【图像去噪】基于混合自适应(EM 自适应)实现自适应图像去噪研究(Matlab代码实现)

💥💥💞💞欢迎来到本博客❤️❤️💥💥

****🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️**座右铭:**行百里者,半于九十。

📋📋📋++本文目录如下:++🎁🎁🎁

目录

[💥1 概述](#💥1 概述)

[📚2 运行结果](#📚2 运行结果)

[🎉3 参考文献](#🎉3 参考文献)

[🌈4 Matlab代码实现](#🌈4 Matlab代码实现)


💥1 概述

图像去噪是图像处理领域中的一个重要问题,其目标是通过对图像进行处理,减少或去除图像中的噪声,提高图像质量。混合自适应(EM 自适应)是一种常用的图像去噪方法之一。

混合自适应的基本思想是将图像中的噪声和信号分离开来,并分别对其进行处理。包括以下步骤:

  1. 初始估计:首先需要对图像进行一个初始估计,可以使用一些简单的滤波方法,如中值滤波器等。

  2. 估计噪声模型:通过对图像进行统计分析,估计出图像中的噪声模型,如高斯噪声、椒盐噪声等。

  3. 分离噪声和信号:利用估计的噪声模型,将图像中的噪声和信号分离开来,可以采用波尔兹曼机、高斯混合模型等方法。

  4. 自适应滤波:对分离得到的噪声和信号分别进行自适应滤波,针对不同的噪声模型可以采用不同的滤波器,常用的有均值滤波、维纳滤波、非局部均值滤波等。

  5. 重组:将滤波后的噪声和信号重组得到最终的去噪图像。

混合自适应方法能够根据图像中的噪声模型进行自适应处理,对不同类型的噪声都有较好的去除效果。然而,该方法在计算复杂度和处理时间上可能较高,并且需要提前对图像的噪声模型进行估计,对于未知噪声模型的图像去噪可能会存在一定的挑战。因此,在实际应用中需要根据具体情况选择合适的图像去噪方法。

📚 2 运行结果

主函数代码:

clear;

close all;

addpath('code');

addpath('data/standard_images')

load GSModel_8x8_200_2M_noDC_zeromean.mat

GMM.ncomponents = GS.nmodels;

GMM.mus = GS.means;

GMM.covs = GS.covs;

GMM.weights = GS.mixweights;

clear GS;

x = im2double(imread('House256.png'));

sigmaNoise = 20/255;

y = x + sigmaNoise * randn(size(x)); % noisy test image

%%%% EPLL denoising %%%%

xEPLL = y;

for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]

[xEPLL, psnr_EPLL, ssim_EPLL] = MAP_GMM(x, y, xEPLL, sigmaNoise, sigma, GMM);

end

fprintf('PSNR(EPLL) is:%.2f\n', psnr_EPLL);

fprintf('SSIM(EPLL) is:%.4f\n', ssim_EPLL);

%%%% EM adaptation using EPLL denoised image and MAP denoising with adapted GMM %%%%

xHat = xEPLL;

epsilon = 0.01;

b = randn(size(y));

n = numel(y);

xEPLL1 = y + epsilon*b;

for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]

[xEPLL1, ~, ~] = MAP_GMM(x, y + epsilon*b, xEPLL1, sigmaNoise, sigma, GMM);

end

xHat1 = xEPLL1;

div = (b(:)'*(xHat1(:) - xHat(:))) / (n*epsilon);

beta_opt = (sqrt(mean((y(:) - xHat(:)).^2) - sigmaNoise^2 + 2*sigmaNoise^2*div)) / sigmaNoise;

aGMM = EM_adaptation(GMM, xEPLL, beta_opt * sigmaNoise, 1);

xAdapted_EPLL = y;

for sigma = sigmaNoise * [1, 1/sqrt(4), 1/sqrt(8), 1/sqrt(16), 1/sqrt(32)]

[xAdapted_EPLL, psnr_adapted, ssim_adapted] = MAP_GMM(x, y, xAdapted_EPLL, sigmaNoise, sigma, aGMM);

end

fprintf('PSNR(adapted by EPLL image) is:%.2f\n', psnr_adapted);

fprintf('SSIM(adapted by EPLL image) is:%.4f\n', ssim_adapted);

return

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1] E. Luo, S. H. Chan, and T. Q. Nguyen, "Adaptive Image Denoising by Mixture Adaptation," IEEE Trans. Image Process. 2016.

[2] S. H. Chan, E. Luo and T. Q. Nguyen, "Adaptive Patch-based Image Denoising by EM-adaptation," in Proc. IEEE Global Conf. Signal Information Process. (GlobalSIP'15), Dec. 2015.

🌈4 Matlab代码实现

相关推荐
开发者每周简报27 分钟前
求职市场变化
人工智能·面试·职场和发展
AI前沿技术追踪40 分钟前
OpenAI 12天发布会:AI革命的里程碑@附35页PDF文件下载
人工智能
余~~185381628001 小时前
稳定的碰一碰发视频、碰一碰矩阵源码技术开发,支持OEM
开发语言·人工智能·python·音视频
galileo20161 小时前
LLM与金融
人工智能
DREAM依旧2 小时前
隐马尔科夫模型|前向算法|Viterbi 算法
人工智能
GocNeverGiveUp2 小时前
机器学习2-NumPy
人工智能·机器学习·numpy
B站计算机毕业设计超人3 小时前
计算机毕业设计PySpark+Hadoop中国城市交通分析与预测 Python交通预测 Python交通可视化 客流量预测 交通大数据 机器学习 深度学习
大数据·人工智能·爬虫·python·机器学习·课程设计·数据可视化
学术头条3 小时前
清华、智谱团队:探索 RLHF 的 scaling laws
人工智能·深度学习·算法·机器学习·语言模型·计算语言学
18号房客3 小时前
一个简单的机器学习实战例程,使用Scikit-Learn库来完成一个常见的分类任务——**鸢尾花数据集(Iris Dataset)**的分类
人工智能·深度学习·神经网络·机器学习·语言模型·自然语言处理·sklearn
feifeikon3 小时前
机器学习DAY3 : 线性回归与最小二乘法与sklearn实现 (线性回归完)
人工智能·机器学习·线性回归