Multiscale Noise Estimation and Removal for Digital Images - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2014

Multiscale Noise Estimation and Removal for Digital Images

Estimation et suppression du bruit à plusieurs échelles pour les images numériques

Miguel Colom

Résumé

Qualsevol imatge, ja sigui digital o analògica, conté no només informació de l'escena fotografiada, sinó també interferències externes conegudes com renou. La imatge resultant és la combinació de la imatge ideal sense renou, amb el renou mateix. La "imatge ideal sense renou" és una abstracció matemàtica i no està disponible a la realitat. Per tant, cal utilitzar mètodes que, donada únicament la imatge deteriorada, siguin capaços de caracteritzar adequadament el renou. Aquesta caracterització a partir de la imatge amb renou es coneix com estimació a cegues del renou, atés que no s'utilitza cap altra informació addicional a part de la imatge amb renou. Un cop caracteritzat adequadament el renou, el següent pas és obtenir una versió de la imatge que sigui tan fidel com sigui possible a la imatge ideal. Aquest procés es coneix com eliminació de renou a cegues, ja que la imatge ideal no està disponible. Els mètodes d'eliminació de renou aprofiten la propietat d' autosimilaritat dels petits blocs que componen la imatge per inferir la geometria dels blocs de la imatge ideal. L'eliminació de renou és un procés guiat per l'estimació de renou prèvia. Atès que tant l'estimació com l'eliminació de renou es realitzen a cegues, és important que la caracterització del renou sigui tan completa com sigui possible. En aquesta tesi es discuteixen en detall les diverses tècniques per a l'estimació de renou, des de les més simples que únicament consideren renou homoscedàstic, passant per les que consideren el model poissonià de renou, fins a finalment la nova tècnica que proposem per obtenir un model de renou complex, que depèn tant de la intensitat com de la freqüència. Pel que fa a l'eliminació de renou, aquesta tesi se centra especialment en les tècniques basades en el model bayesià. La tesi culmina amb la presentació de la Noise Clinic , l'eina que proposem per a l'estimació i eliminació automàtiques del renou. La Noise Clinic combina l'estimació automàtica d'un model de renou complex amb la seva eliminació en cadascuna de les escales de la imatge. Això permet restaurar una tipologia extensa d'imatges, incloent les comprimides amb JPEG.
Any image, digital or analog, contains not only information from the scene being photographed but also external interferences known as noise. The resulting image is the combination of the ideal image without noise with noise itself. The "ideal image without noise" is a mathematical abstraction and it is not available in reality. Thus, it is needed methods that given only the degraded image are capable to properly characterize noise. This characterization using the noisy image is known as blind noise estimation since it does not use any additional information out the the noisy image. Once noise has been properly characterized, the next step is to obtain a version of the image which is as close as possible to the ideal image. This process is known as blind denoising, since the ideal image is not available. Denoising methods exploit the property of auto-similarity of the small blocks that form the image to infer the geometry of the blocks of the ideal image. Denoising is a process guided by previous noise estimation. Given that both noise estimation and denoising are performed blindly, it is important that noise characterization is as complete as possible. In this thesis several techniques for noise estimation are discussed, from the simplest which just consider homoscedastic noise, through those which consider the Poissonian model, to finally the new technique that we propose to obtain a complex noise model that depends on both intensity and frequency. Regarding denoising, this thesis is mainly focuses on Bayesian techniques. The thesis finally reaches with the presentation of the Noise Clinic, the tool which we propose for automatic noise estimation and denoising. The Noise Clinic combines the automatic estimation of a complex noise model with its elimination at each of the scales of the image. This allows to restore a large typology of images, including those compressed with JPEG
