图像去噪.doc

图像去噪
Alexander Kharlamov
akharlamov@
Victor Podlozhnyuk
vpodlozhnyuk@
版本
日期
负责人
更新原因

2007/4/16
akharlamov
初始版

2007/5/16
vpodlozhnyuk
剪辑模块
摘要
图像处理算法应该是图像处理的老问题。许多处理方式,不管成果如何,其基本的思想都是——把减少图像的模糊点进行到底通过图像的模糊化去除噪声。模糊点可以局部地处理掉模糊,就像高斯平滑滤波或通过可变的微积分的各向异性过滤、通过可变的微积分、或者在范围波段频率域,如韦纳滤波。但是一个普遍的“最好的”方式还没有发现。
写作缘由
白噪声是图像处理最常见的问题之一。即使是高分辨率的照片,必然有它的一些噪音。对于高解析度照片一简单的盒子模糊可能就足够了,因为即使是像睫毛或布质地纹理的一些微小功能特征将受到也是由一大批的像素为代表的一批表示的。不幸的是,这是不带种情况不适合于视频。视频情况下中的实时降噪仍然是许多研究的主题。然而,目前的DirectX 10级的硬件使我们能够实现高品质的过滤器,在以可接受的帧速率运行。从GeForce 8系列显卡开始,我们也可以受益于使用CUDA - 一个通用的GPU编程系统。如共享内存和把线程控制灵活结合在一起同步点的等特征使我们能够大大加快算法。
工作方式
附近的任何近邻过滤器的主要思想是根据重量计算像素的颜色是如何的相似程度计算像素的权重。我们描述了两个这样的方法:K最近邻居近邻和非本地手段局部均值过滤器
K最新的近邻滤波方法
K的最新滤波方法的目的是减少白噪声和设计一个比高斯滤波更复杂的方法。设u(x)是原噪声图像,KNNh,钌(x)是由K近邻制作滤波器参数h,结果河设Ω(p)是某周围的像素大小的空间邻域页我们会认为这是一个像素大小nxn的,其中N = 2米+ 1块- 使P是Ω(P)的中心像素。然后通过
恢复图像正常系数。
图1 原图有噪声的图 KNN恢复后
非本地均值滤波器
非本地手段过滤器是一种更为复杂的过滤器的K近邻的变化。使用相同的符号为K近邻,让恢复图像,设B(Q)是某周围的邻居问:像素大小的空间我们会认为这是一个大小为K*K,像素块其中K = 2L+ 1 - 这样的Q是B(Q)的中心像素。然后
其中C(x)为系数正常化,并且
其中S(B)是B的面积。这样,ColorDistance(B(X),B(Y))
显示像素块u(x)和u(y)之间的绝对差的总和。
图2 原图噪声图 NLM还原的图
注:NLM也可修复一些原图中的瑕疵(图4)
图3 原图 NLM修复过的图
加快NLM
然而,KNN算法在实时运行(500〜8800 GTX的fps)的NLM是慢得多。主要原因是大量的纹理获取该:
对每一个N2区域内的像素的权重都需要这样计算(N=M+1,M=窗口半径)
为了计算每个额外的K2区域内的像素权重需要计算(K=2L+1,L=区域半径)完成纹理获取计算ColorDistance()函数。
基本上是一个为O(n2 * K2的)人数提取等做不仅降低这一数字将提高性能。建议的解决方案是假设在每块重量并没有改变。因此,我们中心像素的权重计算只用卷积这些权重系数。这样