泊松噪声去除算法的数学模型

泊松噪声既不是加性噪声，也不是乘性噪声，而是一种信号依赖噪声。对于一张图像而言，每个像素点的值都满足泊松分布，且每个像素点的泊松分布的均值是无噪图像在该像素点对应的值。所以一个完美的泊松噪声去除算法应该是对泊松噪声图像每个像素点的值的一个估计，且该估计应该尽可能的接近无噪图像。所以评价一幅图像中的泊松噪声的强弱可以用去噪图像的像素值和无噪图像的像素值的偏差来衡量。...

zdlu

12639人浏览 · 2018-06-19 09:50:31

zdlu · 2018-06-19 09:50:31 发布

泊松噪声既不是加性噪声，也不是乘性噪声，而是一种信号依赖噪声。对于一张图像而言，每个像素点的值都满足泊松分布，且每个像素点的泊松分布的均值是无噪图像在该像素点对应的值。所以一个完美的泊松噪声去除算法应该是对泊松噪声图像每个像素点的值的一个估计，且该估计应该尽可能的接近无噪图像。
泊松噪声的数学模型
所以评价一幅图像中的泊松噪声的强弱可以用去噪图像的像素值和无噪图像的像素值的偏差来衡量。
去噪对比图
偏差图

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

大模型微调技术深度解构：从原理到工业级实践的完整指南

从企业级服务器到手机终端，微调技术正在重塑AI落地的边界。开发者需要像外科医生般精准选择工具：面对复杂任务时祭出全量微调，资源受限时祭出QLoRA，多任务场景则善用混合策略。正如瑞士军刀通过模块组合实现百变功能，现代微调技术也正在构建AI应用的无限可能。立即尝试本文的选型决策树，在你的项目中开启高效微调之旅！

2048 AI社区

AI原生应用领域混合推理技术的最新进展

当我们谈论AI原生应用（如ChatGPT、GitHub Copilot、智能诊疗系统）时，“灵活但不可靠”“准确但不智能”的矛盾始终是绕不开的痛点——纯神经模型（如大语言模型）像“凭直觉做题的学生”，擅长处理复杂场景却常犯“幻觉”错误；纯符号系统（如传统专家系统）像“死记硬背的书呆子”，逻辑严谨却无法应对非结构化数据。混合推理技术。