人工智能应用实例：图片降噪

人工智能应用实例：图片降噪

 

 

 场景设置

   对白色背景、黑色前景的黑白图片进行降噪处理，可以假定背景部分多于前景。

 
   
 图1 从左往右：原图、噪声图、降噪图 

 

 

降噪模型

    我们可以对图片建立这样一个两层的二维模型，底层表示原图，顶层表示任意的噪声图，xi为原图第i个像素，yi为噪声图第i个像素，xi、yi的取值只有1和-1，1表示白色，-1表示黑色。

图2 图片模型

 

    显然，我们对噪声图任取的一个像素yi可以有以下3个推测：

 

        1、这个像素更加可能是白色，因为白色背景多于黑色前景。

        2、这个像素应该和它周围的几个像素颜色一致。

        3、如果不能确定这个像素在原图到底是白色还是黑色，那么更有可能原图就是现在噪声图的这个颜色，因为毕竟噪声像素是少量的，大部分像素维持了原图的颜色。

 

    基于此，可以对噪声图定义一个能量公式：
    注意：这里的xi、yi颠倒过来了，xi为噪声图，yi为原图。

 

    公式中三个参数都是正实数，第一项表示对噪声图每个像素的值求和，第二项表示对噪声图每个像素与之周围像素差异的求和，第三项表示噪声图像素与原图像素的差异求和。显然基于我们以上的3点推测，越接近原图，噪声图的能量值应该越低。

 

 

降噪过程

    有了这样一个图片模型和噪声图能量公式，我们就可以对图片降噪了。图片降噪基于一个很简单的想法，我们对整个噪声图的每个像素扫描一次(也可以扫描多遍)，看看每次改变该像素点的颜色能否使整个噪声图的能量值降低，如果能量值降低了，我们就接受这一次改动，否则，该像素颜色保持不变。

 

    不过，这里还存在一个问题，我们不可能取得能量公式中原图每个像素yi的值！其实这也无妨，可以简单地用每次降噪处理(一次只处理一个像素)得到的新的降噪图去逼近原图，而一开始采用的就是噪声图。因此，每次降噪处理都要计算两个能量值，一个是当前已经得到的降噪图(被用来逼近原图，即xi、yi都是自身)的能量值，另一个是改变一个像素颜色得到的图片(xi为自身，yi为前面得到的降噪图)的能量值。

 

 

Java代码实现

    由于某些限制，代码实现中图片读写使用了十分复杂的手段，实际上可以通过Java的imageio包进行简化。