浅层CNN网络构建的噪声比例估计模型

目的 利用深度卷积神经网络（deep convolutional neural network,DCNN）构建的非开关型随机脉冲噪声（random-valued impulse noise,RVIN）降噪模型在降噪效果和执行效率上均比主流的开关型RVIN降噪算法更有优势,但在实际应用中,这类基于训练（数据驱动）的降噪模型,其性能却受制于能否对待降噪图像受噪声干扰的严重程度进行准确的测定（即存在数据依赖问题）。为此,提出了一种基于浅层卷积神经网络的快速RVIN噪声比例预测（noise ratio estimation,NRE）模型。方法 该预测模型的主要任务是检测待降噪图像中的噪声比例值并将其作为反映图像受噪声干扰严重程度的指标,依据NRE预测模型的检测结果可以自适应调用相应预先训练好的特定区间DCNN降噪模型,从而快速且高质量地完成图像降噪任务。结果 分别在10幅常用图像和50幅纹理图像两个测试集上进行测试,并与现有的主流RVIN降噪算法中的检测模块进行对比。在常用图像测试集上,本文所提出的NRE预测模型的预测准确性最高。相比于噪声比例预测精度排名第2的算法, NRE预测模型在噪声比例预测值均方根误差上低0.6% 2.4%。在50幅纹理图像测试集上,NRE模型的均方根误差波动范围最小,表明其稳定性最好。通过在1幅大小为512×512像素图像上的总体平均执行时间来比较各个算法执行效率的优劣,NRE模型执行时间仅为0.02 s。实验数据表明：所提出的NRE预测模型在受各种不同噪声比例干扰的自然图像上均可以快速而稳定地测定图像中受RVIN噪声干扰的严重程度,非盲的DCNN降噪模型与其联用后即可无缝地转化为盲降噪算法。结论 本文RVIN噪声比例预测模型在各个噪声比例下具有鲁棒的预测准确性,与基于DCNN的非开关型RVIN深度降噪模型配合使用后能妥善解决DCNN网络模型固有的数据依赖问题。     

局部特定空间关系统计特征的RVIN噪声检测器

目的 随机脉冲噪声（random-valued impulse noise，RVIN）检测器将局部图像统计值（local image statistics，LIS）作为图块中心像素点是否为噪声的判断依据，但LIS的描述能力较弱，在不同程度上制约了RVIN检测器的检测正确率，影响了后续开关型降噪模块的修复效果。为此，提出了一种基于局部特定空间关系统计特征的RVIN噪声检测器。方法 以局部中心像素点的8个邻域像素对数差值排序值（rank-ordered logarithmic difference，ROLD）并结合1个最小方向对数差值（minimum orientation logarithmic difference，MOLD）共9个反映局部特定空间关系的LIS统计值构成描述中心像素点是否为RVIN的噪声感知特征矢量，并通过在大量样本图块数据上提取的RVIN噪声感知特征矢量及其对应的噪声标签作为训练对（training pairs），训练获得一个基于多层感知网络（multi-layer perception，MLP）的RVIN噪声检测器。结果 对比实验从检测正确率和实际应用效果2个方面检验所提出的RVIN检测器的有效性，分别在10幅常用图像和50幅BSD （Berkeley segmentation data）纹理图像上进行测试，并与经典的脉冲噪声降噪算法中包含的噪声检测器以及MLPNNC （MLP neural network classifier）噪声检测器相比较，以漏检数、误检数和错检总数作为评价噪声检测正确率的指标。在常用图像集上本文所提RVIN检测器的漏检数和误检数较为平衡，在错检总数上排名处于所有对比算法中的前2名，为后续的降噪模块打下了很好的基础。在BSD纹理图像集上，将本文提出的RVIN检测器和GIRAF （generic iteratively reweighted annihilating filter）算法组合构成一种RVIN噪声降噪算法（proposed-GIRAF），proposed-GIRAF算法在50幅BSD图像上的峰值信噪比（peak signal-to-noise ratio，PSNR）均值在各个噪声比例下均取得了最优结果，与排名第2的对比算法相比，提升了0.471.96 dB。实验数据表明，所提出的RVIN噪声检测器的检测正确率优于现有的检测器，与修复算法联用后即可获得一种降噪效果更佳的开关型RVIN降噪算法。结论 本文提出的RVIN噪声检测器在各个噪声比例下具有鲁棒的预测准确性，配合GIRAF算法使用后，与经典的RVIN降噪算法相比，降噪效果最佳，具有很强的实用性。     

