论文研究-基于自适应非局部均值滤波的图像去块算法 .pdf

所需积分/C币:10 2019-08-22 14:52:13 474KB .PDF

基于自适应非局部均值滤波的图像去块算法,王慈,刘书,JPEG和MPEG等压缩标准导致的块效应是图像降质的主要表现。以往研究提出了各种降低量化噪声的方法,但都基于噪声大小已知的假设。这�
国武技论文在线 做去块滤波。可以看岀,当吋,去块效果并不明显;然而当吋,图像模糊程度 大幅增加,从而丢失了很多细节信息,的帽子处尤其明显。即使被赋值为适中的常 数(如),我们仍然不能得到满意的去块的结果,如图()所示,很多平滑区域的 量化噪声没有完全滤掉,而细节部分又被模糊掉了 ena 日abaa Bab 1012014180160 图去块效果滤波参数佟片均为同样的压缩 为了不失一殷性,我们对 和 做了用同样的做了相同的实验。在滤波 时,我们给定不同的,并绘制出峰值信噪比()随变化的曲线,如图所示。从 图中可以看出,对这些图像,它们对应的最佳滤波器参数分别是 。这说明滤波参数选择不仅取决」量化参数,还与具 体的图像内容相关。 块效应衡量方法 随着量化尺度的增大,块效应也愈加明显。我们可以把当前块和其周围的个相临块对 比从而估计其量化噪声。文献中, 等假定 参数符合拉普拉斯概率分布,由 子带估计量化噪声。以外,我们可以通过计算当前块的 来从空间域判断量化嗓 声。在此,我们通过计算 和信息能量残差的方法来评佔压缩图像的量化噪声。 国武技论文在线 R ⅥSDS 计算示意图 最小均方差() 文献中, 等推导岀块效应的统计规律,并发现量化噪声主要集中分布在图像块 的边芥。文献中, 等证实了量化误差并非是空间无关的,分布在边界和角的噪 声远远大」块的中间区域噪声。因此木文利用块边界附近的像素泮估量化噪声大小。 定义为当前块与相邻块交界处的像素灰度值梯度,由于它很好的衡量了量化噪声 的影响,因此广泛应用于各种去块算法中。令表示当前块的位置坐标, 分别 表示当前块的上,下,左,石方向的相邻块,我们定义块的 如下 其中 定义如式,其它三个方向依次类推。 为块尺寸, 为坐标为的像素灰度值 为块内像素点相对 于的位置。 块内信息能量残差 虽然 对块效应是一个很好的评估,但将其用在参数选择上它尚且不足,原因是 的值与图像质量并非是成正比的。如果仅仅依据,势必会造成对图像的过度滤 波 统计意义上米说,平滑区域的块效应比细节多的区域的块效应要明显得多,因此我们引 入一个量米区分不同的图像内容,它可以表示成 △ 其中表示块的下标,表示高频滤波,‖表示二阶范数。在木文中,高频滤波 的做法是士掉当前块的直流分量。当图像块没有细节信息,即像素点灰度完全相同时,Δ ,随着图像内容细节部分的增多,Δ也不断变大。 国武技论文在线 因此,当前块的块效应可以写成 和Δ的函数。 自适应非局部均值滤波 块效应直接决定了滤波的程度,对于非局部坳值滤波器来说,即决定了的取值。 通过上一部分的讨论,我们得到对于某一个图像块来说,最佳可以写成 和△ 的函数,然而它们之间的关系为隐函数,不能解析求取。本文使用机器学习的方法来训练出 与 和 的关系 训练数据的选择 本文中,训练集由数据库中的标准测试图像组成,其覆盖了图像的各类特征,并且 只有代表性。对于任意一个图像块通常是来说,存在输入 、Δ和输出。 在训练数据中我们的由式得到 其中,表示当前块, 表示用参数为的非局部均偵滤波方法溏波后的块, 表示原图(没有块效应的图)中对应的块。这样通过遍历,可以得到滤波 后与原图最接近的值。 训练方法 在众多机器学习方法中,我们选择了效率较高的线性回归。回归模型为 其中为×的列向量,包含了 和Δ两个特征,为×的矩阵 代表数据量。