[论文解读] A Review Paper: Noise Models in Digital Image Processing

Ajay Kumar Boyat, Brijendra Kumar Joshi|arXiv (Cornell University)|May 13, 2015

Image and Signal Denoising Methods被引用 9

一句话总结

本文对数字图像处理中的噪声模型进行了全面综述，分析其来源与特性，以支持有效的图像去噪。文章对常见噪声模型（如高斯、瑞利、莱斯、泊松及脉冲噪声）进行分类并进行定量评估，使研究人员可根据图像获取与处理条件选择合适的模型，从而提高去噪精度。

ABSTRACT

Noise is always presents in digital images during image acquisition, coding, transmission, and processing steps. Noise is very difficult to remove it from the digital images without the prior knowledge of noise model. That is why, review of noise models are essential in the study of image denoising techniques. In this paper, we express a brief overview of various noise models. These noise models can be selected by analysis of their origin. In this way, we present a complete and quantitative analysis of noise models available in digital images.

研究动机与目标

• 提供对图像在获取、编码、传输和处理过程中影响数字图像的噪声模型的系统性综述。
• 识别并分析各种噪声类型的来源，以支持图像去噪中的精确噪声建模。
• 对噪声模型进行定量比较，以改进图像复原应用中的模型选择。
• 为研究人员开发或选择基于噪声特性的去噪算法提供基础参考。
• 通过将噪声模型选择与图像退化源关联，提升图像去噪的有效性。

提出的方法

• 基于图像获取与处理流程中物理与统计来源的噪声模型分类。
• 对常见噪声类型（高斯、瑞利、莱斯、泊松及脉冲噪声）进行分析，重点关注其概率密度函数。
• 利用均值、方差和分布形状等统计特性，对噪声模型进行定量评估。
• 根据信号相关性与信号无关性，以及加性与乘性特性对噪声进行分类。
• 使用数学公式描述不同成像系统（如CCD传感器、无线传输）中的噪声行为。
• 将噪声模型特性整合到图像去噪算法设计与选择的框架中。

实验结果

研究问题

• RQ1 数字图像获取与处理系统中的主要噪声来源是什么？
• RQ2 不同噪声模型（如高斯、泊松、脉冲噪声）在统计行为与物理来源上如何不同？
• RQ3 在给定图像退化场景下，应使用何种标准选择最合适的噪声模型？
• RQ4 噪声模型的选择如何影响图像去噪算法的性能？
• RQ5 在实际成像中，信号相关与信号无关噪声模型之间的定量差异是什么？

主要发现

• 由于数学可处理性及在传感器电子中的普遍性，高斯噪声是最常被假设的模型。
• 由于其信号相关性，瑞利与莱斯噪声模型在磁共振成像与超声成像中尤为重要。
• 在低光照成像场景中（如光子受限的CCD与CMOS传感器），泊松噪声占主导地位。
• 脉冲噪声（如椒盐噪声）源于数据传输错误或传感器故障，最适于建模为二元脉冲过程。
• 本文表明，准确识别噪声模型可显著提升去噪性能，从而支持特定模型的滤波技术。
• 明确区分加性与乘性噪声模型对于选择适当的复原算法至关重要。