Verfahren zur Rauschunterdrückung oder Filterung wie Schwellenwertbildung im Frequenzbereich (z.B. nach einer Fourier- oder Wavelet-Transformation), kantenerhaltende Glättungsverfahren wie anisotrope Diffusion (auch Perona-Malik-Diffusion genannt) oder Deep-Learning-Ansätze zur Bildentrauschung, z.B. unter Verwendung von neuronalen Faltungsnetzwerken [Convolutional Neural Networks, CNN].
Lineare Glättungsfilter (z.B. zur Faltung des Originalbildes mit einem Tiefpassfilter wie einem Gauß-Filterkern oder zur Anwendung eines Wiener-Filters) und nichtlineare Filterung wie Medianfilterung oder bilaterale Filterung (siehe auch die Gruppe G06V 10/36), wenn sie zur Rauschunterdrückung eingesetzt werden.
Verfahren zur Rauschabschätzung [Noise Estimation] auf der Grundlage eines Referenzbildes, wobei das Referenzbild Folgendes sein kann:
Abschätzung von Rauschparametern auf der Grundlage unterschiedlicher Rauschmodelle, z.B. additives weißes gaußsches Rauschen, Lichtgranulation [Speckle Noise] usw.
Erkennung von Unschärfe oder Defokussierung des Bildmusters.
Beispiele
Rauschunterdrückung bei Gesichtsbildern.
Entrauschen von (abgebildeten) Gesichtern mittels einer Autoencoder-CNN-Architektur (oben), gefolgt von einer Gesichtserkennung durch eine Diskriminator-Architektur (unten).
Ausrichten oder Zentrieren sowie Erkennen oder Korrigieren der Orientierung zum Erkennen oder Verstehen von Bildern oder Videos | G06V 10/24 |
Segmentierung von Mustern im Bildfeld | G06V 10/26 |
Lokale Bildoperatoren zum Erkennen oder Verstehen von Bildern oder Videos, z.B. Medianfilterung | G06V 10/36 |
Verbesserung oder Wiederherstellung für die Bildverarbeitung allgemein | G06T 5/00 |
Techniques for noise removal or filtering such as thresholding in the frequency domain (e.g. after a Fourier or wavelet transform), edge-preserving smoothing techniques such as anisotropic diffusion (also called Perona-Malik diffusion), or deep learning approaches to image denoising, e.g. using convolutional neural networks (CNN’s).
Linear smoothing filters (e.g. for convolving the original image with a low-pass filter such as a Gaussian kernel matrix or applying a Wiener filter) and non-linear filtering such as median filtering or bilateral filtering (see also group G06V 10/36), when applied for the purpose of noise removal.
Noise estimation techniques based on a reference image, wherein the reference image may be:
Estimation of noise parameters based on different noise models, e.g. additive white Gaussian noise, speckle noise, etc.
Detection of blur or defocusing of the image pattern.
Examples
Face image denoising
Face denoising using an autoencoder convolutional neural network architecture (above), followed by face recognition using a discriminator architecture (below)
Aligning, centring, orientation detection or correction for image or video recognition or understanding | G06V 10/24 |
Segmentation of patterns in the image field | G06V 10/26 |
Local image operators for image or video recognition or understanding, e.g. median filtering | G06V 10/36 |
Enhancement or restoration for general image processing | G06T 5/00 |
DCT | discrete cosine transform |
FFT | fast Fourier transform |
PDF | probability density function |
SNR | signal to noise ratio |