图像降噪综述( 三 ) _图像降噪

最早于1992年， Rudin, Osher和提出了经典的全变差图像去噪算法，原文： totalbased noise。
与以往的去噪/滤波算法不同， TV算法是一种图像复原算法，它是将干净的图像从噪声图像中复原出来，通过建立噪声模型，采用最优化算法求解模块，并通过不断迭代的过程，使得复原出的图像无限逼近理想去噪后的图像。与深度学习十分类似，噪声模型类比于损失函数，通过不断训练，使得两者的差距越来越接近，同样需要梯度下降法快速得到最优解。
4 噪声水平估计
噪声水平是去噪方法中重要的指标之一，而错误的噪声估计会很大程度上影响一个去噪方法的效果。目前大部分噪声估计方法均为对高斯白噪声进行噪声水平估计。这些噪声估计方法大致可分为三类：基于滤波器的方法、基于图像块分析的方法和基于统计先验的方法。
（1）基于滤波器的方法
基于滤波器的估计方法首先使用高通滤波器对噪声图像进行处理，然后根据处理后的图像和原图的差值进行噪声估计，其中一个经典的噪声估计方法为平均绝对偏差。基于滤波器的方法原理筒单，但同样缺点明显，特别是对于一些纹理丰富的图像，所产生的差值图片不全为噪声，极大影响了噪声的估计。
（2）基于图像块分析的方法
在基于图像块的噪声估计方法中，常规的做法为先将图像分割成一定数量的等大图像块，然后在这些分解后的图像块中按照某些规则去挑选，最后根据挑选中的图像块来估计噪声水平。由于图像块的强度变化主要是由噪声导致，因此常见的挑选图像块的方法为寻找像素值的标准差与最小标准差接近的图像块，或是寻找一些弱纹理的图像块。在中国学者Liu等人于2013年提出的一种结合主成分分析和图像块的噪声估计算法中，他们通过梯度和统计数据选择了没有高频分量的低秩图像块，随后使用主成分分析来估计噪声水平。基于图像块的方法对噪声的变化不太敏感，但是由于图像块的选择结果会随着输入图片和噪声水平波动，因此此类方法在低噪声水平情况下会估计偏高，而在高噪声水平情况下常常低估噪声水平。
（3）基于统计的噪声估计方法
基于统计的噪声估计方法利用的是自然图像的常规属性，比如自然场景下的图片是非高斯分布的，同时它们带通响应的边缘分布是高度峰态的外国学者等人于2004年提出了三种基于训练样本和自然图像统计的噪声估计方法。Zoran等人提出了一种对离散余弦变换变化后图氮进行统计分析的方法，指出了峰态值的变化由噪声引起。之后，中国学者Dong将尺度不变性特征和自然图像本身的分段平稳性结合在一起，于2017年提出了一种噪声估计方法。美国德克萨斯大学学者Gupta等人进一步探索尺度不变特性，并于2018年提出了基于自然场景统计的噪声估计方法。
与传统方法相比，神经网络具备更强大的数据拟合能力。哈尔滨工业大学学者Guo等人使用了一个由5层32通道的卷积层构成的神经网络去估计图像的噪声等级，促使去噪网络在真实噪声数据集上极大提升了去噪性能。受到上述方法启发，有作者精心设计了一种基于神经网络的多任务噪声估计模型，可同时估计出图像中噪声的类型及对应的噪声水平。