二元回归解决图像恢复问题（图像去噪）

1 概述

       对于本次实验，进行了多次方法的更新迭代，最终使用多变量固定窗口二元高斯回归方法，自我测试效果达到：0.8噪音比下，原受损图像距离774.9727，处理后距离33.2362；0.6噪音比下，原受损图像距离671.1107，处理后距离20.1649；与一元线性回归相比提升三分之一以上。效果良好。

Figure 0

      

从过程来说，依次进行了如下尝试与测试：

              按行一元高斯线性回归

              整幅图片二元高斯线性回归

              增加Phi数量进行整幅图片二元高斯线性回归

              将图片均分为10 x10 按区域进行二元高斯线性回归

              将图片均分为100x 100 按区域进行二元高斯线性回归

              将图片均分为100x 100 按区域进行二元高斯线性回归 利用双边滤波器平滑处理

              将图片均分为100x 100 按区域进行二元高斯线性回归 增加sigma维度

              将图片分为固定大小5x5区域按区域进行二元高斯线性回归 增加sigma维度

              将图片分为固定大小5x5区域按区进行二元高斯线性回归 加sigma维度 并行化

       效果如Figure 0 所示。

接下来将依次介绍详细过程及测试效果。

2 算法依次介绍

2.1 按行一元高斯线性回归

       这是助教提供的算法。思路是对每一行，根据非噪音进行回归分析，算出权重，然后计算出信息丢失点。其中，根据该点通道值是否为零判断是否是信息丢失点。Phi函数为高斯函数，sigma为0.01，Phi函数数量为50.

       Figure 1为测试原图。640x640

       在0.6的噪音比下，受损图片与原图的距离为671.1107。在利用按行线性回归后，效果如Figure 3，距离为31.9975。

Figure 1 测试原图

 

Figure 2 0.6噪音比图

 

Figure 3

 

       在0.8的噪音比下，图片如Figure 4，距离达到774.9727。利用一元线性回归处理后，效果如Figure 5，距离达到54.2619.

Figure 4

 

Figure 5

2.2 整幅图片二元高斯线性回归

       直接对整幅图片，以行、列为二维变量，其他不变进行二元高斯线性回归。高斯函数参数与按行一元相似。在0.6噪音比下，效果如Figure 6，距离变化为671.1107 - 201.1378。在0.8噪音比下，效果如Figure 7，距离变化为774.9727 - 231.9823。

       效果非常差。我认为是在整幅图像下，像素点之间的相关性较弱，难以根据50个参数建立起回归函数。即使将参数扩展到1000时，效果也并未发生较大变化。0.6噪音比下，距离变化为671.1107 - 201.1402；0.8噪音比下，距离变化为774.9727 - 231.9911.

Figure 6

Figure 7

      

代码：

      

basisNum = 50; % define the number of basis functions. sigma = 0.01; % define the standard deviation. Phi_mu_x = linspace(1, cols, basisNum)/cols; % set the mean x value of each basis function Phi_mu_y = linspace(1, rows, basisNum)/rows; % set the mean y value of each basis function Phi_mu = [Phi_mu_x(:) Phi_mu_y(:)]; Phi_sigma = sigma * ones(2, basisNum); % here we set the standard deviation to the same value for brevity.   % use pixel index as the independent variable in the regression function x = 1:cols; x = (x - min(x)) / (max(x)-min(x)); y = 1:rows; y = (y - min(y)) / (max(y)-min(y)); [X, Y] = meshgrid(x, y); r = [X(:) Y(:)];   % select the missing pixels randomly resImg = corrImg;   % for each channel for k = 1:channels     % select the missing pixels     msk = noiseMask(:, :, k);     msk = msk(:,:);     misId = find(msk<1);