Shoda bloků a 3D filtrování - Block-matching and 3D filtering

Vlevo: původní oříznutí ze surového obrazu pořízeného při ISO 800, uprostřed: odšuměno pomocí bm3d-gpu (sigma = 10, twostep), vpravo: odškrtnuto pomocí odšuměného profilu Darktable 2.4.0 (jiné než místní prostředky a vlnky)

Shoda bloků a 3D filtrování (BM3D) je 3-D algoritmus shody bloků používá se především pro redukce šumu v obrazech.[1]

Metoda

Seskupení

Fragmenty obrázků jsou seskupeny na základě podobnosti, ale na rozdíl od standardu k-znamená shlukování a taková shluková analýza metody, fragmenty obrazu nemusí být nutně disjunktní. Tento algoritmus shody bloků je výpočetně méně náročná a je užitečná později v kroku agregace. Fragmenty však mají stejnou velikost. Fragment je seskupen, pokud jeho odlišnost s referenčním fragmentem klesne pod stanovenou prahovou hodnotu. Tato technika seskupování se nazývá block-matching, obvykle se používá ke seskupení podobných skupin napříč různými digitální video, BM3D na druhé straně se mohou seskupovat makrobloky Všechny fragmenty obrazu ve skupině se potom skládají dohromady a vytvářejí 3D tvary podobné válci.

Kolaborativní filtrování

Filtrování se provádí na každé skupině fragmentů. A [je zapotřebí objasnění ] je použita dimenzionální lineární transformace, následovaná zmenšením transformační domény, jako je Wienerovo filtrování, pak je lineární transformace invertována pro reprodukci všech (filtrovaných) fragmentů.

Agregace

Obraz je transformován zpět do své dvourozměrné formy. Všechny překrývající se fragmenty obrazu jsou průměrovány podle hmotnosti, aby bylo zajištěno, že jsou filtrovány na šum, a přesto si zachovávají svůj odlišný signál.

Rozšíření

Barevné obrázky

RGB obrázky lze zpracovat podobně jako obrázky ve stupních šedi. Na obraz RGB by měla být použita transformace jasu a chrominance. Seskupení je poté dokončeno na jasovém kanálu, který obsahuje většinu užitečných informací a vyšší SNR. Tento přístup funguje, protože šum v chrominančních kanálech silně koreluje s hlukem jasového kanálu a šetří přibližně jednu třetinu výpočetního času, protože seskupení zabere přibližně polovinu požadovaného výpočetního času.

Deblurring

Algoritmus BM3D byl rozšířen (IDD-BM3D) tak, aby prováděl oddělené odstraňování otřepů a odšumování pomocí Nashova rovnováha rovnováha dvou objektivních funkcí.[2]

Konvoluční neuronová síť

Integrovaný přístup konvoluční neuronová síť byl navržen a vykazuje lepší výsledky (i když s pomalejší dobou běhu).[3] MATLAB byl vydán kód pro výzkumné účely.[4]

Implementace

Reference

  1. ^ Dabov, Kostadin; Foi, Alessandro; Katkovnik, Vladimir; Egiazarian, Karen (16. července 2007). "Odšumění obrazu pomocí řídkého 3D filtrování spolupráce na doméně transformace". Transakce IEEE na zpracování obrazu. 16 (8): 2080–2095. Bibcode:2007ITIP ... 16.2080D. CiteSeerX  10.1.1.219.5398. doi:10.1109 / TIP.2007.901238.
  2. ^ Danielyan, Aram; Katkovnik, Vladimir; Egiazarian, Karen (30. června 2011). Msgstr "Rámečky BM3D a odhrotování variačního obrazu". Transakce IEEE na zpracování obrazu. 21 (4): 1715–28. arXiv:1106.6180. Bibcode:2012ITIP ... 21.1715D. doi:10.1109 / TIP.2011.2176954. PMID  22128008.
  3. ^ Ahn, Byeongyong; Ik Cho, Nam (3. dubna 2017). "Bloková konvoluční neurální síť pro odšumění obrazu". arXiv:1704.00524 [Vize a rozpoznávání vzorů Počítačové vidění a rozpoznávání vzorů ].
  4. ^ „BMCNN-ISPL“. Soulská národní univerzita. Citováno 3. ledna 2018.
  5. ^ „LASIP - právní upozornění“. Tampere University of Technology (TUT). Citováno 2. ledna 2018.
  6. ^ Lebrun, Marc (8. srpna 2012). „Analýza a implementace metody odhlučnění obrazu BM3D“. Zpracování obrazu online. 2: 175–213. doi:10.5201 / ipol.2012.l-bm3d.