图像去噪算法综述及其新进展

摘要：寻找高效的图像去噪方法仍然是功能分析和统计学交汇处的一个有效挑战。尽管最近提出的方法相当复杂，但大多数算法尚未达到理想的应用水平。当图像模型符合算法假设时，各算法表现出卓越的性能，但在一般情况下则失败，会产生伪影或去除图像细微结构。本文的主要焦点首先是定义一种通用的数学和实验方法，以比较和分类经典图像去噪算法；其次，提出了一种非局部均值（NL-means）算法，旨在保持数字图像的结构。数学分析基于“方法噪声”的分析，该噪声定义为数字图像与其去噪版本之间的差异。NL-means算法在通用统计图像模型下被证明是渐近最优的。所有考虑的方法的去噪性能通过四种方式进行比较：数学：在常规假设下方法噪声的渐近阶量；感知-数学：算法伪影及其作为图像模型违反的解释；定量实验：通过去噪版本与原始图像的L2距离表。然而，最有效的评估方法似乎是对自然图像上方法噪声的可视化。方法噪声越像真实的白噪声，方法效果越好。