Noise Estimation / Noise-Messung in Bild
Möchte ich schätzen, das Rauschen in einem Bild.
Angenommen, das Modell von einem Bild + Weißes Rauschen.
Jetzt möchte ich die Schätzung der Rausch-Varianz.
Meine Methode ist zur Berechnung der Lokalen Varianz (3*3-21*21 Blöcke) im Bild und dann finden Bereiche, in denen die Lokale Varianz ist relativ konstant (Durch die Berechnung der Lokalen Varianz der Lokalen Varianz-Matrix).
Ich nehme an, diese Bereiche sind "Flat", also die Varianz ist ein fast "Reines" Rauschen.
Ich noch nicht bekommen, Konstante Ergebnisse.
Gibt es eine bessere Möglichkeit?
Dank.
P. S.
Ich kann nicht davon ausgehen, etwas über das Bild, sondern die unabhängige noise (Das ist nicht wahr, für das echte Bild noch nehmen).
Du musst angemeldet sein, um einen Kommentar abzugeben.
Können Sie die folgende Methode für die Schätzung der Rausch-Varianz (dieser Umsetzung arbeitet für Graustufen-Bilder nur):
Referenz: J. Immerkær, "Schnelle Noise Variance Estimation", Computer Vision and Image Understanding, Vol. 64, No. 2, pp. 300-302, Sep. 1996 [PDF]
import cv2
img = cv2.imread(img_path)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
noise = estimate_noise(img_gray)
import math
,import numpy as np
undfrom scipy.signal import convolve2d
😉sigma
ist der noise-Faktor, so ist es sollte gering sein (weniger als 10) möchten Sie ein Bild ohne Rauschen. Ich wollte nicht Experimentieren mit der DSLR, so kann ich nicht erzählen, dassDas problem der Charakterisierung signal von Rauschen ist nicht einfach. Aus Ihrer Frage, einen ersten Versuch würde zu charakterisieren, Statistiken zweiter Ordnung: Natürliche Bilder bekannt sind, haben die pixel-zu-pixel-Zusammenhänge, die -per definition - nicht im weißen Rauschen.
Im Fourier-Raum die Korrelation entspricht dem Energie-Spektrum. Es ist bekannt, dass für Natürliche Bilder, es sinkt wie 1/f^2 . Zu quantifizieren, Lärm, daher würde ich empfehlen zum berechnen der Korrelation des Spektrums des Bildes mit sowohl Hypothese (flach-und 1/f^2), so dass Ihnen das extrahieren von Koeffizienten.
Einige Funktionen zu starten, erhalten Sie bis:
Empfehle ich dieses wunderbare Papier für mehr details.
Scikit-Image hat eine Schätzung sigma-Funktion, die ziemlich gut funktioniert:
http://scikit-image.org/docs/dev/api/skimage.restoration.html#skimage.restoration.estimate_sigma
funktioniert es auch mit Farbbildern, die Sie gerade benötigen, um
multichannel=True
undaverage_sigmas=True
:Hohe zahlen bedeuten eine geringe Geräuschentwicklung.