Noise Estimation(噪声估计)
1、原理
现在主流的噪声估计模型大多基于Filter-Based Approach Using Arithmetic Averaging
、Filter-Based Approach Using Statistical Averaging先简单介绍一下这几种算法。
1.1、Filter-Based Approach Using Arithmetic Averaging ——Filter-Base
该类型算法是基于因为图像边缘结构具有很强的二阶差分特性，所以图像是对Laplacian Mask的噪声统计器是敏感的，算法通过两个Laplacian Mask组成的kernel来进行卷积操作
1.2、Filter-Based Approach Using Statistical Averaging —— Block-Base
该算法的前期操作与1.1的算法相似，先简单的对源图进行一次Laplacian Mask 卷积，卷积核同1.1的N，
在计算局部方差前，还需要做一次边缘检测，包含边缘的块将需要被排除掉，然后通过直方图计算噪声方差，
2、算法过程
该算法结合了上述的两种算法的优点，并进行了改进，具体算法过程如下：
首先对图像亮度过高的点和过暗的点进行剔除，避免了在亮部和暗部的统计以及误估，在这里是对[16,235]间的像素进行提取，而且如果每个块被剔除掉的像素点超过一半的话，那该块就需要被裁减掉。然后对保留下来的块进行水平方向和垂直方向的Sobel梯度操作，以及同类块检测：
3、算法改进
3.1、对不同的图采用不同的块大小
该算法不足之处,对所有的图片都裁切相同的像素块，但是对于一些大图,可能像素点相对小图来说，噪点密集度相对分散，而对于小图若采用过小的像素块，又会让值偏大，所以，我们对算法进行了修改，对于不同大小的图，我们采用不同的块大小，对300*300以下的图，我们采用宽度为7的块，对于300*300-800*800的图，我们采用宽度为6的块，对于大于800*800的块采用宽度为5的块。
3.2、对图像进行缩放数据重采集
该算法对于同样的图，进行等比例的缩放，如果噪声多的话，缩放完成后得到的噪声会相对应的增加，噪声少的话，所对应的噪声也会少，在这里，我们对数据进行缩放，进行一次重采集，对重新计算得到的数据进行辅助计算，以保证得到的最后的值保证准确性。
4、算法的不足
该算法对于一些细节较为丰富的图片的检测效果仍然不是很好，这是噪声估计算法的一个较大的通病，像以下的图片的检测效果效果误差会偏大。
转载请注明出处——陈先生