摘要：取自对于，生成为的作用就是向中加入高斯噪声，这个噪声服从的分布为当然，分母的可能是因为将原始图片的像素值缩放到了之间，所以也需要除以。如果没有这样做，那么显然噪声服从的分布就是那么显然，结合目前搜集到的信息，就是方差，就是中的。
知乎同名账号同步发布。如有错误，欢迎指正。
读这两篇文章的时候，发现文中AWGN（加性高斯白噪声）的方差用σ²表示，noise level用σ表示，符号使用似乎出现了冲突；
又发现作者默认已知噪声模型 N ( 0 , σ 2 ) N(0, /sigma^2) N(0,σ2)，生成的含噪声图像的ground-truth的noise level似乎也随之确定，一切都在暗示AWGN的方差和其noise level有千丝万缕的关系。
引用这篇文章对matlab生成AWGN的讲解，补充一些基础知识：
awgn(x,snr,’measured’,"linear’)的作用是向x加入信噪比为snr的AWGN。所谓信噪比，公式如下：
s n r = s i g P o w e r / n o i s e P o w e r snr = sigPower/noisePower snr=sigPower/noisePower
即信号的强度/噪声的强度，或者信号功率/噪声功率。
sigPower的计算方法只需要看matlab代码就一目了然：
sigPower = sum(abs(sig(: )).^2)/length(sig(: ))
（.^2指的是对矩阵每个元素都求平方，上述分母起到规范化的作用，sig(: )表示信号）
awgn()函数的第一步，就是估计信号x的强度sigPower，然后计算出noisePower：
n o i s e P o w e r = s i g P o w e r / s n r noisePower = sigPower / snr noisePower=sigPower/snr
假如说要生成的噪声的size是[1000, 1]，那么最终要添加的噪声信号就是：
sqrt(noisePower) * randn(n, 1)
其中randn生成的是 N ( 0 , 1 ) N(0, 1) N(0,1)的噪声，那么这个噪声信号服从的分布就是：
N ( 0 , n o i s e P o w e r ) N(0, noisePower) N(0,noisePower)
所以网上有篇文章，文中一句话说：
对于高斯噪声，其方差和功率（噪声强度）是一样的
noisePower就是方差σ²，σ就是paper中的noise level。
取自FFDNet paper：对于clean image x，生成noise level为σ的noisy y：
imnoise(x, ’gaussian’, 0, (σ/255)²)
作用就是向x中加入高斯噪声，这个噪声服从的分布为：
N ( 0 , ( σ / 255 ) 2 ) N(0, (/sigma/255)^2) N(0,(σ/255)2)
当然，分母的255可能是因为将原始图片的像素值缩放到了0-1之间，所以noise level也需要除以255。如果没有这样做，那么显然噪声服从的分布就是：
N ( 0 , σ 2 ) N(0, /sigma^2) N(0,σ2)
那么显然，结合目前搜集到的信息，noisePower就是方差σ²，σ就是paper中的noise level。再看一个FFDNet中的片段佐证这个观点：
To synthesize spatially variant AWGN, we first generate an AWGN image v1 with unit standard deviation and a noise level map M of the same size. Then, element-wise multiplication is applied on v1 and M to produce the spatially variant AWGN, i.e., v = v1 ⊙ M.
上述noise level map M就是由不同位置的noise level σ组合而成的map。先生成v1，它拥有单位标准差，然后让M（M中元素为noise level σ）和它做element-wise的相乘，显然得到的v就拥有方差σ²，而论文称σ为noise level，不就和上面的观点对应上了么。
再看CBDNet中所提到：
For a batch of real images, due to the unavailability of ground-truth noise level map, only Lrec and LT V are considered in training.
