经典图像噪声方差估计与评估算法库

资 源 简 介

本项目汇集并实现了多种学术界经典的图像噪声方差盲估计算法，旨在为图像去噪、图像复原及超分辨率重建等任务提供精确的噪声水平先验信息。项目详细复现了基于不同理论框架的估计技术，主要包括：1. 基于主成分分析（PCA）的噪声估计方法，利用图像块的最小特征值来推断噪声方差，适用于纹理丰富的图像；2. 基于小波变换的估计方法，通过计算高频子带系数的中值绝对偏差（MAD）来鲁棒地估计噪声标准差；3. 基于空间域拉普拉斯掩模（Laplacian Mask）的快速估计算法（如Immerkaer方法），通过滤波与统计分析实现低计算成本的估计；4. 基于图像块统计特性的弱纹理块筛选法，自动识别平滑区域进行方差计算以避免边缘干扰。此外，项目包含一个完整的评估框架，能够自动加载标准测试图像数据集，添加不同强度的模拟高斯白噪声，并由各算法输出估计值，最终生成包括相对误差、均方根误差及运行时间在内的详细对比报告，帮助用户在准确性与计算效率之间找到最佳平衡点。

详 情 说 明

经典图像噪声方差估计方法研究与实现库

项目介绍

本项目汇集并详细实现了多种学术界经典的图像噪声方差盲估计算法。针对图像去噪、图像复原及超分辨率重建等任务中急需的噪声水平先验信息，本项目提供了一套完整的评估与测试框架。代码不仅复现了基于PCA、小波变换、拉普拉斯掩模及弱纹理块统计的四种核心估计算法，还构建了自动化的测试环境，能够对不同强度的加噪图像进行实时评估，生成精确的误差分析与可视化对比。

功能特性

• 多维度的估计算法集成：涵盖了从变换域（PCA、小波）到空间域（拉普拉斯、块统计）的多种经典理论实现。
• 零依赖的底层实现：关键算法（如小波估计）采用底层矩阵操作手动实现，不强依赖MATLAB高级工具箱（如Wavelet Toolbox），保证了代码的高兼容性。
• 自适应测试环境：

* 具备智能图像加载机制，优先读取系统内置图像（peppers/cameraman），若读取失败则自动生成合成纹理图像作为替代。 * 支持动态参数配置，覆盖从低噪声（sigma=5）到高噪声（sigma=60）的宽范围测试。

• 详细的性能评估：

* 控制台实时输出每种算法在不同噪声水平下的估计值、真实值及运行耗时。 * 图表化展示算法的线性度与相对误差，直观对比各方法的鲁棒性。

系统要求

• MATLAB R2016b 或更高版本
• 推荐安装 Image Processing Toolbox（用于图像读取与转换），但代码内置了基础功能的备选实现，基础版MATLAB亦可运行。

使用方法

1. 将代码保存为MATLAB脚本文件。
2. 直接运行主程序入口。
3. 程序将自动执行以下流程：

* 初始化环境并加载/生成灰度测试图像。 * 依次对设定好的7个噪声等级进行模拟加噪实验。 * 在控制台打印格式化的对比数据表格。 * 弹出图形窗口展示估计精度与误差分析图表。

核心算法实现逻辑详解

本项目的所有逻辑均封装在单一脚本中，主要包含主控流程与四个独立的算法子模块。

1. 基于主成分分析（PCA）的噪声估计

原理实现：该模块利用图像块的协方差矩阵特征值分布特性来分离信号与噪声。

• 分块处理：将图像划分为 5x5 大小的重叠块。代码采用了兼容性设计，优先尝试 im2col 高效提取，若缺失则回退到双重循环手动提取。
• 去均值与协方差：对提取的图像块向量进行去均值处理，计算其散度矩阵（近似协方差）。
• 特征值分析：对协方差矩阵进行特征值分解并升序排列。算法假设最小的特征值主要由噪声子空间贡献。
• 估计策略：取最小的3个特征值的均值作为噪声方差的估计量，最后开方得到标准差。

2. 基于小波变换（MAD）的噪声估计

原理实现：基于Donoho提出的经典方法，利用高频子带系数的统计特性进行鲁棒估计。

• 手动Haar分解：为了不依赖小波工具箱，代码通过两次差分操作模拟Haar小波变换的高频对角线（HH）子带提取。

* 首先在行方向进行相邻像素差分。 * 接着在列方向对行差分结果进行二次差分。

• 鲁棒统计（MAD）：计算HH子带系数的绝对值中值（Median Absolute Deviation）。
• 系数修正：由于手动差分引入了尺度因子，且标准正态分布下MAD与标准差存在固定比例（1/0.6745），代码对计算结果进行了除以2和除以0.6745的双重修正，从而还原真实的噪声标准差。

3. 基于拉普拉斯掩模（Immerkaer）的快速估计

原理实现：通过特定的空间域卷积核抑制图像结构，仅保留噪声能量。

• 卷积核定义：使用Immerkaer提出的特定 3x3 拉普拉斯算子 [1, -2, 1; -2, 4, -2; 1, -2, 1]。
• 空间滤波：对图像进行卷积操作，为了避免边界效应，仅保留结果的有效部分（Valid Padding）。
• 统计推断：计算卷积后图像绝对值的均值。根据拉普拉斯分布与高斯分布的转换关系，通过理论系数 sqrt(pi/2) / 6 将均值映射为噪声标准差。该方法计算复杂度极低，适合快速预估。

4. 基于弱纹理块统计的噪声估计

原理实现：通过筛选图像中的平滑区域（弱纹理区）来避免边缘和纹理对方差计算的干扰。

• 非重叠分块：将图像裁剪为8的倍数尺寸，并分割为 8x8 的互不重叠块（Distinct Blocks）。
• 局部方差计算：计算每一个独立块的标准差。
• 平滑块筛选：对所有块的标准差进行升序排序，假设方差最小的块为纯平滑背景。
• 估计策略：选择排序后前10%的块（即最平滑的10%区域），计算这些块标准差的算术平均值作为全图的噪声水平估计。这种方法对于包含大面积含有平坦区域的图像尤为有效。

评估与可视化框架

测试流程 程序预设了 [5, 10, 20, 30, 40, 50, 60] 共7个等级的高斯白噪声标准差。主循环中，程序会生成对应强度的随机噪声叠加到原图上，并依次调用上述四种算法。

误差分析 代码内部计算了每种算法的相对误差（(估计值 - 真实值) / 真实值），用于精确量化精度。

可视化输出

• 控制台：输出清洗的表格，展示真实Sigma、四种算法的估计结果以及四种算法的平均运行耗时。
• 绘图：包含“不同噪声水平下的估计值对比”图，横轴为真实噪声，纵轴为估计噪声。图中绘制了真实基准线（GT），并用不同颜色和标记（蓝、绿、红、紫）分别展示四种算法的随噪性能曲线，直观反映算法的线性度和偏差。