采用训练策略实现的快速噪声水平估计

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AdaBoost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。

Fast noise level estimation algorithm adopting training strategy