Is Texture Denoising Efficiency Predictable?

Abstract

Images of di®erent origin contain textures, and textural features in such regions are frequently employed in pattern recognition, image classi¯cation, information extraction, etc. Noise often present in analyzed images might prevent a proper solution of basic tasks in the aforementioned applications and is worth suppressing. This is not an easy task since even the most advanced denoising methods destroy texture in a more or less degree while removing noise. Thus, it is desirable to predict the¯ltering behavior before any denoising is applied. This paper studies the e±ciency of texture image denoising for di®erent noise intensities and several¯lter types under di®erent visual quality criteria (quality metrics). It is demonstrated that the most e±cient existing¯lters provide very similar results. From the obtained results, it is possible to generalize and employ the prediction strategy earlier proposed for denoising techniques based on the discrete cosine transform. Accuracy of such a prediction is studied and the ways to improve it

Анализ И Прогнозирование Эффективности Фильтрации Одномерных Сигналов На Основе Дискретного Косинусного Преобразования

“…В последние годы определенные успехи в предсказании эффективности фильтрации были достигнуты в области обработки изображений [12][13][14]. Сначала в [12] для методов нелокальной фильтрации была оценена потенциальная эффективность фильтрации при наличии истинного изображения, а в [14] было показано, как достичь этого при отсутствии истинного изображения.…”

“…Однако у подхода [12,14] есть два существенных недостатка. Первый -оценивается потенциальная эффективность фильтрации, а не реальная (показано, что реальная приближается к потенциальной для текстурных изображений, которые обрабатывать сложнее всего [13]). Второй недостаток -расчет потенциальной эффективности занимает много времени, а использование предсказания эффективности фильтрации обычно целесообразно при условии, что для предсказания нужно на порядок меньше времени, чем на саму фильтрацию [13].…”

“…Иной подход был предложен в работах [13,15,16]. Сначала в нашей работе [15] для двух фильтров на основе ДКП было показано, что даже использование одного входного параметра, который очень легко рассчитать, позволяет достаточно точно предсказывать отношение среднеквадратической ошибки на выходе фильтра к дисперсии аддитивного белого гауссова шума на входе.…”

“…Сначала в нашей работе [15] для двух фильтров на основе ДКП было показано, что даже использование одного входного параметра, который очень легко рассчитать, позволяет достаточно точно предсказывать отношение среднеквадратической ошибки на выходе фильтра к дисперсии аддитивного белого гауссова шума на входе. Позже в работах [13,16] было показано, что можно прогнозировать разные метрики эффективности фильтрации (в том числе визуального качества [17]) для достаточно широкого круга фильтров, в том числе и не на основе ДКП. Для повышения точности прогнозирования можно использовать несколько входных параметров [13,16].…”

“…Позже в работах [13,16] было показано, что можно прогнозировать разные метрики эффективности фильтрации (в том числе визуального качества [17]) для достаточно широкого круга фильтров, в том числе и не на основе ДКП. Для повышения точности прогнозирования можно использовать несколько входных параметров [13,16].…”