20170301笔记-iterative weighted maximum likelyhood denoising with probabilistic patch-based weight

本文主要是介绍20170301笔记-iterative weighted maximum likelyhood denoising with probabilistic patch-based weight,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

实验结果。

搜索窗口|W|=21*21,相似窗口|△|=7*7。非迭代PPB h的设置,使α=0.88,迭代PPB参数设置:α=0.92,T=0.20|△|。25次迭代,确保收敛。

加性WGN,对比了 K-SVD, BM3D ,NL-means(non-iterative PPB) ,iterative PPB。乘性GSN,对比了WIN-SAR filter(Wavelet-based Image-denoising Nonlinear SAR filter),MAP-UWD-S( MAP filter based on Undecimated Wavelet Decomposition and Segmentation)。

对于WGN,标准差σ=40;对于GSN,等效视数L=3。因为这两种噪声标准提供了程度相当的SNR。

真实SAR图像上的实验。

加性高斯噪声情况。对比non-iter PPB(和NLM)而言,iterative-PPB平滑效果好,有很好的边缘的保持和形状保持。K-SVD 和 BM3D出现了一些伪像,PPB在平滑区和边缘上表现良好。但是PPB消弱了对比度还有细的区域和暗区域的结构:lena的嘴、barbara的眼睛、船的绳索。但是BM3D对这些细节的保持很好。这种是因为,为了使同质区方差很小,选择了较大的α分位数值。也可能是因为使用较小的搜索窗口(会使得图像仍保持较大方差,平滑不够)。

乘性噪声情况。  WIN-SAR 、MAP-UWD-S滤波器的到的结果不如PPB平滑效果好。此外,WIN-SAR模糊了边缘,MAP-UWD-S在边缘附近产生伪像。

PPB在WGN和GSN情况同样表现很好(信噪比相仿的情况)。

为了量化去噪质量,进行了不同程度的方差(WGN)不同时数(GSN)的实验,结果在论文表中。评价指标是SNR。

观察到,对于低信噪比的图像,iterative-PPB对比non-iter PPB提高了。高信噪比图像(标准差σ<30,或等效视数L>=4)不需要迭代优化权重。

WGN情况,PPB比K-SVD要好,但是在各信噪比下都不如BM3D。

GSN情况下,低信噪比时,PPB表现最优。高信噪比时PPB与MAP-UWD-S表现相当。iterative-PPB在较低视数情况下更合适(L=1,2,3,4)。

真实SAR图像的实验,提供了多种环境,不同的场景、不同的传感器、不同的噪声(单视和多视)。对比其它滤波器,iterative-PPB平滑效果好,边缘保持和形状保持也不错,相干斑的影响大幅降低,此外,明亮的散射体也被保持。 缺点还是那个问题,削弱了细的、暗区的结构。

将来的工作:尝试保持细的、暗的结构,用自适应滤波器(参考文献中)。根据处理后的图像的统计特性的阐述,定义了合适的块相似性准则(针对SAR图像)。

这篇关于20170301笔记-iterative weighted maximum likelyhood denoising with probabilistic patch-based weight的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/965451

相关文章

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

忽略某些文件 —— Git 学习笔记 05

忽略某些文件 忽略某些文件 通过.gitignore文件其他规则源如何选择规则源参考资料 对于某些文件,我们不希望把它们纳入 Git 的管理,也不希望它们总出现在未跟踪文件列表。通常它们都是些自动生成的文件,比如日志文件、编译过程中创建的临时文件等。 通过.gitignore文件 假设我们要忽略 lib.a 文件,那我们可以在 lib.a 所在目录下创建一个名为 .gi

取得 Git 仓库 —— Git 学习笔记 04

取得 Git 仓库 —— Git 学习笔记 04 我认为, Git 的学习分为两大块:一是工作区、索引、本地版本库之间的交互;二是本地版本库和远程版本库之间的交互。第一块是基础,第二块是难点。 下面,我们就围绕着第一部分内容来学习,先不考虑远程仓库,只考虑本地仓库。 怎样取得项目的 Git 仓库? 有两种取得 Git 项目仓库的方法。第一种是在本地创建一个新的仓库,第二种是把其他地方的某个