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！
