-
题名基于多图像先验知识的噪声水平评估算法
被引量：2
- 1
-
-
作者
徐少平
曾小霞
唐祎玲
江顺亮
-
机构
南昌大学信息工程学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2018年第12期2741-2752,共12页
-
基金
国家自然科学基金项目(61662044
61163023
+2 种基金
51765042
81501560)
江西省自然科学基金项目(20171BAB202017)~~
-
文摘
为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明:较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.
-
关键词
图像降噪
噪声水平估计
噪声水平感知特征
加权均值估计
执行效率
鲁棒性
-
Keywords
image denoising
noise level estimation (NLE)
noise level-aware feature
weighted average estimation
execution efficiency
robustness
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于CNN噪声分离模型的噪声水平估计算法
被引量：2
- 2
-
-
作者
徐少平
刘婷云
李崇禧
唐祎玲
胡凌燕
-
机构
南昌大学信息工程学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2019年第5期1060-1070,共11页
-
基金
国家自然科学基金项目(61662044
61163023
+1 种基金
51765042)
江西省自然科学基金项目(20171BAB202017)~~
-
文摘
现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.
-
关键词
噪声水平估计
噪声分离
卷积神经网络
广义高斯模型
噪声水平感知特征
噪声水平值映射
-
Keywords
noise level estimation (NLE)
noise separation
convolutional neural network (CNN)
generalized Gaussian distribution (GGD)
noise level-aware feature (NLAF)
noise level mapping
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名采用训练策略实现的快速噪声水平估计
被引量：1
- 3
-
-
作者
徐少平
林珍玉
李崇禧
刘婷云
杨晓辉
-
机构
南昌大学信息工程学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2019年第11期1882-1892,共11页
-
基金
国家自然科学基金项目(61662044,61163023,51765042)
江西省自然科学基金项目(20171BAB202017)~~
-
文摘
目的大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计(NLE)算法在噪声水平感知特征(NLAF)提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络(CNN)自动提取NLAF特征,并利用增强BP(back propagation)神经网络将其映射为相应噪声水平值的改进算法。方法在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在Ada Boost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0. 5,均方根误差小于0. 9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13. 9 ms。结论实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。
-
关键词
噪声水平估计
基于训练策略
图块级
噪声水平值感知特征
噪声水平值映射
中值估计
-
Keywords
noise level estimation(NLE)
training-based approach
patch level
noise level-aware feature(NLAF)
noise level mapping
median estimation scheme
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