因此相对应的β为×的行向量,其表达式如上式所示 B 因此在滤波过程中,我们算出 和Δ两个特祉以后,使可以由上式估算出 的值 仿真结果 在实验中,我们首宄依照标准将数据库中的原始图像压缩成不同质量评分() 的图,从遍历到作为训练集,其中每一个图像块作为训练数据。一般来说,当 时,肉眼已经看不出明显的块效应,而 在现实生活中几乎没有应用。因此在本文中, 我们遍历 的情况作为最终的训练集。 我们考虑两种情况。第种假定量化参数()已知,即解码的情况,我们将 Δ和三个值同时作为训练模型和测试数据的输入的输入。第种假定未知,即解 码后处理的情况。两组结果(衣)的对比证实了本文提出算法的有效性和鲁棒性。同吋我 们选取了两个最新的自适应算法的结果 和 作为实验对照组。 国武技论文在线 本文将作为主观评估标准。我们选取了尺寸为×的等图作为原始 图,其中,和 是整体较平坦的图, 和包含了足够 的纹理,而是各方面比较适中的一张图。我们分别用 的质量评分对上图原始图进行压缩,得到的图像序列作为测试数据,搜索窗选取为×的 正方形区域。 对比结果如表所示。文献中,等利用形状自适应的滤波器降低量化 噪声,并且通过参数归一化和量化限制使得去块稈度保持在一个合理的范围内。近期 等提出一种基于块的维纳滤波方法,该方法利用了图形子块的冗余信息实现降 噪。实验对照组选择的原因是算法的自适应性,而 的算法是最新提出的,且 效果最好。文献的源代码均在网络上公廾。 表不同去块方法的 对比 实验结果表明,无论是在知还是未知的情况下,其在各类图像上的应用均可得到 较好的效果,且本文提出的算法在所有测试序列中均好于的方法。对于纹理较丰富的 图,如 本文的算法对有大幅的提几,约 同时对于纹理较少的图,如 ,仍有 的提升。对于较平整的图像,本文算法的 比 高出 左右,原因是,其充分利用了周边相似块的信息。相反,由于 的算 法牺牲了运算复杂度,在全局范围搜索相似块,因此在仝图范围存在相似细节的图像中,如 的绒毛, 的树叶倒影, 的效果较本文算法高出 左右。 国武技论文在线 图 部分 算法效果图 算法效果图本文算法效果图 作为主观评价素材, 首先被压缩为质量评分为的图像,图为三种不同算法 恢复后的效果图对比。可以看岀,本文提出的算法不仅有效的抑制了量化噪声,并且未造成 图像的模糊和失真。图显小,的算法不仅造成了围巾条纹的不连续性,并且靠近边 缘部分的噪声几乎没有滤掉,如图中标记的部分。在同类算法中, 在去噪中表现 的最为突出,尤其是图的右下角, 的膝部,完全去护了量化噪声。然而其不合适 的门限选择造成的结果就是过度滤波,使得很多纹理部分看起火不够自然,甚至丢大 图 部分 算法效果图 算法效果图本文算法效果图 图的被严重压缩。的算法在嘴凵和鼻了的部分,仍残留着很明显的块 效应。 的算法虽然在这些部分恢复的很好,但其亢全丢失了头发部分的细节信息, 并且在的脸颊部分,仍能看出明显的块效应。相比之下,本文的算法对上述两种方法 做了很合理的折中 最后,我们对比了三种算法的执行速度。系统配置为 的算法执行速度最快,在 平台上完成幅×测试图像的处理 只需。在程序优化后,本文提岀的算法需要,略差于的算法。而 的算 法需要巨大的缓存来存储整帧图片以搜索相似块,因此其执行的最慢,即使在语言加速 情况下仍需来完成同样的工作 基」上述分析,我们提出的算法是性能和执行效率上一个很好的平衡,适合投入到实际 应用中去。 总结 本文首先引入非局部均值滤波算法用于去块,接下来,我们提出衡量块效应的参数,并 国武技论文在线 且通过机器学习的方法得到其与非局部均值滤波的参数的关系,从而使得非局部均值滤波法 可以自适应的调节而不需要人为干涉,实验结果表明本文提出的方法优于其他最新提出的算 参考文献

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
最新资源