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).

InformationsquelleAutor Royi | 2010-03-13

10

Können Sie die folgende Methode für die Schätzung der Rausch-Varianz (dieser Umsetzung arbeitet für Graustufen-Bilder nur):
```
def estimate_noise(I):

  H, W = I.shape

  M = [[1, -2, 1],
       [-2, 4, -2],
       [1, -2, 1]]

  sigma = np.sum(np.sum(np.absolute(convolve2d(I, M))))
  sigma = sigma * math.sqrt(0.5 * math.pi) /(6 * (W-2) * (H-2))

  return sigma
```
Referenz: J. Immerkær, "Schnelle Noise Variance Estimation", Computer Vision and Image Understanding, Vol. 64, No. 2, pp. 300-302, Sep. 1996 [PDF]
- Danke. Ich werde es mal ausprobieren.
- Diese funktioniert tatsächlich! Wenn Sie sigma > 10.0, dann haben Sie ein verrauschtes Bild, sonst nicht. Auch, um es auf farbigen Bildern, einfach konvertieren Sie Sie in Graustufen wie diese: import cv2 img = cv2.imread(img_path) img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) noise = estimate_noise(img_gray)
- Und vergessen Sie nicht import math, import numpy as np und from scipy.signal import convolve2d 😉
- Auch die mitgelieferte PDF-link nicht funktioniert - verwenden Sie stattdessen: sciencedirect.com/science/article/pii/S1077314296900600
- "sigma" - was bedeutet dieser Wert bedeutet ?? Es sollen wir hoch oder niedrig ?? Ist es möglich zu erfassen, der das Bild ohne jegliche Geräusche, wenn wir mit DSLR ???? @tsveti_iko
- 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, dass
InformationsquelleAutor user2398029
4

Das 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:
```
import numpy
def get_grids(N_X, N_Y):
    from numpy import mgrid
    return mgrid[-1:1:1j*N_X, -1:1:1j*N_Y]

def frequency_radius(fx, fy):
    R2 = fx**2 + fy**2
    (N_X, N_Y) = fx.shape
    R2[N_X/2, N_Y/2]= numpy.inf

    return numpy.sqrt(R2)

def enveloppe_color(fx, fy, alpha=1.0):
    # 0.0, 0.5, 1.0, 2.0 are resp. white, pink, red, brown noise
    # (see http://en.wikipedia.org/wiki/1/f_noise )
    # enveloppe
    return 1. /frequency_radius(fx, fy)**alpha #

import scipy
image = scipy.lena()
N_X, N_Y = image.shape
fx, fy = get_grids(N_X, N_Y)
pink_spectrum = enveloppe_color(fx, fy)

from scipy.fftpack import fft2
power_spectrum = numpy.abs(fft2(image))**2
```
Empfehle ich dieses wunderbare Papier für mehr details.
- Um die Dinge klarer, sagen wir, ich habe ein Bild Matrix - I. In Matlab-syntax, die ich schreiben würde: NoisyImage = I + 5 * randn(size(I)); Nun möchte ich, dass die Schätzung der Varianz des Rauschens - 25 (Vorausgesetzt, dass kein Lärm bei der ich). Nun, die Methode sollte zuverlässig sein mit viel kleineren Faktoren (Varianz) der Lärm-und später zu schätzen, bei einem gewissen Grad der Geräuschpegel eine praktische Bild (Mit den Unabhängigen Noise Model) Danke. P. S. Könnten Sie zeigen mir wo ich suchen soll es bei dem Artikel? Kennen Sie eine andere?
- Würden Sie das Sorge-geben eine vollständige Referenz der Zeitung? Der link, den Sie ist nun tot. Thx.
- Vielleicht ist es in diesem Papier: redwood.berkeley.edu/w/images/6/69/08-atick-nc-1992.pdf (nur Annahme von dead link-url)
- vielen Dank für bemerken, den Toten link habe ich behoben !
InformationsquelleAutor meduz
1

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 und average_sigmas=True:
```
import cv2
from skimage.restoration import estimate_sigma

def estimate_noise(image_path):
    img = cv2.imread(image_path)
    return estimate_sigma(img, multichannel=True, average_sigmas=True)
```
Hohe zahlen bedeuten eine geringe Geräuschentwicklung.
- Hallo, Es gibt in der Tat Donoho ' s Methode basiert auf wavelet (Median der macht des HH). Ich könnte hinzufügen, seine Umsetzung in MATLAB. Danke.
InformationsquelleAutor lotif

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.