Як видалити шум Гаусса із зображення, не руйнуючи краї?

Який найкращий фільтр для видалення гауссового шуму без руйнування країв? Я використовую стандартні зображення Lena з аддитивним гауссовим шумом і хочу позначати перед застосуванням анізотропної дифузії. Я не хочу робити медіанний фільтр, оскільки краї стають розмитими. Я спробував адаптивну фільтрацію, але результати були незадовільними.

Можливо, вам доведеться розглянути більш досконалі методи. Ось два останні статті про збереження крайових позначень:

• Збереження країв зображення, що позначається за допомогою оптимальної кольорової просторової проекції [у кольорі] Цей документ зберігає краї, розкладаючи зображення на "оптимальний" кольоровий простір та виконуючи усадку вейвлетів. Оптимальний кольоровий простір належить до сімейства яскравості / різниці кольорів (подумайте L * a * b * або YCrCb).

• Структура краю Збереження зображення, що позначається на папері:

Наш метод заснований на [стрибковому регресійному аналізі] і складається з трьох основних етапів, викладених нижче. По-перше, крайові пікселі виявляються в усьому просторі дизайну крайовим детектором. По-друге, в сусідстві з даним пікселем кусково-лінійна крива оцінюється з виявлених крайових пікселів простим, але ефективним алгоритмом, щоб наблизити нижній сегмент ребра в цьому районі. Нарешті, спостережувана інтенсивність зображення на тій же стороні оцінюваного реберного сегмента, як і даний піксель, усереднюється за допомогою локальної процедури згладжування лінійного ядра (пор., [35]) для оцінки справжньої інтенсивності зображення для даного пікселя.

( Моделі стрибкової регресії включають розриви, використовуючи ступінчасті функції. Первинний автор має книгу на цю тему .)

В якості початкового пункту я використовував би нелінійну техніку усадки з певним перетворенням вейвлетів (хоча вони не характерні для вейвлет-перетворень). Правила усадки концептуально прості, швидкі та прості у виконанні, при цьому даючи чудові результати.

Припущення полягає в тому, що бажаний сигнал може бути представлений у певній області таким чином, що більша частина енергії сконцентрована в невеликій кількості коефіцієнтів. І навпаки, шум все ще поширюється на всі коефіцієнти (що це, ймовірно, для AWGN). Потім можна "зменшити" коефіцієнти - зменшуючи їх значення за деяким нелінійним правилом - таким, що вплив на сигнал невеликий порівняно з впливом на шум.

Хвильові перетворення є хорошим перетворенням, оскільки вони добре стискають енергію на невелику кількість коефіцієнтів. Я особисто рекомендую комплексне вейвлет-перетворення подвійного дерева (DTCWT) для його додаткових властивостей.

2 дуже хороших статті на цю тему - це це і це (обидва від тих самих авторів). Документи є справжнім лікуванням з точки зору їх читабельності та ясності пояснень. (також є приємні фотографії, коли Лена позначається :)

Звичайно, є більш новітні статті, але вони, як правило, не значно покращують кількісні показники в порівнянні з дуже простими методами, описаними в цих роботах.

Хоча кожен виклик з обробки сигналів, ніхто не підходить для вирішення, тут є ідея:

1. оскільки ви намагаєтесь зберегти краї, дізнайтеся, де вони є на зображенні. Використовуйте канцелярний детектор країв, щоб знайти краї у вашому зображенні.
2. Розширення / зміщення меж країв ребра, виведених із зображення (можливо, 2-5 пікселів у ширину для кожного краю), дозволяє називати це "маскою"
3. перевернути маску.
4. Нанесіть маску на зображення, тобто пустіть лише предмети, які НЕ є ребрами.
5. застосовувати техніку знежирення
6. використовуйте оригінальну маску краю, щоб отримати значення пікселів зображення там, де є ребра
7. Помістіть їх назад у знежирене зображення

Ви також можете застосувати свою техніку знеструмлення до зображення в цілому, а потім просто ввести повторно введені пікселі назад у зображення.