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。     

局部均值噪声估计的盲3维滤波降噪算法

目的 图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN（additive white Gaussian noise）为噪声建模,噪声水平（严重程度）由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪（non-blind denoising algorithm）算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计（LME）算法并作为BM3D算法的前置预处理模块。方法 本文专注于利用基于自然统计规律（NSS）的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型（GGD）提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量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,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果 改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME（block-matching and 3D filtering based on local means estimation）算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论 相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。     

视频压缩感知中分级多假设预测算法

目的 多假设预测是视频压缩感知多假设预测残差重构算法的关键技术之一,现有的视频压缩感知多假设预测算法中预测分块固定,这种方法存在两点不足：1）对于视频帧中运动形式复杂的图像块预测效果不佳;2）对于运动平缓区域,相邻图像块的运动矢量非常相近,每块单独通过运动估计寻找最佳匹配块,导致算法复杂度较大。针对这些问题,提出了分级多假设预测思路（Hi-MH）,即对运动复杂程度不同的区域采取不同的块匹配预测方法。方法 对于平缓运动区域的图像块,利用邻域图像块的运动矢量预测当前块的运动矢量,从而降低运动估计的算法复杂度;对于运动较复杂的图像块,用更小的块寻找最佳匹配;对于运动特别复杂的图像块利用自回归模型对单个像素点进行预测,提高预测精度。结果 Hi-MH算法与现有的快速搜索预测算法相比,每帧预测时间至少缩短了1.4 s,与现有最优的视频压缩感知重构算法相比,对于运动较为复杂的视频序列,峰值信噪比（PSNR）提升幅度达到1 dB。结论 Hi-MH算法对于运动形式简单的视频序列或区域降低了计算复杂度,对于运动形式较为复杂的视频序列或区域提高了预测精度。     

基于加权空间离群点度量的随机脉冲噪声降噪算法

针对排序统计类降噪算法在随机脉冲噪声（RVIN）图像降噪过程中,对图像边缘和细节部分噪声识别不够准确以及恢复比较模糊的问题,提出了基于加权空间离群点度量（SLOM）的脉冲噪声降噪算法WSLOM-EPR。该算法以优化的空间距离差为基础,引入图像邻域均值和标准差,建立反映局部边缘细节特征的噪声检测方法,提高边缘细节处噪声的识别精度;然后以精确检测结果为基础,优化保边正则（EPR）函数,提高算法的执行效率,并增强算法保留边缘细节的能力。仿真结果显示,WSLOM-EPR算法在40%到60%噪声密度下对噪声点的误检和漏检综合表现优于对比算法,且能在两者之间保持一个较好的平衡;降噪后的峰值信噪比（PSNR）好于对比算法中的大多数情况,且边缘细节在视觉上更加清晰连续。结果表明WSLOM-EPR算法提高了噪声检测精度,有效地保持了恢复图像的边缘细节信息。     

递进的迭代脉冲噪声检测

目的 脉冲噪声是引起图像质量下降的主要原因,其滤除工作一直是图像处理领域的研究热点。对现行开关滤波算法在脉冲噪声检测时间、检测精准度和恢复策略上存在的问题进行理论分析,提出一种递进的迭代脉冲噪声检测算法(PIND),使噪声图像能够获得更好的恢复效果。方法 首先,采用具有全局统计意义的灰度直方图确定脉冲噪声与真实像素之间的灰度值的上边界和下边界,根据这个界线区分出疑似点和真实点;然后,利用具有局部结构意义的方法将噪声点从疑似点中寻找出来并判断噪声类型,存储在决策表G中;最后,根据决策表G中存储的噪声类型信息采用3种不同的的恢复策略滤除噪声。结果 对Lena、Peppers和Monkey 3幅具有代表性的图像增加不同密度和尺度的噪声进行对比实验,得出的数据表明,本文算法的脉冲噪声检测时间比现行两种经典算法提高520倍和15倍;检测精准度比现行经典开关滤波算法更加精准,准确率可以达到99%以上;恢复图像也具有更好的视觉效果和12 dB的峰值信噪比(PSNR)提升。结论 提出递进的迭代脉冲噪声检测算法能够在有效滤除脉冲噪声的同时,充分保护图像细节和恢复图像原有特征,并能够在噪声检测时间和精度以及峰值信噪比上弥补现行开关滤波算法的不足。     