对于真实数据，是无法得到ground-truth的noise level map的，我当时很疑惑的点在于：对于合成数据，也没有办法得到ground-truth的noise level map，为什么paper似乎在默认这个是能够得到的？然而实际上，paper中提到了合成数据中噪声服从的分布：
N ( 0 , σ 2 ( L ) ) N(0, /sigma^2(L)) N(0,σ2(L))
其中 σ 2 ( L ) = L ⋅ σ s 2 + σ c 2 /sigma^2(L) = L · /sigma^2_s+/sigma^2_c σ2(L)=L⋅σs2+σc2，（L是irradiance image）。
这样，合成数据的ground-truth的noise level map不就直接是 σ ( L ) /sigma(L) σ(L)了么（如果本文之前的推断都没问题的话）。
确定的事情：
对于高斯噪声，方差σ²就是噪声强度noisePower；
如果已知噪声服从的高斯分布，那么对于根据这个分布+clean image合成的noisy image，可以直接得出其ground-truth的noise level or noise level map。
不太确定的事情：
另外读到这里你肯定发现了论文中的noise level和本文中的noisePower不是一个东西，网上没有找到两者特别明显的概念区别，所以noise level可能是作者对σ起的专门的称谓，这个称谓是否为图像去噪领域默认叫法，我还不太清楚。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/122150.html
摘要：何恺明和两位大神最近提出非局部操作为解决视频处理中时空域的长距离依赖打开了新的方向。何恺明等人提出新的非局部通用网络结构，超越。残差连接是何恺明在他的年较佳论文中提出的。 Facebook何恺明和RGB两位大神最近提出非局部操作non-local operations为解决视频处理中时空域的长距离依赖打开了新的方向。文章采用图像去噪中常用的非局部平均的思想处理局部特征与全图特征点的关系。这种...
摘要：较高的值可以更好地消除噪声，但也会删除图像的细节与相同，但仅适用于彩色图像。如上所述，它用于从彩色图像中去除噪声。第三个是，它指定了用于去噪的附近帧的数量。在这种情况下，使用总共帧，其中中心帧是要去噪的帧。 Image Denoising OpenCV提供了这种技术的四种变体。 cv2.fastNlMeansDenoising（） - 使用单个灰度图像 cv2.fastNlMean...
摘要：自从年深秋，他开始在上撰写并公开分享他感兴趣的机器学习论文。本文选取了上篇阅读注释的机器学习论文笔记。希望知名专家注释的深度学习论文能使一些很复杂的概念更易于理解。主要讲述的是奥德赛因为激怒了海神波赛多而招致灾祸。 Hugo Larochelle博士是一名谢布克大学机器学习的教授，社交媒体研究科学家、知名的神经网络研究人员以及深度学习狂热爱好者。自从2015年深秋，他开始在arXiv上撰写并...
摘要：对于无人驾驶系统而言，多传感器已经是默认配置卡尔曼滤波经常运用于无人驾驶系统中感知模块，用于目标状态估计。所以利用一阶泰勒展开，用局部的线性系统接近整个非线性系统。 Sensor 对于无人驾驶系统而言，多传感器已经是默认配置showImg(https://segmentfault.com/img/remote/1460000018252000?w=5120&h=2880); Kalma...
摘要：简称库是从扩展下来的，提供了更丰富的图像处理函数，去噪函数除了还有算法，比如边缘检测还有以前简单提过的算子滤波器。下面我用看具体的例子，将和高斯平滑进行对比效果对比如下明显感觉使用的效果要比高斯平滑好很多。 图像去噪(Image Denoising)的过程就是将噪点从图像中去除的同时尽可能的保留原图像的细节和结构。这里讲的去噪跟前面笔记提过的去噪不一样，这里是指高级去噪技术，前面提过的...
阅读 2422·2021-10-11 10:58
阅读 2227·2021-10-09 09:44
阅读 3413·2021-09-22 15:43
阅读 2761·2021-09-02 09:47
阅读 2307·2021-08-12 13:29
阅读 3705·2019-08-30 15:43
阅读 1587·2019-08-30 13:06
阅读 2077·2019-08-29 16:07
