Kenarları Yok Etmeden Görüntüden Gauss Gürültüsü Nasıl Kaldırılır?

Kenarları yok etmeden Gauss gürültüsünü kaldırmak için en iyi filtre nedir? Ek Gauss gürültüsü olan standart Lena görüntülerini kullanıyorum ve anizotropik difüzyon uygulamadan önce kınamak istiyorum. Filtre uygulamak istemiyorum çünkü kenarlar bulanıklaşıyor. Uyarlamalı filtrelemeyi denedim ama sonuçlar tatmin edici değildi.

image-processing filters noise

— Aviral Kumar
kaynak

Biraz çaba göster, ne denedin?

— 0x90

Aslında gauss gürültüsü bozuk standart bir lena görüntü var. Anizotropik difüzyon uygulamadan önce dis gürültüsünü gidermek istiyorum. Kenarlar bulanık olduğundan medyan filtrelemeye gitmek istemiyorum. Biraz girdi verin.

— Aviral Kumar

stackoverflow.com/questions/8619153/… size yardımcı olabilir

— 0x90

Gerçekten bir cevap değil, ama bu konuyla ilgili çeşitli makaleler içeren bu bağlantıyı buldum - kenar bilgisinden kurtulmadan gürültüyü gidermeye çalışıyorum.

— Spacey

Bazı görüntüler ve çıktılar gönderebilir misiniz, böylece (tatmin edici olmayan) bir sonucun nasıl görüneceğini daha iyi anlayabilelim mi? Örneğin görüntüyü kınamak için neden anizotrop difüzyon yapmıyorsunuz?

— Jonas

Yanıtlar:

Daha gelişmiş teknikleri düşünmeniz gerekebilir. İşte kenar koruyucu denoising ile ilgili son iki makale:

En İyi Renk Alanı Projeksiyonu ile Kenar Korunması Görüntü Seslendirme [renkli] Bu kağıt, görüntüyü "en uygun" renk boşluğuna ayırarak ve dalgacık büzülmesini gerçekleştirerek kenarları korur. En iyi renk alanı parlaklık / renk farkı ailesine aittir (L * a * b * veya YCrCb'yi düşünün).
Denoising Resmi korunması Kenar Yapısı Kağıttan:

Metodumuz [sıçrama regresyon analizine] dayanmaktadır ve aşağıda özetlenen üç ana adımdan oluşmaktadır. İlk olarak, kenar pikselleri tüm tasarım alanında bir kenar detektörü tarafından tespit edilir. İkincisi, belirli bir pikselin bir mahallesinde, o mahalledeki temel kenar segmentine yaklaşık olarak yaklaşmak için tespit edilen kenar piksellerinden basit ama etkili bir algoritma ile parçalı doğrusal bir eğri tahmin edilir. Son olarak, belirli pikseldeki tahmini kenar segmentinin aynı tarafında gözlenen görüntü yoğunluklarının, verilen pikseldeki gerçek görüntü yoğunluğunu tahmin etmek için yerel doğrusal çekirdek yumuşatma prosedürüyle (bkz., [35]) ortalaması alınır.

( Atlama regresyon modelleri adım fonksiyonlarını kullanarak süreksizlikleri içerir. Birincil yazarın bu konuda bir kitabı vardır .)

— Emre
kaynak

Bir başlangıç noktası olarak, bir çeşit dalgacık dönüşümü ile doğrusal olmayan bir büzülme tekniği kullanırım (dalgacık dönüşümlerine özgü olmasalar da). Büzülme kuralları, mükemmel sonuçlar verirken kavramsal olarak basit, hızlı ve uygulaması kolaydır.

Öncül, istediğiniz sinyalin bazı alanlarda, enerjinin çoğunun az sayıda katsayıya konsantre olacağı şekilde temsil edilebilmesidir. Tersine, gürültü hala tüm katsayılara yayılır (muhtemelen AWGN için). Daha sonra, katsayıları "küçültebilirsiniz" - değerlerini doğrusal olmayan bir kurala göre azaltarak - sinyal üzerindeki etki, gürültü üzerindeki etkiye kıyasla küçük olacak şekilde.

Dalgacık dönüşümleri kullanmak için iyi bir dönüşümdür, çünkü enerjiyi az sayıda katsayıya sıkıştırmakta iyidirler. Ben şahsen Ek güzel özellikleri için Çift ağaç karmaşık dalgacık dönüşümü (DTCWT) öneririm.

Konuyla ilgili 2 çok iyi makale bu ve bu (her ikisi de aynı yazarlardan). Makaleler, okunabilirlikleri ve açıklama netliği açısından gerçek bir muameledir. (ayrıca Lenna'nın kınandığı güzel resimler var :)

Kesinlikle daha yeni makaleler var, ancak bunlar genellikle bu kağıtlarda açıklanan çok basit teknikler üzerinde çok fazla niceliksel gelişme eklemiyor.

— Henry Gomersall
kaynak

Bu belgeler özellikle kenar korumayı ele almamaktadır; onlar jenerik imgelemeyle ilgilidir.

— Emre

İyi dalgacıklar doğal olarak kenarları korumakta iyidir. Doğal görüntülerin doğası, göze çarpan bilgilerin çoğunun kenarlarda olmasıdır, bu nedenle kenarları özel bir durum olarak tartışmak gereksizdir. Doğal görüntüler kenarlarla tanımlanır .

— Henry Gomersall

Geleneksel dalgacıkların özellikle kenarların korunmasında iyi olup olmadığı tartışmalıdır. Bu sorun, ridgeletler, kirişler, curvelets ve konturlar da dahil olmak üzere, uzantıların bolluğunun arkasındaki motivasyonlardan biridir.

— Emre

Gerçekten de, dalgacıkların sorunları var, bu yüzden vanilya dalgacıklarından başka bir şey kullanmayı önerdim. DTCWT'ye karşı bir önyargım olduğu öne sürülse de, bunun iyi bir nedeni yok. Her iki makale de etkileyici kenar koruması gösterir. Bu makalede olduğu gibi (gürültülü görüntülerle karşılaştırıldığında şekil 8 ve 9'a bakınız).

— Henry Gomersall

Her sinyal işleme zorluğu hiç kimseye uymuyor olsa da, burada bir çözüm var:

kenarları korumaya çalıştığınız için, görüntüde nerede olduklarını öğrenin. Görüntünüzdeki kenarları bulmak için büyük kenar detektörü kullanın.
Görüntüden çıkarılan kenarların sınırlarını genişlet / şişir (her kenar için belki 2-5 piksel genişliğinde) buna "maske" diyelim
maskeyi ters çevirin.
Maskeyi görüntünüze uygulayın, yani yalnızca kenarları OLMAYAN öğelere izin verin.
gausslama tekniğini uygular
kenarların olduğu yerlerde görüntü piksel değerlerini almak için orijinal kenar maskesini kullanın
Onları gaussed görüntüye geri yerleştirin

alternatif olarak, De-gaussing tekniğinizi görüntüye bir bütün olarak uygulayabilir ve daha sonra gaussuz pikselleri tekrar görüntüye yeniden ekleyebilirsiniz.

— Siberler
kaynak