融合方向特性与不确定性的脉冲噪声滤波

目的 随机噪声的噪声阈值具有不确定性和敏感性,寻找一个鲁棒的阀值是非常困难的,这严重影响了噪声的提取效率。为提高噪声判断的准确性,提出一种基于方向特性与中智不确定性融合的双端脉冲检测算法;另外,为加强优良像素在滤波过程中的权重,构建了一种基于像素中智不确定性和ROAD（rank-ordered absolute differences）统计量的新型双边滤波函数。方法 在噪声检测阶段,首先根据ROLD（rank-ordered logarithmic difference）与噪声阈值T的关系,将污染图像的像素分为超限域像素（ROLD ≥ T）、邻限域像素（0.8T ≤ ROLD<T）和安全域像素（ROLD<0.8T）,并利用开关机制完成一次噪声检测。在此基础上,为提高超限域和邻限域像素噪声检测的准确性,采用不同策略对其进行二次噪声排查：对超限域像素,利用新型25像素和9像素4方向模板计算像素基于排序的方向对数差统计量,由该统计量与T的大小关系决定当前像素的噪声真伪;对邻限域像素,则结合当前像素中智不确定性在滤波窗内的排序信息来进一步确定其噪声特性。在滤波阶段,利用像素中智不确定性和ROAD统计量构建新型双边滤波函数,以加强低不确定性和高相似性像素在图像恢复中的权重。结果 针对实验图像,双端脉冲检测算法的边缘像素提取率最高可达67%、邻限域像素的噪声剔除率最高可达91%,大大降低了阈值对噪声提取的敏感性,从而提高了噪声判断的正确率。在10%~80%噪声范围内,本文算法的主观性能和峰值信噪比都优于其他7种算法。结论 本文基于双端检测和新型双边滤波函数的新算法,在噪声检测和去噪过程中均充分考虑了图像本身的方向性和噪声的不确定性,因此提高了噪声提取及像素滤波权重的准确性,从而有效地保护了图像的边缘和细节信息。     

面向真实图像噪声的两阶段盲去噪

目的 现有的深度图像去噪算法在去除加性高斯噪声上效果显著,但在去除任意分布的真实图像噪声时表现不佳;去噪模型的深度在不断增加,但去噪效果上却并未能显著提高。对此,设计了一种简单有效的两阶段深度图像去噪算法。方法 首先基于注意力机制估计真实图像上的噪声分布水平,然后使用一个混合膨胀卷积和普通卷积的多尺度去噪模块进行非盲降噪。结果 在DND（darmstadt noise dataset）、SIDD（smartphone image denoising dataset）、Nam和PolyU（the Hong Kong Polytechnic University）等4个图像去噪领域常用数据集上进行去噪实验,选择峰值信噪比（peak signal-to-noise ratio,PSNR）和结构相似性（structual similarity,SSIM）作为去噪效果的评价指标,得到的平均PSNR值分别为39.23 dB,38.54 dB,40.45 dB,37.34 dB,并与几种传统去噪方法和基于深度学习的去噪方法进行比较。实验结果表明,本文的去噪算法在去噪效果和视觉质量上有明显提升。同时,在SIDD数据集上进行消融实验以验证算法中模块的有效性。结论 本文算法使用的跳跃连接、噪声水平估计以及多尺度模块均可以有效提升真实图像去噪效果。与现有方法相比,本文算法不仅能有效去除真实图像噪声,而且能通过简单的模块参数设置控制去噪网络的计算效率。     

改进权值非局部均值超声图像去噪

目的 超声图像斑点噪声会影响诊断的准确性和可靠性。通过分析超声图像斑点噪声统计模型,结合非局部均值滤波算法,提出一种基于超声斑点噪声模型的改进权值非局部均值（NLM）滤波算法。方法 算法针对超声图像灰度信息对图像进行预处理,利用超声图像斑点噪声模型改进传统NLM算法的权值计算函数,基于图像特征确定最优采样间隔进行下采样,利用改进后的权值计算函数对图像进行NLM去噪处理。结果 分别采用人工合成与真实超声图像对本文算法性能进行测试,并与传统非局部均值滤波算法、非局部总变分（NLTV）等算法进行去噪效果比较,同时采用均方误差、峰值信噪比和平均结构相似性作为滤波算法性能的客观评价指标。本文算法能快速完成超声图像的去噪处理,峰值信噪比较其他算法可以提高0.2 dB以上,可以降低均方误差,提高平均结构相似性,缩短处理时间,并得到较好的图像质量和视觉效果。结论 根据超声图像斑点噪声模型对NLM算法的权值计算函数进行优化,使得NLM图像滤波算法能更好地适用于超声图像的去噪,基于超声斑点噪声模型的改进权值NLM算法相较于其他算法,滤波效果更佳,适合超声图像去噪。     

结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优。实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比,基于像素点间误差评价指标,其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB;所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比,结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。     

Root Mean Square filter for noisy images based on hyper graph model

In this paper, we propose a noise removal algorithm for digital images. This algorithm is based on hypergraph model of image, which enables us to distinguish noisy pixels in the image from the noise-free ones. Hence, our algorithm obviates the need for denoising all the pixels, thereby preserving as much image details as possible. The identified noisy pixels are denoised through Root Mean Square (RMS) approximation. The performance of our algorithm, based on peak-signal-to-noise-ratio (PSNR) and mean-absolute-error (MAE), was studied on various benchmark images, and found to be superior to that of other traditional filters and other hypergraph based denoising algorithms.     

