[论文解读] Image Denoising Using Interquartile Range Filter with Local Averaging
本文提出了一种新颖的图像去噪方法，结合四分位距（IQR）滤波与局部平均，以在抑制噪声的同时保持边缘锐度。通过基于IQR统计识别并替换k×k窗口内的异常像素，并利用局部平均估计其值，该方法在标准测试图像上的PSNR高于中值滤波，表现出更优的性能与简洁性。
Image denoising is one of the fundamental problems in image processing. In this paper, a novel approach to suppress noise from the image is conducted by applying the interquartile range (IQR) which is one of the statistical methods used to detect outlier effect from a dataset. A window of size kXk was implemented to support IQR filter. Each pixel outside the IQR range of the kXk window is treated as noisy pixel. The estimation of the noisy pixels was obtained by local averaging. The essential advantage of applying IQR filter is to preserve edge sharpness better of the original image. A variety of test images have been used to support the proposed filter and PSNR was calculated and compared with median filter. The experimental results on standard test images demonstrate this filter is simpler and better performing than median filter.
研究动机与目标
- 解决图像去噪中抑制噪声同时保留关键边缘细节的挑战。
- 开发一种计算效率高的去噪方法，优于传统的中值滤波等滤波器。
- 利用四分位距进行统计异常值检测，以提升局部图像窗口中噪声的识别能力。
- 通过标准图像质量指标（如PSNR）评估所提方法的性能。
- 证明局部平均在重建IQR滤波识别出的噪声像素方面的有效性。
提出的方法
- 在图像上应用k×k滑动窗口，计算每个局部邻域的四分位距（IQR）。
- 落在IQR范围外的像素（即低于Q1 - 1.5×IQR或高于Q3 + 1.5×IQR）被分类为异常值并视为噪声。
- 使用同一k×k窗口内的局部平均值替换噪声像素，以估计其真实强度值。
- IQR滤波能有效检测并隔离噪声，而无需依赖基于中值的排序，从而降低对极端值的敏感性。
- 通过仅修改统计异常像素而非整个窗口的像素，该方法避免全局平滑，从而保留边缘。
- 通过与标准测试图像上中值滤波的PSNR对比评估性能。
实验结果
研究问题
- RQ1与中值滤波相比，四分位距滤波是否能更有效地检测并抑制数字图像中的噪声？
- RQ2结合IQR异常值检测与局部平均是否能比传统滤波器更好地保持图像边缘？
- RQ3在PSNR和计算简洁性方面，所提方法与中值滤波相比表现如何？
- RQ4当应用于局部窗口时，IQR滤波对各种噪声类型是否具有鲁棒性？
- RQ5局部平均是否能比中值滤波更准确地重建噪声像素？
主要发现
- 所提出的IQR滤波结合局部平均在标准测试图像上的PSNR值高于中值滤波，表明其具有更优的噪声抑制能力。
- 由于仅对异常像素进行选择性滤波而非窗口内所有像素，去噪结果中边缘锐度得到更好保持。
- 与中值滤波相比，该方法在结构和计算上更为简洁，因其依赖分位数异常值检测而非排序操作。
- 在多幅测试图像上的实验结果证实，该方法在不同类型图像中均表现出一致的性能提升。
- IQR的使用即使在高方差噪声下也能实现对噪声像素的鲁棒检测，PSNR指标上优于中值滤波。
- IQR滤波与局部平均的结合比中值滤波能更准确地估计受损像素的值。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。