Noise Estimation(噪聲估計)
1、原理
現在主流的噪聲估計模型大多基於Filter-Based Approach Using Arithmetic Averaging
、Filter-Based Approach Using Statistical Averaging先簡單介紹一下這幾種算法。
1.1、Filter-Based Approach Using Arithmetic Averaging ——Filter-Base
該類型算法是基於因為圖像邊緣結構具有很強的二階差分特性，所以圖像是對Laplacian Mask的噪聲統計器是敏感的，算法通過兩個Laplacian Mask組成的kernel來進行卷積操作
1.2、Filter-Based Approach Using Statistical Averaging —— Block-Base
該算法的前期操作與1.1的算法相似，先簡單的對源圖進行一次Laplacian Mask 卷積，卷積核同1.1的N，
在計算局部方差前，還需要做一次邊緣檢測，包含邊緣的塊將需要被排除掉，然后通過直方圖計算噪聲方差，
2、算法過程
該算法結合了上述的兩種算法的優點，並進行了改進，具體算法過程如下：
首先對圖像亮度過高的點和過暗的點進行剔除，避免了在亮部和暗部的統計以及誤估，在這里是對[16,235]間的像素進行提取，而且如果每個塊被剔除掉的像素點超過一半的話，那該塊就需要被裁減掉。然后對保留下來的塊進行水平方向和垂直方向的Sobel梯度操作，以及同類塊檢測：
3、算法改進
3.1、對不同的圖采用不同的塊大小
該算法不足之處,對所有的圖片都裁切相同的像素塊，但是對於一些大圖,可能像素點相對小圖來說，噪點密集度相對分散，而對於小圖若采用過小的像素塊，又會讓值偏大，所以，我們對算法進行了修改，對於不同大小的圖，我們采用不同的塊大小，對300*300以下的圖，我們采用寬度為7的塊，對於300*300-800*800的圖，我們采用寬度為6的塊，對於大於800*800的塊采用寬度為5的塊。
3.2、對圖像進行縮放數據重采集
該算法對於同樣的圖，進行等比例的縮放，如果噪聲多的話，縮放完成后得到的噪聲會相對應的增加，噪聲少的話，所對應的噪聲也會少，在這里，我們對數據進行縮放，進行一次重采集，對重新計算得到的數據進行輔助計算，以保證得到的最后的值保證准確性。
4、算法的不足
該算法對於一些細節較為豐富的圖片的檢測效果仍然不是很好，這是噪聲估計算法的一個較大的通病，像以下的圖片的檢測效果效果誤差會偏大。
轉載請注明出處——陳先生