迭代自适应权重均值滤波的图像去噪

针对现有滤波方法滤除图像椒盐噪声的性能不理想和耗时长等缺陷,提出了一种迭代自适应权重均值滤波的图像去噪方法（IAWF）。首先,利用图像邻域像素与处理点的相似性采用新型方法构建邻域权重;然后,将此邻域权重与开关裁剪均值滤波结合形成新型权重均值滤波方法,充分利用像素间的相关性和开关裁剪滤波的优势,有效提高了算法的去噪效果,同时采用自适应的方式调整滤波窗口大小,以便尽可能地保护图像细节;最后,采用迭代式滤波方法,即如果上述操作还没有处理完噪声点,则迭代去噪直至噪声点处理完毕,实现自动处理。仿真实验结果表明,在各种不同噪声密度下,IAWF在峰值信噪比（PSNR）、失真度,以及视觉效果等方面均优于现有的几种优秀的滤波算法,且具有更快的运行速度,更适用于实际应用场合。     

基于二级修复的多方向加权均值滤波算法

针对目前算法不能有效去除高概率的椒盐噪声并保护图像边缘和细节特征的缺点,提出了一种基于二级修复的多方向加权均值滤波算法。在噪声检测阶段,首先利用一个方差参数判断当前像素点与其邻域像素点之间的灰度差异程度,再通过将方差参数和灰度极值相结合的方法检测出图像中的椒盐噪声点。在噪声修复阶段,提出一种二级修复方法来修复噪声点的灰度值。首先利用改进的自适应中值滤波器对椒盐噪声点进行第一级噪声修复;然后利用方差参数将第一级修复后的噪声点划分为两类,并采用不同的修复方法对这两类像素点进行第二级噪声修复,一类像素点采用均值滤波器进行再修复,另外一类像素点采用多方向加权均值滤波器进行再修复。数值实验结果表明,所提算法的滤波性能和边缘保护能力均优于当下很多先进的滤波器。     

分块策略实现图像椒盐噪声密度估计

目的 椒盐噪声是造成图像污染的常见因素之一,椒盐噪声密度的估计对椒盐去噪过程中滤波窗口大小的选择具有指导作用。为此提出了一种基于分块策略的椒盐噪声密度估计算法。方法 首先对图像按行列等分后形成多个图像子块,统计每个子块中灰度为0或255的像素点个数并排序,然后根据排序后个数差分值函数特征对子块进行筛选,最后将所有候选子块噪声密度估计值的中值作为对整幅图像噪声密度的估计。结果 为验证算法的有效性,选取了两组不同类型的图像进行仿真,与现有椒盐噪声密度估计算法对比噪声密度估计结果。仿真实验结果表明,当图像自身包含较多灰度为0或255的像素点时,本文算法的噪声密度估计精度优于现有各种算法,标准差比现有算法小近一个数量级。当图像自身不包含灰度为0或255的像素点时,本文算法也能达到现有算法中最优的估计效果。结论 本文算法不仅能准确估计不同强度下的噪声密度,而且适用于自身包含灰度为0或255的像素点多的椒盐噪声图像。     

滤除椒盐噪声的开关核回归拟合算法

针对椒盐噪声的去噪和细节保护问题,提出一种基于核回归拟合的开关去噪算法。首先,通过高效脉冲检测器对图像中的椒盐噪声像素点进行精确检测;其次,将所检测到的噪声像素点当作缺失数据,应用核回归方法对以噪声像素点为中心的邻域内的非噪声像素点进行拟合,得到符合图像局部结构特征的核回归拟合曲面;最后,以噪声像素点的空间坐标对核回归拟合曲面进行重采样,获得噪声像素点恢复后的灰度值,从而实现椒盐噪声的滤除。与经典的中值滤波器（SMF）、自适应中值滤波器（AMF）、改进型的方向加权中值滤波器（MDWMF）、快速开关中均值滤波器（FSMMF）、图像修补（Ⅱ）等算法进行不同噪声密度的实验对比,所提算法的去噪结果图像的主观视觉质量均为最优;在低密度、中等密度以及高密度噪声场景下,所提算法对不同测试图像去噪结果的峰值信噪比（PSNR）分别平均提高了6.02dB、6.33dB和5.58dB,且平均绝对误差（MAE）分别平均降低了0.90、5.84和25.29。实验结果表明,所提算法不仅能够有效去除各种密度的椒盐噪声,同时具备良好的图像细节保护性能。