DOI: 10.17586/1023-5086-2020-87-05-63-76

Алгоритм снижения шумов изображения на основе сглаживания, использующего ориентированные модели

Zhao Xiaoming, Bai Yashuo, Liu Xin, Gao Miao, Cheng Kun, Ma Shengcun, Dong Lei

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Zhao Xiaoming, Bai Yashuo, Liu Xin, Gao Miao, Cheng Kun, Ma Shengcun , Dong Lei. Алгоритм снижения шумов изображения на основе сглаживания, использующего ориентированные модели // Оптический журнал. 2020. Т. 87. № 5. С. 63–76. http://doi.org/10.17586/1023-5086-2020-87-05-63-76

Zhao Xiaoming, Bai Yashuo, Liu Xin, Gao Miao, Cheng Kun, Ma Shengcun , Dong Lei. Directional smoothing model-based image denoising algorithm [in Russian] // Opticheskii Zhurnal. 2020. V. 87. № 5. P. 63–76. http://doi.org/10.17586/1023-5086-2020-87-05-63-76

Ссылка на англоязычную версию:

X. Zhao, Y. Bai, X. Liu, M. Gao, K. Cheng, S. Ma, and L. Dong, "Directional-smoothing-model-based image denoising algorithm," Journal of Optical Technology . 87(5), 299-309 (2020). https://doi.org/10.1364/JOT.87.000299

Аннотация:

Целью работы является сохранение резкости границ в процессе обработки изображений, снижающем уровень шумов, для улучшения комфортности восприятия картины без уменьшения заметности границ и деталей. В предлагаемом алгоритме при выделении границ направление их ориентации оценивается с использованием ориентированных образцов-моделей. Результаты свертки используются для управления значениями коэффициентов в соответствующих шумоподавляющих фильтрах. Использование такой двухступенчатой процедуры обеспечивает сохранение резкости границ. Однородные области, выделенные на основе локальных значений стандартных отклонений, обрабатываются далее для обеспечения наилучшего визуального восприятия на последовательных этапах предварительной и усредненной фильтрации. Эксперимент подтвердил получение хороших результатов при общем упрощении процедуры обработки изображений, что важно с точки зрения возможностей аппаратного воплощения.

Ключевые слова:

снижение шумов изображения, выделение границ, сохранение резкости, гауссова фильтрация

Коды OCIS: 100.2000

Список источников:

1. Lindenbaum M., Fischer M., Bruckstein A. On Gabor's contribution to image enhancement // Pattern Recognition. 1994. V. 27. № 1. P. 1–8.

2. Tomasi C., Manduchi R. Bilateral filtering for gray and color images // IEEE Sixth Internat. Conf. Computer Vision. 1998. № 98CH. P. 839–846.

3. Durand F., Dorsey J. Fast bilateral filtering for the display of high-dynamic-range images // ACM TOG. 2002. V. 21. № 3. P. 257–266.

4. Bae S., Paris S., Durand F. Two-scale tone management for photographic look // ACM TOG. 2006. V. 25. № 3. P. 637–645.

5. Buades A., Coll B., Morel J.M. A non-local algorithm for image denoising // IEEE Computer Soc. Conf. Computer Vision. 2005. V. 2. № 7. P. 60–65.

6. Zhang F., Cai N., Wu J., et al. Image denoising method based on a deep convolution neural network // IET Image Proc. 2018. V. 12. № 4. P. 485–493.

7. Coifman R.R., Donoho D.L. Translation-invariant de-noising // Wavelets & Statistics. 1995. V. 103. № 2. P. 125–150.

8. Donoho D.L. De-noising by soft-thresholding // IEEE Trans. Information Theory. 2018. V. 41. № 3. P. 613–627.

9. Donoho D.L., Johnstone I.M. Adapting to unknown smoothness via wavelet shrinkage // J. American Statistical Association. 1995. V. 90. № 432. P. 1200–1224.

10. Chang S.G., Yu B., Vetterli M. Adaptive wavelet thresholding for image denoising and com-pression // IEEE Trans. Image Proc. 2000. V. 9. № 9. P. 1532–1546.

11. Chipman H.A., Kolaczyk E.D., McCulloch R.E. Adaptive Bayesian wavelet shrinkage // J. American Statistical Association. 1997. V. 92. № 440. P. 1413–1421.

12. Moulin P., Liu J. Analysis of multiresolution image denoising schemes using generalized Gaussian and complexity priors // IEEE Trans. Information Theory. 1999. V. 45. № 3. P. 909–919.

13. Romberg J.K., Choi H., Baraniuk R.G. Bayesian tree-structured image modeling using wavelet-domain hidden Markov models // EEE Trans. Image Proc. 2001. V. 10. № 7. P. 1056–1068.

14. Dabov K., Katkovnik V., Foi A., et al. Image denoising by sparse 3D transformation-domain collaborative filtering // IEEE Internat. Conf. Image Proc. 2007. V. 16. № 7. P. 1–16.

15. Jain V., Seung H.S. Natural image denoising with convolutional networks // Internat. Conf. Neural Information Proc. Systems. 2008. P. 769–776.

16. Burger H.C., Schuler C.J., Harmeling S. Image denoising: Can plain neural networks compete with BM3D? // Computer Vision and Pattern Recognition. 2012. V. 157. № 10. P. 2392–2399.

17. Wang X., Wang L., Tao Q., et al. Deep convolutional architecture for natural image denoising // Internat. Conf. Wireless Communications & Signal Proc. 2015. V. 5. № 53. P. 1–4.

18. Koziarski M., Cyganek B. Deep neural image denoising // Internat. Conf. Computer Vision and Graphics. 2016. P. 163–173.

19. Lefkimmiatis S. Non-local color image denoising with convolutional neural networks // IEEE Conf. Computer Vision and Pattern Recognition. 2017. P. 5882–5891.

20. Zhang F., CaiN., Wu J., et al. Image denoising method based on a deep convolution neural network // IET Image Proc. 2018. V. 12. № 4. P. 485–493.

21. Wang Z., Bovik A.C., Sheikh H.R., and Simoncell E.P. Image quality assessment: From error visibility to structural similarity // IEEE Trans. 2004. V. 13. № 4. P. 600–612.

22. Xue W., Zhang L., Mou X., Bovik A. Gradient magnitude similarity deviation: A highly efficient perceptual image quality index // IEEE Trans. Image Proc. 2014. V. 23. № 2. P. 684–695.

23. Barrett H.H. Objective assessment of image quality: Effects of quantum noise and object variability // JOSA. 1990. V. 7. № 7. P. 1266–1278.