Cualquier imagen, ya sea digital o analógica, contiene no solamente información de la escena fotografiada, sino también interferencias externas conocidas como ruido. La imagen resultante es la combinación de la imagen ideal sin ruido, con el propio ruido. La "imagen ideal sin ruido" es una abstracción matemática y no está disponible en la realidad. Por lo tanto, es necesario utilizar métodos que, dada únicamente la imagen deteriorada, sean capaces de caracterizar adecuadamente el ruido. Esta caracterización a partir de la imagen ruidosa se conoce como estimación a ciegas del ruido, ya que no se utiliza ninguna otra información adicional aparte de la imagen ruidosa. Una vez caracterizado adecuadamente el ruido, el siguiente paso es obtener una versión de la imagen que sea tan fiel como sea posible a la imagen ideal. Este proceso se conoce como eliminación de ruido a ciegas, ya que la imagen ideal no está disponible. Los métodos de eliminación de ruido aprovechan la propiedad de autosimilaridad de los pequeños bloques que componen la imagen para inferir la geometría de los bloques de la imagen ideal. La eliminación de ruido es un proceso guiado por la estimación de ruido previa. Dado que tanto la estimación como la eliminación de ruido se realizan a ciegas, es importante que la caracterización del ruido sea tan completa como sea posible. En esta tesis se discuten en detalle las diversas técnicas para la estimación de ruido, desde las más simples que únicamente consideran ruido homocedástico, pasando por las que consideran el modelo poissoniano de ruido, hasta finalmente la nueva técnica que proponemos para obtener un modelo de ruido complejo, que depende tanto de la intensidad como de la frecuencia. En cuanto a la eliminación de ruido, esta tesis se centra especialmente en las técnicas basadas en el modelo bayesiano. La tesis culmina con la presentación de la Noise Clinic, la herramienta que proponemos para la estimación y eliminación automáticas del ruido. La Noise Clinic combina la estimación automática de un modelo de ruido complejo con su eliminación en cada una de las escalas de la imagen. Esto permite restaurar una tipología extensa de imágenes, incluyendo las comprimidas con JPEG.
Toute image, numérique ou analogique, contient non seulement des informations provenant de la scène photographiée, mais aussi des interférences externes appelées bruit. L'image résultante est la combinaison de l'image idéale sans bruit avec le bruit lui-même. L'"image idéale sans bruit" est une abstraction mathématique qui n'existe pas dans la réalité. Il est donc nécessaire de disposer de méthodes qui, à partir de l'image dégradée, sont capables de caractériser correctement le bruit. Cette caractérisation à partir de l'image bruyante est connue sous le nom d'estimation aveugle du bruit, car elle n'utilise aucune information supplémentaire provenant de l'image bruyante. Une fois le bruit correctement caractérisé, l'étape suivante consiste à obtenir une version de l'image aussi proche que possible de l'image idéale. Ce processus est connu sous le nom de débruitage aveugle, puisque l'image idéale n'est pas disponible. Les méthodes de débruitage exploitent la propriété d'auto-similarité des petits blocs qui forment l'image pour déduire la géométrie des blocs de l'image idéale. Le débruitage est un processus guidé par une estimation préalable du bruit. Étant donné que l'estimation du bruit et le débruitage sont effectués en aveugle, il est important que la caractérisation du bruit soit aussi complète que possible. Dans cette thèse, plusieurs techniques d'estimation du bruit sont discutées, des plus simples qui ne considèrent que le bruit homoscédastique, en passant par celles qui considèrent le modèle Poissonien, jusqu'à la nouvelle technique que nous proposons pour obtenir un modèle de bruit complexe qui dépend à la fois de l'intensité et de la fréquence. En ce qui concerne le débruitage, cette thèse se concentre principalement sur les techniques bayésiennes. La thèse se termine par la présentation de la Clinique du Bruit, l'outil que nous proposons pour l'estimation automatique du bruit et le débruitage. La Clinique du Bruit combine l'estimation automatique d'un modèle de bruit complexe avec son élimination à chacune des échelles de l'image. Ceci permet de restaurer une large typologie d'images, y compris celles compressées avec JPEG
Fichier principal
Vignette du fichier
thesis_miguel_colom.pdf (82.44 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY - Paternité

Dates et versions

tel-04124122 , version 1 (19-06-2023)

Licence

Paternité

Identifiants

Citer

Miguel Colom. Multiscale Noise Estimation and Removal for Digital Images. Image Processing [eess.IV]. Universitat de les Illes Balears (Espagne), 2014. English. ⟨NNT : ⟩. ⟨tel-04124122⟩
51 Consultations
2 Téléchargements

Partager

Gmail Facebook X LinkedIn More