BM3D算法学习

BM3D算法学习来源:BM3D算法学习-知乎(zhihu.com)作者:爱酷的胡巴前些日子在学习图像降噪的算法,自然而然的发现了这篇里程碑式的作品,“BM3D”3D块匹配降噪算法,想来时间也久,赶紧再写下来,以免过后忘记。在学习的过程中,由于没学过数字图像处理,学起来还是挺墨迹的,前前后后得有四五天吧,才算整个大差不差,期间看了许多前辈的博客和代码,也总算有些许的进步和理解,特此感…

大家好,又见面了,我是你们的朋友全栈君。

来源:BM3D算法学习 – 知乎 (zhihu.com)

作者:爱酷的胡巴

前些日子在学习图像降噪的算法,自然而然的发现了这篇里程碑式的作品,“BM3D”3D块匹配降噪算法,想来时间也久,赶紧再写下来,以免过后忘记。
在学习的过程中,由于没学过数字图像处理,学起来还是挺墨迹的,前前后后得有四五天吧,才算整个大差不差,期间看了许多前辈的博客和代码,也总算有些许的进步和理解,特此感谢,并将算法原文、参考博客和文献附文末。

  • 从“头”开始

图像去噪是非常基础也是非常必要的研究,去噪常常在更高级的图像处理之前进行,是图像处理的基础。图像中噪声的来源有许多种,种类也各不相同,比如椒盐噪声、高斯噪声等。对于输入的带有噪声的图像v(x) ,其加性噪声可以用一个方程来表示:

cb82e076cb661f1fce3c95904e4899ec.png

如果能够精确地获得噪声,用输入图像减去噪声就可以恢复出原始图像。但实际中除非明确地知道噪声生成的方式,否则噪声很难单独求出来。由此,便诞生了一堆的图像降噪算法,从传统算法到现在的机器学习的算法,降噪算法得到了很大的发展。

  • 那么传统的想法是什么呢,我们主要分为以下两大类。

d5d7768e8bac9b17bb016d948e21394b.png

对于我们来讲,一个自然而然地想法就是,能不能把空间域和变换域的降噪方法结合起来,在对图像进行降噪处理,我们能想到,自然也有人想得到,NL-means应运而生。

ab9059e1262e0ca139c963aeb86dc4d1.png

非局部均值算法的主要想法在于它充分利用了自然图像的“空间相似性”,将图像分成一个个的小块,在以图像为单位对图像进行降噪,简单来讲,假设我们取11*11的窗口作为处理的小图像块,我们在图像上选取几个类似的图像斑块,例如上述的q1、q2和q3,但是q1和q2明显比q3近一点,根据空间相似性我们很容易知道q1q2应该和p更为相似,故我们在对P图像斑块进行处理的时候,我们可以对q1q2q3分别赋予不同的权重,再把他们“摞起来”,求个加权平均。形象来讲,假设存在一个每一层结构都完全相同的大楼,那么在进行加权平均的时候,我们这样想,我们把P想象为其中的一层,我们最终是要P图像斑块里面每一个像素的值,p若是一层楼,那么里面的每一个像素就是这层楼中的每一个房间,P为3楼,q1q2为1层和4层,q3为5层,那么p像素的值的大小就应该为q1q2q3每个与p对应房间(像素)值的加权平均,这样就对P图像斑块完成了降噪的过程,类似一个基于大斑块的高斯滤波算法。此外,从这个举例中我们也大概摸索出了BM3D里面3D的来历…….

  • 至此,非局部均值算法以经表现不错了,但是它体现在简单的加权平均,并且仍然在空间域处理图像,科技并非停滞不前,BM3D来了……

BM3D(Block-matching and 3D filtering,3维块匹配滤波)是当前效果最好的算法之一。该算法通过相似判定找到与参考块相近的二维图像块,并将相似块按照组合成三维群组,对三维群组进行协同滤波处理,再将处理结果聚合到原图像块的位置。该算法的思想跟NL-Means有点类似,也是在图像中寻找相似块的方法进行滤波,但是相对于NL-Means要复杂许多。总体可以分为两步:

6459739fe82ad8ce96dfad12642c162a.png

在这两大步中,分别又有三小步:

相似块分组(Grouping)→协同滤波(Collaborative Filtering) →聚合(Aggregation)

abbbd4b814ae4dcfb17f60c9f66ac1bc.png

我们细看每一个小步骤,编组的过程类似于NL-means:

ab4030171a81c5319444c0182ea42589.png

接下来,第二小步,像上面讲述的房子一样,我们把分好的图像斑块“摞起来”,形成一个3D的“块”(Block),在每一层中进行二维变换,变换到频率域,此外,在第三个维度,也就是每一层的对应的房间(像素)上进行一维变换,变换之后,按照非局部均值的思想,对斑块在频率域进行降噪处理,(其实是对像素值的加权平均),再对经过变换之后图像斑块,进行“硬阈值”处理,处理剔除不合格像素值,在经过反三维变换变换为空间域,再对图像进行块匹配,聚合至原来每个块的位置,这样整个图像就从一维变三维再变回一维了。至此,第一步完成。

