图像处理算法_ISP图像处理算法Denoise(二)

本文系微信公众号(ISP Algorithm)原创文章，转载请注明出处。

一，简述

     本文主要介绍亮度噪声的滤波方法，亮度噪声主要是在YUV空间中的Y分量上。

      降噪的本质就是一个加权平均操作。每一个像素点的值，都由其本身和其邻域内的其他像素点的值经过加权平均后得到的。

P(i,j)为当前像素点及其周围领域区域像素值，W(i,j)为区域内每个像素点的权重。

不同的算法其实只是计算W(i,j)方法不同而已。

实际中应用中经常用到的方法：Average，Gaussian, Bilateral，Non-Local Means。

1，       Average

滤波窗口内所有像素点权重相同，即W(i,j)=1

2，       Gaussian

考虑距离因素：滤波窗口内，距离中心待处理像素点越远，距离越小.

以邻域7x7为例

3，       Bilateral

1，考虑距离因素

2，像素点本身值的关系：与中心像素点差值越小，权重越大

以邻域7x7为例

4，       Non-LocalMeans

非局部均值，利用图像中的冗余信息来进行去噪，它利用了整幅图像的信息来进行降噪。原始做法：在整幅图像中搜索相似块，块的相似度越高，给予其越高的权重。

实际用法：在某一个局部区域内搜索相似块，然后根据不同的相似度，赋予不同的权重，加权平均得到最终的降噪结果。

我们以搜索区域13x13，匹配块3x3为例来进行详细介绍。

从图中可以看出这种情况下由于采用3x3的块进行匹配计算相似度，故实际参与滤波的像素点个数为11x11=121个。

怎么计算两个块之间的相似度，对最终滤波结果起着决定性的作用。

实际应用中，为了减少计算量，实际中会用SAD来衡量两个块的相似度

blockC为中心3x3的块，blockK为13x13中与blockC匹配的3x3的块

如图所示效果图，src为输入图像，SAD为用SAD计算相似度，new为另一种方法计算相似度(在此不做详细说明)，我们可以看到滤波效果new>SAD，不同的块匹配相似度计算方法，滤波效果截然不同.

总结：1，实际做成硬件算法，一般用NLM的改进形式

          2，NLM的核心在于块匹配准则，不同块匹配准则，结果可能差异很大。

          3，除了本文new的效果，还有一些其他的匹配准则，效果更好，本文就不一一列举了。

限于自己水平有限，不足之处请留言批评指正，谢谢。

如想了解pipeline中那个算法，也可留言说明，我会尽量把自己知道的提前更新出来，谢谢。