Bagaimana Menghilangkan Gaussian Noise dari Gambar tanpa Menghancurkan Tepi?


15

Apa filter terbaik untuk menghilangkan noise Gaussian tanpa merusak tepi? Saya menggunakan gambar Lena standar dengan noise Gaussian tambahan dan saya ingin denoise sebelum menerapkan difusi anisotropik. Saya tidak ingin median filter karena ujung-ujungnya menjadi kabur. Saya mencoba penyaringan adaptif tetapi hasilnya tidak memuaskan.


4
Tunjukkan usaha, apa yang Anda coba?
0x90

1
Sebenarnya saya punya gambar lena standar yang rusak dengan noise gaussian. Saya ingin menghilangkan noise sebelum menerapkan difusi anisotropik. Saya tidak ingin menggunakan pemfilteran median karena bagian tepinya kabur. Berikan beberapa masukan.
Aviral Kumar


1
Tidak benar-benar jawaban, tetapi saya menemukan tautan ini dengan berbagai makalah tentang hal ini - berusaha menghilangkan kebisingan tanpa menghilangkan informasi tepi.
Spacey

1
Bisakah Anda memposting beberapa gambar dan output, sehingga kami lebih memahami seperti apa hasil yang tidak memuaskan? Misalnya, mengapa Anda tidak menjalankan difusi anisotropik untuk denoise gambar?
Jonas

Jawaban:


10

Anda mungkin perlu mempertimbangkan teknik yang lebih maju. Berikut adalah dua makalah terbaru tentang denoising pengawet tepi:

Metode kami didasarkan pada [analisis regresi lompat], dan terdiri dari tiga langkah utama, diuraikan di bawah ini. Pertama, piksel tepi terdeteksi di seluruh ruang desain oleh detektor tepi. Kedua, di lingkungan piksel yang diberikan, kurva linear-piecewise diperkirakan dari piksel tepi yang terdeteksi dengan algoritma sederhana namun efisien, untuk memperkirakan segmen tepi yang mendasarinya di lingkungan tersebut. Akhirnya, intensitas gambar yang diamati pada sisi yang sama dari segmen tepi yang diperkirakan, seperti piksel yang diberikan, dirata-rata oleh prosedur pemulusan kernel linear lokal (lih., [35]), untuk memperkirakan intensitas gambar sebenarnya pada piksel yang diberikan.

( Model regresi langsung menggabungkan diskontinuitas menggunakan fungsi langkah. Penulis utama memiliki buku tentang subjek ini .)


2

Sebagai titik awal saya akan menggunakan teknik penyusutan non-linear dengan semacam transformasi wavelet (meskipun mereka tidak spesifik untuk transformasi wavelet). Aturan penyusutan secara konseptual sederhana, cepat dan mudah diimplementasikan, sambil memberikan hasil yang sangat baik.

Premisnya adalah bahwa sinyal yang Anda inginkan dapat direpresentasikan dalam suatu domain sehingga sebagian besar energi terkonsentrasi pada sejumlah kecil koefisien. Sebaliknya, noise masih tersebar di semua koefisien (yang kemungkinan untuk AWGN). Anda kemudian dapat "mengecilkan" koefisien - mengurangi nilainya menurut beberapa aturan non-linear - sehingga dampak pada sinyal kecil dibandingkan dengan dampak pada kebisingan.

Transformasi wavelet adalah transformasi yang baik untuk digunakan karena mereka bagus dalam mengompresi energi menjadi sejumlah kecil koefisien. Saya pribadi merekomendasikan Dual-tree complex wavelet transform (DTCWT) untuk properti tambahannya yang bagus.

2 makalah yang sangat bagus tentang topik ini dan ini (keduanya dari penulis yang sama). Makalah-makalah ini benar-benar menyenangkan dalam hal keterbacaan dan kejelasan penjelasannya. (juga ada foto-foto bagus dari Lenna yang dicela :)

Memang ada makalah yang lebih baru, tetapi mereka biasanya tidak menambahkan banyak peningkatan kuantitatif atas teknik yang sangat sederhana yang dijelaskan dalam makalah itu.


Makalah-makalah ini tidak secara khusus membahas pelestarian tepi; mereka tentang denoising gambar generik.
Emre

Wavelet baik secara inheren baik dalam menjaga tepi. Sifat gambar alami adalah bahwa sebagian besar informasi yang menonjol ada di tepinya, jadi membahas tepi sebagai kasus khusus agak berlebihan. Gambar alami ditentukan oleh tepinya.
Henry Gomersall

Masih bisa diperdebatkan apakah wavelet konvensional sangat baik dalam menjaga tepi. Masalah ini adalah salah satu motivasi di balik banyaknya ekstensi, termasuk ridgelet, beamlets, curvelet, dan contourlets.
Emre

Memang, wavelet memiliki masalah mereka yang sebenarnya mengapa saya menyarankan menggunakan sesuatu selain wavelet vanilla. Meskipun mungkin disarankan saya memiliki bias terhadap DTCWT, itu bukan tanpa alasan yang bagus. Kedua kertas itu menunjukkan pelestarian tepi yang mengesankan. Seperti halnya makalah ini (lihat gambar 8 dan 9 - membandingkan dengan gambar berisik).
Henry Gomersall

1

Sementara setiap tantangan pemrosesan sinyal tidak ada yang cocok untuk semua solusi di sini adalah sebuah ide:

  1. karena Anda mencoba untuk menjaga ujungnya mengetahui di mana mereka berada di gambar. Gunakan detektor tepi cerdik untuk menemukan tepi dalam gambar Anda.
  2. Dilatasi / Gemukkan batas tepi yang dihasilkan dari gambar (mungkin 2-5 piksel lebar untuk setiap tepi) mari kita sebut ini "topeng"
  3. membalikkan topeng.
  4. Terapkan topeng ke gambar Anda, yaitu, hanya membiarkan barang-barang yang TIDAK menembus.
  5. menerapkan teknik de-gaussing
  6. gunakan topeng tepi asli untuk mendapatkan nilai piksel gambar di mana ada tepi
  7. Tempatkan mereka kembali ke gambar de-gaussed

sebagai alternatif, Anda dapat menerapkan teknik De-gaussing Anda ke gambar secara keseluruhan dan kemudian hanya memperkenalkan kembali piksel un-de-gaussed kembali ke gambar.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.