💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
图像去噪是图像处理领域中的一个重要问题,其目标是通过对图像进行处理,减少或去除图像中的噪声,提高图像质量。混合自适应(EM 自适应)是一种常用的图像去噪方法之一。
混合自适应的基本思想是将图像中的噪声和信号分离开来,并分别对其进行处理。包括以下步骤:
1. 初始估计:首先需要对图像进行一个初始估计,可以使用一些简单的滤波方法,如中值滤波器等。
2. 估计噪声模型:通过对图像进行统计分析,估计出图像中的噪声模型,如高斯噪声、椒盐噪声等。
3. 分离噪声和信号:利用估计的噪声模型,将图像中的噪声和信号分离开来,可以采用波尔兹曼机、高斯混合模型等方法。
4. 自适应滤波:对分离得到的噪声和信号分别进行自适应滤波,针对不同的噪声模型可以采用不同的滤波器,常用的有均值滤波、维纳滤波、非局部均值滤波等。
5. 重组:将滤波后的噪声和信号重组得到最终的去噪图像。
混合自适应方法能够根据图像中的噪声模型进行自适应处理,对不同类型的噪声都有较好的去除效果。然而,该方法在计算复杂度和处理时间上可能较高,并且需要提前对图像的噪声模型进行估计,对于未知噪声模型的图像去噪可能会存在一定的挑战。因此,在实际应用中需要根据具体情况选择合适的图像去噪方法。
📚2 运行结果
主函数代码:
clear;
close all;
addpath('code');
addpath('data/standard_images')
load GSModel_8x8_200_2M_noDC_zeromean.mat
GMM.ncomponents = GS.nmodels;
GMM.mus = GS.means;
GMM.covs = GS.covs;
GMM.weights = GS.mixweights;
clear GS;
x = im2double(imread('House256.png'));
sigmaNoise = 20/255;
y = x + sigmaNoise * randn(size(x)); % noisy test image
%%%% EPLL denoising %%%%
xEPLL = y;
for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]
[xEPLL, psnr_EPLL, ssim_EPLL] = MAP_GMM(x, y, xEPLL, sigmaNoise, sigma, GMM);
end
fprintf('PSNR(EPLL) is:%.2f\n', psnr_EPLL);
fprintf('SSIM(EPLL) is:%.4f\n', ssim_EPLL);
%%%% EM adaptation using EPLL denoised image and MAP denoising with adapted GMM %%%%
xHat = xEPLL;
epsilon = 0.01;
b = randn(size(y));
n = numel(y);
xEPLL1 = y + epsilon*b;
for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]
[xEPLL1, ~, ~] = MAP_GMM(x, y + epsilon*b, xEPLL1, sigmaNoise, sigma, GMM);
end
xHat1 = xEPLL1;
div = (b(:)'*(xHat1(:) - xHat(:))) / (n*epsilon);
beta_opt = (sqrt(mean((y(:) - xHat(:)).^2) - sigmaNoise^2 + 2*sigmaNoise^2*div)) / sigmaNoise;
aGMM = EM_adaptation(GMM, xEPLL, beta_opt * sigmaNoise, 1);
xAdapted_EPLL = y;
for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]
[xAdapted_EPLL, psnr_adapted, ssim_adapted] = MAP_GMM(x, y, xAdapted_EPLL, sigmaNoise, sigma, aGMM);
end
fprintf('PSNR(adapted by EPLL image) is:%.2f\n', psnr_adapted);
fprintf('SSIM(adapted by EPLL image) is:%.4f\n', ssim_adapted);
return
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1] E. Luo, S. H. Chan, and T. Q. Nguyen, "Adaptive Image Denoising by Mixture Adaptation," IEEE Trans. Image Process. 2016.
[2] S. H. Chan, E. Luo and T. Q. Nguyen, "Adaptive Patch-based Image Denoising by EM-adaptation," in Proc. IEEE Global Conf. Signal Information Process. (GlobalSIP'15), Dec. 2015.