Multiscale noise estimation and removal for digital images

• Autores: Miguel Colom Barco
• Directores de la Tesis: Jean-Michel Morel (dir. tes.) , Antonio Buades Capó (dir. tes.)
• Lectura: En la Universitat de les Illes Balears ( España ) en 2014
• Idioma: español
• Tribunal Calificador de la Tesis: Bartomeu Coll Vicens (presid.) , Josep Lluís Lisani Roca (secret.) , Gabriele Facciolo Furlan (voc.) , Andres Almansa (voc.) , Enric Meinhardt Llopis (voc.)
• Enlaces
  • Tesis en acceso abierto en: RepositoriUIB
• Resumen
  • español

    Cualquier imagen, ya sea digital o analógica, contiene no solamente información de la escena fotogra ada, sino también interferencias externas conocidas como ruido. La imagen resultante es la combinación de la imagen ideal sin ruido, con el propio ruido. La imagen ideal sin ruido es una abstracción matemática y no está disponible en la realidad. Por lo tanto, es necesario utilizar métodos que, dada únicamente la imagen deteriorada, sean capaces de caracterizar adecuadamente el ruido. Esta caracterización a partir de la imagen ruidosa se conoce como estimación a ciegas del ruido, ya que no se utiliza ninguna otra información adicional aparte de la imagen ruidosa. Una vez caracterizado adecuadamente el ruido, el siguiente paso es obtener una versión de la imagen que sea tan el como sea posible a la imagen ideal. Este proceso se conoce como eliminación de ruido a ciegas, ya que la imagen ideal no está disponible. Los métodos de eliminación de ruido aprovechan la propiedad de autosimilaridad de los pequeños bloques que componen la imagen para inferir la geometría de los bloques de la imagen ideal. La eliminación de ruido es un proceso guiado por la estimación de ruido previa. Dado que tanto la estimación como la eliminación de ruido se realizan a ciegas, es importante que la caracterización del ruido sea tan completa como sea posible. En esta tesis se discuten en detalle las diversas técnicas para la estimación de ruido, desde las más simples que únicamente consideran ruido homoscedástico, pasando por las que consideran el modelo poissoniano de ruido, hasta nalmente la nueva técnica que proponemos para obtener un modelo de ruido complejo, que depende tanto de la intensidad como de la frecuencia. En cuanto a la eliminación de ruido, esta tesis se centra especialmente en las técnicas basadas en el modelo bayesiano. La tesis culmina con la presentación de la Noise Clinic, la herramienta que proponemos para la estimación y eliminación automáticas del ruido. La Noise Clinic combina la estimación automática de un modelo de ruido complejo con su eliminación en cada una de las escalas de la imagen. Esto permite restaurar una tipología extensa de imágenes, incluyendo las comprimidas con JPEG.

  • català

    Qualsevol imatge, ja sigui digital o analògica, conté no només informació de l'escena fotogra - ada, sinó també interferències externes conegudes com renou. La imatge resultant és la combinació de la imatge ideal sense renou, amb el renou mateix. La imatge ideal sense renou és una abstracció matemàtica i no està disponible a la realitat. Per tant, cal utilitzar mètodes que, donada únicament la imatge deteriorada, siguin capaços de caracteritzar adequadament el renou. Aquesta caracterització a partir de la imatge amb renou es coneix com estimació a cegues del renou, atés que no s'utilitza cap altra informació addicional a part de la imatge amb renou. Un cop caracteritzat adequadament el renou, el següent pas és obtenir una versió de la imatge que sigui tan del com sigui possible a la imatge ideal. Aquest procés es coneix com eliminació de renou a cegues, ja que la imatge ideal no està disponible. Els mètodes d'eliminació de renou apro ten la propietat d' autosimilaritat dels petits blocs que componen la imatge per inferir la geometria dels blocs de la imatge ideal. L'eliminació de renou és un procés guiat per l'estimació de renou prèvia. Atès que tant l'estimació com l'eliminació de renou es realitzen a cegues, és important que la caracterització del renou sigui tan completa com sigui possible. En aquesta tesi es discuteixen en detall les diverses tècniques per a l'estimació de renou, des de les més simples que únicament consideren renou homoscedàstic, passant per les que consideren el model poissonià de renou, ns a nalment la nova tècnica que proposem per obtenir un model de renou complex, que depèn tant de la intensitat com de la freqüència . Pel que fa a l'eliminació de renou, aquesta tesi se centra especialment en les tècniques basades en el model bayesià. La tesi culmina amb la presentació de la Noise Clinic , l'eina que proposem per a l'estimació i eliminació automàtiques del renou. La Noise Clinic combina l'estimació automàtica d'un model de renou complex amb la seva eliminació en cadascuna de les escales de la imatge. Això permet restaurar una tipologia extensa d'imatges, incloent les comprimides amb JPEG.

  • English

    Any image, digital or analogic, contains not only information from the scene being photographed but also external interferences known as noise. The resulting image is the combination of the ideal image without noise with noise itself. The ideal image without noise is a mathematic abstraction and it is not available in reality. Thus, it is needed methods that given only the degraded image are capable to properly characterize noise. This characterization using the noisy image is known as blind noise estimation since it does not use any additional information out the the noisy image. Once noise has been properly characterized, the next step is to obtain a version of the image which is as close as possible to the ideal image. This process is known as blind denoising, since the ideal image is not available. Denoising methods exploit the property of autosimilarity of the small blocks that form the image to infer the geometry of the blocks of the ideal image. Denoising is a process guided by previous noise estimation. Given that both noise estimation and denoising are performed blindly, it is important that noise characterization is as complete as possible. In this thesis several techniques for noise estimation are discussed, from the simplest which just consider homoscedastic noise, through those which consider the Poissonian model, to nally the new technique that we propose to obtain a complex noise model that depends on both intensity and frequency. Regarding denoising, this thesis is mainly focuses on Bayesian techniques. The thesis nally reaches with the presentation of the Noise Clinic, the tool which we propose for automatic noise estimation and denoising. The Noise Clinic combines the automatic estimation of a complex noise model with its elimination at each of the scales of the image. This allows to restore a large typology of images, including those compressed with JPEG.