基于直方图的图像噪声估计

Question

我想估计输入图像的噪声水平。

我制作了一些噪声和原始图像的直方图并进行了比较，通过查看图像的两个不同阶段的直方图，我们可以分辨出哪个是嘈杂的以及存在哪种类型的噪声。 （我所说的噪声，是指常见的噪声类型，如高斯、泊松、斑点等）

我想知道是否有一种方法可以检测噪声模型，然后从图像直方图中估计噪声水平（基于特定噪声模型，如高斯标准的标准）？像识别密度函数？或者这个任务可能需要空间域以外的其他形式的输入，比如它需要转换图像然后执行任务。

我正在使用像素值变化非常小的图像（例如渐变），然后我自己应用噪声来比较无噪声和噪声图像的直方图。

编辑：为了清除，我知道您可以通过查看直方图来检测噪声。我正在寻找一种我自己不会“在视觉上”这样做的方法。我想检测噪声和密度函数，然后如果它是高斯或泊松或......。

如果有人能提供任何关于解决此问题的正确途径的提示，我将不胜感激。

Answer 1

一般来说，通过分析直方图是无法确定噪声分布的。因为，很难确定这些变化是由于图像纹理和光照变化，还是由于噪声。这是海滩沙子的原始和噪声图像（高斯噪声）的简单示例直方图：

由于图像方差很大并且本身具有高斯分布，因此噪声确实会稍微改变直方图。请注意，我们没有现实世界中的原始图像进行比较。
对于您的情况，如上所述，原始图像是平滑的，因此图像的方差很低。任何噪声都会显着增加方差，这在直方图中很明显。 所以对于问题的基本部分，

我想估计输入图像的噪声水平。

用于估计图像噪声的最简单技术是找到图像中最平滑的部分，找到该部分的直方图，并根据该部分估计整个图像的噪声分布。下面是一个使用 Opencv 进行噪声估计的例子：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('cameraman.bmp',0)
row, col = img.shape
gauss = np.random.normal(10,10,(row,col))
noisy = img + gauss
smooth_part = noisy[:30, :30]

plt.subplot(221),plt.imshow(noisy,cmap = 'gray')
plt.title('Noisy Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(smooth_part,cmap = 'gray')
plt.title('Smooth Part'), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.hist(noisy.ravel(),256,[0,256])#; plt.show()
plt.title('Noisy Image Histogram'), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.hist(smooth_part.ravel(),256,[0,256])#; plt.show()
plt.title('Estimated Noise Distribution'), plt.xticks([]), plt.yticks([])
plt.show()

结果：