Jak usunąć szum Gaussa z obrazu bez niszczenia krawędzi?

Jaki jest najlepszy filtr do usuwania szumu gaussowskiego bez niszczenia krawędzi? Używam standardowych obrazów Leny z addytywnym szumem Gaussa i chcę zrezygnować przed zastosowaniem dyfuzji anizotropowej. Nie chcę filtrować mediany, ponieważ krawędzie stają się rozmyte. Próbowałem filtrowania adaptacyjnego, ale wyniki nie były zadowalające.

Może być konieczne rozważenie bardziej zaawansowanych technik. Oto dwa ostatnie artykuły na temat denoisingu zachowującego krawędź:

• Odmrażanie obrazu z zachowaniem krawędzi za pomocą optymalnej projekcji przestrzeni kolorów [w kolorze] Papier ten zachowuje krawędzie, rozkładając obraz na „optymalną” przestrzeń kolorów i wykonując kurczenie się falek. Optymalna przestrzeń kolorów należy do rodziny luminancji / różnic kolorów (pomyśl L * a * b * lub YCrCb).

• Struktura krawędzi zachowująca odwracanie obrazu Z papieru:

Nasza metoda opiera się na [analizie regresji skoku] i składa się z trzech głównych kroków opisanych poniżej. Po pierwsze, piksele krawędziowe są wykrywane w całej przestrzeni projektowej przez detektor krawędzi. Po drugie, w sąsiedztwie danego piksela, krzywa kawałkowo-liniowa jest szacowana na podstawie wykrytych pikseli krawędzi za pomocą prostego, ale wydajnego algorytmu, w celu przybliżenia leżącego poniżej segmentu krawędzi w tym sąsiedztwie. Na koniec, obserwowane intensywności obrazu po tej samej stronie oszacowanego segmentu krawędzi, co dany piksel, są uśredniane przez procedurę lokalnego liniowego wygładzania jądra (por. [35]), w celu oszacowania rzeczywistej intensywności obrazu dla danego piksela.

( Modele regresji skokowej uwzględniają nieciągłości za pomocą funkcji krokowych. Główny autor ma książkę na ten temat .)

Jako punkt wyjściowy użyłbym techniki nieliniowego skurczu z pewnego rodzaju transformacją falkową (chociaż nie są one specyficzne dla transformacji falkowej). Reguły skurczu są koncepcyjnie proste, szybkie i łatwe do wdrożenia, przynosząc jednocześnie doskonałe wyniki.

Założeniem jest, że pożądany sygnał może być reprezentowany w pewnej dziedzinie, tak że większość energii jest skoncentrowana w niewielkiej liczbie współczynników. I odwrotnie, hałas jest nadal rozłożony na wszystkie współczynniki (co prawdopodobnie jest dla AWGN). Następnie można „zmniejszyć” współczynniki - zmniejszając ich wartości zgodnie z pewną nieliniową regułą - tak, że wpływ na sygnał jest niewielki w porównaniu do wpływu na szum.

Transformaty falkowe są dobrą transformacją do użycia, ponieważ są dobre w kompresji energii do małej liczby współczynników. Osobiście polecam podwójną transformację falkową złożoną z dwóch drzew (DTCWT) ze względu na jej dodatkowe miłe właściwości.

2 bardzo dobre artykuły na ten temat to i to (oba autorstwa tych samych autorów). Artykuły są prawdziwą gratką pod względem czytelności i jasności wyjaśnień. (są też ładne zdjęcia Lenny, która jest denominowana :)

Z pewnością są nowsze artykuły, ale zazwyczaj nie dodają one znacznej poprawy ilościowej w stosunku do bardzo prostych technik opisanych w tych artykułach.

Podczas gdy każde wyzwanie przetwarzania sygnału nie ma jednego, który pasuje do wszystkich rozwiązań, tutaj jest pomysł:

1. ponieważ próbujesz zachować krawędzie, dowiedz się, gdzie są na obrazie. Użyj sprytnego detektora krawędzi, aby znaleźć krawędzie na swoim obrazie.
2. Rozszerz / Dopasuj granice krawędzi wyprowadzanych z obrazu (może 2-5 szerokości na każdą krawędź) pozwala nazwać to „maską”
3. odwróć maskę.
4. Zastosuj maskę do obrazu, tzn. Przepuszczaj tylko elementy, które NIE są krawędziami.
5. zastosować technikę gaussing
6. użyj oryginalnej maski krawędzi, aby uzyskać wartości pikseli obrazu tam, gdzie SĄ krawędzie
7. Umieść je z powrotem w zdezorientowanym obrazie

alternatywnie możesz zastosować technikę usuwania gaussingu do obrazu jako całości, a następnie po prostu ponownie wprowadzić nierozgałęzione piksele z powrotem do obrazu.