彩色图像处理上.
天空区域. 图 7( c)为利用本文算法对图 7( b)去噪的 算法 step 1 的 2D 变换使用 Bior1. 5 小波变换,
结果. 图 7( b)和图 7( c)的 NIQE 值分别为6. 015 6 和 step 2 的 2D 变换使用 2D DCT 变换. 此外,算法实现
3. 562 6. 可看出本文算法显著提升了去雾后图像的 也采用 Kaiser 窗函数以减少块效应.
通过分析可知,每个参考块的匹配块搜索可并
视觉质量.
行处理,因此基于 CUDA 编程对代码实现 GPU 加速.
图 8( a) 为 CCD 相机曝光不足而产生的真实噪
对于一 幅 512 伊 512 的 彩 色 图 像, 在 Core i3鄄2120
声图像. 图8( b)为利用本文提出的 FBM3D 算法对其
CPU@ 3. 30GHz,NVIDIA G605 显卡的实验环境下测
进行去噪后的结果. 图 8( a) 和图 8( b) 的 NIQE 值分
得的本文 FBM3D 算法运行时间在 3s 左右. 而同样大
别为 4. 139 7 和 3. 641 2. 实验结果进一步表明本文
小的图像在同样的机器上时,Dabov 等提供的代码
提出的盲去噪算法具有较强的实用性和鲁棒性. 运行时间在 20s 左右,Lebrun 提供的代码运行时间
在 22s 左右. 加上噪声水平估计所占用的时间,本文
提出的盲去噪算法的运行时间在 5s 以内. 因此本文
算法更利于应用在视频处理等实时性要求较高的场
合.

( a) 雾天图像 ( b) 去雾后图像 ( c) 基于本文算法

6摇 结 束 语
的去噪结果
( a) Hazy image
通过分析可知,BM3D 算法中块匹配部分较耗
( b) Dehazing image 时,因此,本文提出基于网格的快速块匹配策略,并
( c) Denoising result based on the proposed method 通过实验分析给出一组推荐的参数取值. 此外,本文
提出基于学习加迭代的噪声方差估计算法, 获取适
图 7摇 本文算法用于去雾后图像去噪
用于 FBM3D 去噪算法的噪声水平参数. 本文的噪声
Fig. 7摇 The proposed method for the dehazing image
方差估计算法对图像的噪声类型不敏感, 因此具有
较强的实用性.

参 考 文 献

[1] Jin L H, Li D H. An Image Denoising Algorithm Based on Noise De鄄

tection. Pattern Recognition and Artificial Intelligence, 2008, 21

( a) 真实噪声图像 (3) : 298-302 ( in Chinese)

摇 摇 ( 金良海,李德华. 基于噪声检测的图像去噪算法. 模式识别与人
( a) Image with real noise
工智能, 2008, 21(3) : 298-302)
[2] Niu H M, Du Q, Zhang J X. An Algorithm of Adaptive Total Varia鄄
tion Image Denoising. Pattern Recognition and Artificial Intelli鄄
gence, 2011, 24(6) : 798-803 ( in Chinese)
摇 摇 ( 牛和明,杜 茜,张建勋. 一种自适应全变分图像去噪算法. 模式
识别与人工智能, 2011, 24(6) : 798-803)
[3] Tomasi C, Manduchi R. Bilateral Filtering for Gray and Color Images
/ / Proc of the 6th IEEE International Conference on Computer
( b) 本文算法去噪结果 Vision. Bombay, India, 1998: 839-846
( b) Denoising result by the proposed method [4] Takeda H, Farsiu S, Milanfar P. Kernel Regression for Image Pro鄄
cessing and Reconstruction. IEEE Trans on Image Processing,
图 8摇 本文算法用于真实噪声图像的去噪结果 2007, 16(2) : 349-366
Fig. 8摇 Denoising result of the proposed method for image [5] Buades A, Coll B, Morel J M. A Review of Image Denoising Algo鄄
with real noise rithms, with a New One. Multiscale Modeling & Simulation, 2005,
 58 模式识别与人工智能 摇 摇 摇
4(2) : 490-530
[6] Dabov K, Foi A, Katkovnik V, et al. Image Denoising by Sparse
3鄄D Transform鄄Domain Collaborative Filtering. IEEE Trans on Image
Processing, 2007, 16(8) : 2080-2095
[7] Chatterjee P, Milanfar P. Patch鄄Based Near鄄Optimal Image Denois鄄
ing. IEEE Trans on Image Processing, 2012, 21(4) : 1635-1649
[8] Dabov K, Foi A, Katkovnik V, et al. BM3D Image Denoising with
Shape鄄Adaptive Principal Component Analysis / / Proc of the Work鄄
shop on Signal Processing with Adaptive Sparse Structured Represen鄄
tations. Saint Malo, France, 2009
[9] Levin A, Nadler B. Natural Image Denoising: Optimality and
Inherent Bounds / / Proc of the IEEE Conference on Computer Vision
and Pattern Recognition. Providence, USA, 2011: 2833-2840
[10] Danielyan A, Katkovnik V, Egiazarian K. BM3D Frames and Vari鄄
ational Image Deblurring. IEEE Trans on Image Processing, 2012,
21(4) : 1715-1728
[11] Maggioni M, Katkovnik V, Egiazarian K, et al. Nonlocal Trans鄄
form鄄Domain Filter for Volumetric Data Denoising and Reconstruc鄄
tion. IEEE Trans on Image Processing, 2013, 22(1) : 119-133
[12 ] Lebrun M. An Analysis and Implementation of the BM3D Image
Denoising Method. Image Processing Online, 2012, 2: 175-213
[13] Abramov S K, Lukin V V, Vozel B, et al. Segmentation鄄Based
Method for Blind Evaluation of Noise Variance in Images. Journal of
28 卷
Applied Remote Sensing, 2008. DOI:10. 1117 / 1. 2977788
[14] Uss M, Vozel B, Lukin V, et al. Image Informative Maps for Esti鄄
mating Noise Standard Deviation and Texture Parameters. EUR鄄
ASIP Journal on Advances in Signal Processing, 2011. DOI:10.
1155 / 2011 / 806516
[15] Pyatykh S, Hesser J, Zheng L. Image Noise Level Estimation by
Principal Component Analysis. IEEE Trans on Image Processing,
2013, 22(2) : 687-699
[16 ] Zhu X, Milanfar P. Automatic Parameter Selection for Denoising
Algorithms Using a No鄄Reference Measure of Image Content. IEEE
Trans on Image Processing, 2010, 19(12) : 3116-3132
[17 ] Mittal A, Soundararajan R, Bovik A C. Making a " Completely
Blind" Image Quality Analyzer. IEEE Signal Processing Letters,
2013, 20(3) : 209-212
[18] Mittal A, Moorthy A K, Bovik A C. No鄄Reference Image Quality
Assessment in the Spatial Domain. IEEE Trans on Image Process鄄
ing, 2012, 21(12) : 4695-4708
[19] Chang C C, Lin C J. LIBSVM: A Library for Support Vector Ma鄄
chines. ACM Transactions on Intelligent Systems and Technology,
2011. DOI:10. 1145 / 1961189. 1961199
[20] Tarel J P, Hautiere N. Fast Visibility Restoration from a Single Col鄄
or or Gray Level Image / / Proc of the 12th IEEE International Con鄄
ference on Computer Vision. Kyoto, Japan, 2009: 2201-2208