So entfernen Sie Gaußsches Rauschen von einem Bild, ohne die Kanten zu zerstören

15

Was ist der beste Filter, um Gauß'sches Rauschen zu entfernen, ohne die Kanten zu zerstören? Ich verwende die Standard-Lena-Bilder mit additivem Gaußschen Rauschen und möchte sie vor dem Anwenden der anisotropen Diffusion entstören. Ich möchte keinen Medianfilter verwenden, da die Kanten unscharf werden. Ich habe adaptives Filtern versucht, aber die Ergebnisse waren nicht zufriedenstellend.

image-processing filters noise Aviral Kumar
quelle
4
Zeigen Sie etwas Mühe, was haben Sie versucht?
0x90
1
Eigentlich habe ich ein Standard-Lena-Bild, das durch Gauß-Rauschen verfälscht ist. Ich möchte Störgeräusche entfernen, bevor ich anisotrope Diffusion anwende. Ich möchte keine Medianfilterung verwenden, da die Kanten unscharf sind. Geben Sie etwas Input.
Aviral Kumar
2
stackoverflow.com/questions/8619153/… kann Ihnen helfen
0x90
1
Keine wirkliche Antwort, aber ich fand diesen Link mit einer Vielzahl von Artikeln zu diesem Thema - dem Versuch, Rauschen zu entfernen, ohne Randinformationen zu entfernen.
Spacey
1
Können Sie bitte einige Bilder und Ausgaben veröffentlichen, damit wir besser verstehen, wie ein (nicht) zufriedenstellendes Ergebnis aussehen würde? Warum sollten Sie keine anisotrope Diffusion durchführen, um beispielsweise das Bild zu entstören?
Jonas

Antworten:

10

Möglicherweise müssen Sie fortgeschrittenere Techniken in Betracht ziehen. Hier sind zwei kürzlich erschienene Artikel über kantenschonendes Entrauschen:

Unsere Methode basiert auf der [Sprungregressionsanalyse] und besteht aus drei Hauptschritten, die im Folgenden beschrieben werden. Zunächst werden Kantenpixel im gesamten Designraum von einem Kantendetektor erfasst. Zweitens wird in einer Nachbarschaft eines gegebenen Pixels eine stückweise lineare Kurve aus den detektierten Kantenpixeln durch einen einfachen, aber effizienten Algorithmus geschätzt, um das zugrunde liegende Kantensegment in dieser Nachbarschaft zu approximieren. Schließlich werden die beobachteten Bildintensitäten auf derselben Seite des geschätzten Kantensegments wie das gegebene Pixel durch das lokale lineare Kernel-Glättungsverfahren (vgl. [35]) gemittelt, um die wahre Bildintensität bei dem gegebenen Pixel zu schätzen.

( Sprungregressionsmodelle enthalten Diskontinuitäten unter Verwendung von Schrittfunktionen. Der Hauptautor hat ein Buch zu diesem Thema .)

Emre
quelle
2

Als Ausgangspunkt würde ich eine nichtlineare Schrumpftechnik mit einer Art Wavelet-Transformation verwenden (obwohl sie nicht spezifisch für Wavelet-Transformationen sind). Die Regeln für das Schrumpfen sind konzeptionell einfach, schnell und einfach zu implementieren und liefern hervorragende Ergebnisse.

Die Voraussetzung ist, dass Ihr gewünschtes Signal in einem bestimmten Bereich dargestellt werden kann, sodass der größte Teil der Energie auf eine kleine Anzahl von Koeffizienten konzentriert wird. Umgekehrt ist das Rauschen immer noch auf alle Koeffizienten verteilt (was für AWGN wahrscheinlich ist). Sie können dann die Koeffizienten "verkleinern" - indem Sie ihre Werte gemäß einer nichtlinearen Regel reduzieren -, sodass die Auswirkung auf das Signal im Vergleich zur Auswirkung auf das Rauschen gering ist.

Wavelet-Transformationen sind eine gute Transformation, da sie die Energie gut in eine kleine Anzahl von Koeffizienten komprimieren. Ich persönlich empfehle die Dual-Tree-Komplex-Wavelet-Transformation (DTCWT) wegen ihrer zusätzlichen schönen Eigenschaften.

2 sehr gute Beiträge zum Thema sind dies und das (beide von den gleichen Autoren). Die Beiträge sind in Bezug auf ihre Lesbarkeit und Klarheit der Erklärung ein wahrer Genuss. (Es gibt auch schöne Bilder von Lenna, wie sie denoisiert wird :)

Es gibt sicherlich neuere Veröffentlichungen, die jedoch in der Regel nicht wesentlich zur quantitativen Verbesserung der in diesen Veröffentlichungen beschriebenen sehr einfachen Techniken beitragen.

Henry Gomersall
quelle
Diese Papiere befassen sich nicht speziell mit dem Erhalt von Kanten. Es geht um generisches Entrauschen von Bildern.
Emre
Wavelets sind von Natur aus gut in der Erhaltung von Kanten. Die Natur natürlicher Bilder besteht darin, dass sich der größte Teil der hervorstechenden Informationen in den Rändern befindet, so dass die Diskussion von Rändern als Sonderfall eher überflüssig ist. Natürliche Bilder werden durch die Kanten definiert .
Henry Gomersall
Es ist fraglich, ob herkömmliche Wavelets besonders gut Kanten konservieren. Dieses Problem ist eine der Beweggründe für die Vielzahl von Erweiterungen, einschließlich Rillen, Beamlets, Curvelets und Contourlets.
Emre
In der Tat haben Wavelets ihre Probleme, weshalb ich vorgeschlagen habe, etwas anderes als Vanille-Wavelets zu verwenden. Es ist nicht ohne Grund anzunehmen, dass ich eine Voreingenommenheit gegenüber der DTCWT habe. Beide Papiere zeigen eine beeindruckende Kantenerhaltung. Dies gilt auch für dieses Dokument (siehe Abbildungen 8 und 9 - Vergleich mit den verrauschten Bildern).
Henry Gomersall
1

Obwohl es für jede Signalverarbeitungsherausforderung keine passende Lösung gibt, ist hier eine Idee:

  1. da Sie versuchen, die Ränder zu erhalten, finden Sie heraus, wo sie im Bild sind. Verwenden Sie einen scharfen Kantendetektor, um Kanten in Ihrem Bild zu finden.
  2. Wenn Sie die Ränder der vom Bild ausgegebenen Ränder vergrößern / verkleinern (möglicherweise 2 bis 5 Pixel breit für jeden Rand), können Sie dies als "Maske" bezeichnen.
  3. die Maske umkehren.
  4. Wenden Sie die Maske auf Ihr Bild an, dh lassen Sie nur Objekte durch, die KEINE Kanten aufweisen.
  5. Entmagnetisierungstechnik anwenden
  6. Verwenden Sie die ursprüngliche Kantenmaske, um die Bildpixelwerte an den Stellen abzurufen, an denen Kanten vorhanden sind
  7. Setzen Sie sie wieder in das entmagnetisierte Bild ein

Alternativ können Sie Ihre Entmagnetisierungstechnik auf das gesamte Bild anwenden und dann die nicht entmagnetisierten Pixel wieder in das Bild einfügen.

CyberMen
quelle