Методы на основе поиска максимального правдоподобия характеристик шума и изображения

Как уже отмечалось ранее, для оценки дисперсии помех (или СКО) могут быть использованы только некоторые области изображения, в которых текстура изображения и шум могут быть эффективно разделены. Методы оценки СКО шума в пространственной области работают на однородных областях изображения, где уровень текстуры пренебрежимо мал по сравнению с шумом [47]. В случае, когда однородные области занимают малую площадь на изображении (например, авторы работы [48] отмечают, что однородные области занимают лишь 0,6-2% площади тестового гиперспектрального изображения Visible InfraRed Scanner, VIRS-200), пространственные методы приводят к значительным ошибкам [49]. Лучшие результаты достигаются в спектральной области, где более гладкая текстура и более высокочастотный шум могут быть эффективно разделены с помощью подходящего ортогонального преобразования.

Обычно положение однородных областей заранее неизвестно [48], а использование текстурных областей приводит к появлению аномальных измерений (выбросов) локальных СКО и, в конечном счете, ошибочным измерениям СКО шума для всего изображения. Эта проблема актуальна для обеих рассмотренных выше групп методов, поскольку снижение точности оценивания СКО шума для высокотекстурных изображений отмечается для методов, работающих как в пространственной, так и в спектральной областях [49].

Как уже упоминалось выше, для борьбы с аномальными измерениями применяются два основных подхода. Первый состоит в обработке локальных оценок СКО с помощью методов, устойчивых к выбросам [48]. Второй подход заключается в применении этапа предварительной классификации изображения для обнаружения однородных и исключения из рассмотрения текстурных областей [47].

Основная идея работы методов третьей группы [50, 51] состоит в проведении этапа предварительной классификации, в ходе которого на изображении выделяются блоки, информативные по шуму (ИШ) и информативные по текстуре (ИТ), далее с использованием блоков ИШ определяется значение СКО шума для данного изображения. Разделение блоков изображения на ИШ и ИТ производится с точки зрения информации Фишера . В зависимости от величины , все блоки изображения могут быть разделены на две группы: блоки, для которых выше и ниже некоторого заданного порога. Первая группа соответствует однородным областям и областям с неинтенсивной текстурой, которые пригодны для измерения СКО шума при условии, что параметры текстуры известны. Эта группа блоков является информативной по шуму (ИШ). Вторая группа соответствует текстурным областям, которые практически не содержат информации о шуме, однако позволяют точно оценить параметры текстуры. Такие области информативны по текстуре (ИТ). Все ИШ и ИТ блоки образуют соответственно карты ИШ и ИТ.

Оценивание дисперсии аддитивного шума для предлагаемого метода основывается только на тех блоках изображения, которые принадлежат карте ИШ. Текстурные окна (принадлежащие карте ИТ) не вносят дополнительной информации о параметрах шума и, при их использовании, могут приводить к завышенным оценкам параметров шума. Так как заранее неизвестно, какие области данного изображения являются ИТ или ИШ, то задача детектирования таких областей выходит на первое место при решении задачи оценки дисперсии шума. Решение этой задачи возможно, если может быть оценено, основываясь только на зашумленном изображении. Заметим, что информация Фишера является функцией неизвестных параметров как шума, так и текстуры. К сожалению, они не могут быть оценены с достаточной точностью по одному БИ: блок, принадлежащий одной из карт ИШ или ИТ, предоставляет информацию либо только о шуме, либо только о текстуре, но не одновременно по обеим.

Для преодоления этой трудности параметры текстуры в областях ИШ предсказываются на основе соседних областей ИТ, а шум оценивается в окнах ИТ (и ИШ) по областям ИШ. С помощью такой итерационной схемы представляется возможным оценить с достаточной точностью параметры шума и текстуры для всего изображения. Полученные оценки далее могут быть использованы для оценки и последующего уточнения карт ИШ и ИТ.

Основное преимущество методов третьей группы состоит в том, что они обеспечивают более точные и стабильные результаты для высокотекстурных изображений, расширяя, таким образом, класс изображений, для которых может быть получена надежная оценка дисперсии. Однако в некоторых случаях [49] даже эти методы обеспечивают существенно смещенные оценки дисперсии помех для изображений со сложной структурой.

Одним из недостатков методов этой группы, с практической точки зрения, является то, что они достаточно медленно работают по сравнению со многими методами из первой и второй групп. Причина этого в сложных и продолжительных по времени вычислениях для оценивания основных параметров текстуры. Это означает, что методы третьей группы должны использоваться только для изображений со сложной структурой. В остальных случаях стоит применять более быстрые методы из первой и второй групп. Для реализации этой идеи быстрым и автоматическим способом следует разработать методы для оценивания сложности изображения.