Aggregation:此时,每个二维块都是对去噪图像的估计。这一步分别将这些块融合到原来的位置,每个像素的灰度值通过每个对应位置的块的值加权平均。

5945981ac1a3475c2f3de64e9ab69edf.png

第二步与第一步类似

Step2:最终估计

(1)Grouping:第二步中的聚合过程与第一步类似,不同的是,这次将会得到两个三维数组:噪声图形成的三维矩阵和基础估计结果的三维矩阵。

(2)Collaborative Filtering:两个三维矩阵都进行二维和一维变换。用维纳滤波将噪声图形成的三维矩阵进行系数放缩,该系数通过基础估计的三维矩阵的值以及噪声强度得出。

Aggregation:与Step1中一样,只是此时加权的权重取决于维纳滤波的系数和噪声强度。

82e41717d5eaaca581f8fcfe05166e8b.png

至此,算法完成,效果还是很好的,我们来看一些示例:

d2014eeefd003cc00152b4389039d0a5.png


参考文献:

详尽过程

图解噪声与去噪 之二:从『均值滤波』到『BM3D』

阿达玛变换详尽

转:X264中SATD实现分析 – Mr.Rico – 博客园

克内罗内积

克罗内克积_百度百科

小波变换

小波变换(wavelet transform)的通俗解释(一)

blog.csdn.net/zizi7/art

频域空域细致讲解

blog.csdn.net/zdh198210

版权归原作者所有,如有侵权,请联系删除。

‧  END  

FPGA_IC设计课程推广

对数字IC/FPGA设计更加感兴趣的同学,可以关注由15年前端经验的工程师SKY带来的数字IC设计入门课程。已有数家IC公司用该课程做新人培训。

详情请点击下面的链接了解:数字IC/FPGA设计_从入门到精通

或点击阅读原文链接直通设计课程。

更多精彩推荐,请关注我们

d12c220eb470db069c7c14c18615082a.png

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/143007.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • springboot和springmvc的区别

    springboot和springmvc的区别面试题:你知道springboot和springmvc的区别是什么?之前自己搭过springboot的相关项目,但是如何进行比较,从自我感觉来看就是使用springboot用起来几乎没有配置,个人搭的项目没有用到配置相关的内容。于是我就用了这个回答给面试官,可想而知,这种回答并不好。于是现在百度了相关文章,就把理解写成博客当做笔记。springmvc从两个方面…

  • linux rsyslog配置_syslog配置

    linux rsyslog配置_syslog配置在centos7中,默认的日志系统是rsyslog,它是一个类unix计算机系统上使用的开源工具,用于在ip网络中转发日志信息。rsyslog采用模块化设计,是syslog的替代品。rsyslog具有如下特点:实现了基本的syslog协议。直接兼容syslogd的syslog.conf配置文件在同一台机器上支持多个rsyslogd进程丰富的过滤功能,可将消息过滤后再转发灵活的配置选项,配置文件中可…

  • apt查找软件包_apt download

    apt查找软件包_apt downloadaptitudeshowvsftpd查询vsftpd软件包的所有信息aptitudesearchpkg-pattern模糊检索所需要的软件包aptitudesearch~T查询所有的软件包aptitudesearch~U列出软件仓库中可供更新的软件包aptitudesearch~i列出系统中已经安装的软件包…

    2022年10月26日
  • Excel 读取并解密

    Excel 读取并解密packagecom;/****/importjava.io.File;importjava.io.FileInputStream;importjava.io.FileNotFoundException;importjava.io.FileOutputStream;importjava.io.IOException;importjav…

  • tomcat java_maven和java有什么区别

    tomcat java_maven和java有什么区别缓存什么是缓存[Cache]存在内存中的临时数据将用户经常查询的数据放在缓存(内存)中,用户去查询数据的时候就不用从磁盘上(关系型数据库数据文件)查询,从缓存中查询,从而提高查询效率,解决了高并发系统的性能问题。为什么使用缓存减少和数据库的数据交换次数,较少系统开销,提高系统效率什么样的数据库能使用缓存经常查询并且不经常改变的数据Mybatis缓存MyBatis 内置了一个强大的事务性查询缓存机制,它可以非常方便地配置和定制。默认情况下,只启用了本地的会话缓存,它仅

  • pytest运行_怎么清理ios文件app的缓存

    pytest运行_怎么清理ios文件app的缓存前言pytest运行完用例之后会生成一个.pytest_cache的缓存文件夹,用于记录用例的ids和上一次失败的用例。方便我们在运行用例的时候加上–lf和–ff参数,快速运行上一

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号