一种图像的噪声估计方法、装置及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像的噪声估计方法、装置及存储介质。


背景技术：

2.在图像的采集、传输及提取的过程中都不可避免地掺杂噪声，而这些噪声会严重影响图像的质量，因此有必要对图像的噪声进行估计。
3.现有技术在进行噪声估计时，首先向含噪图像中加入已知固定强度的随机噪声，以形成新的含噪图像，再利用原含噪图像和新含噪图像的尾部奇异值均值的关系实现噪声标准差的估计。
4.由于原始含噪声图像自带的高斯噪声具有随机性，仅向含噪图像中加入一次随机噪声，得到的结果会具有较大的随机性，使得估计结果不稳定且精确度低。


技术实现要素：

5.本发明提供了一种图像的噪声估计方法、装置及存储介质，解决了现有噪声估计方法稳定性差及估计精确度低的技术问题。
6.本发明第一方面提供一种图像的噪声估计方法，包括：
7.对待估计图像进行分块处理得到多个含噪图像块；
8.从所述多个含噪图像块中筛选待估计的含噪图像块；
9.向所述待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到对应的多个新含噪图像块；
10.对每个所述新含噪图像块进行奇异值分解并计算对应的尾部奇异值均值，根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值；
11.对所有待估计的含噪图像块的噪声标准差估计值取平均，得到所述待估计图像的噪声标准差估计值。
12.根据本发明第一方面的一种能够实现的方式，所述含噪图像块的尺寸为64
×
64。
13.根据本发明第一方面的一种能够实现的方式，所述从所述多个含噪图像块中筛选待估计的含噪图像块，包括：
14.对所述含噪图像块进行奇异值分解，选取前部h个奇异值计算平均值，得到对应所述含噪图像块的前部奇异值均值；
15.对所述多个含噪图像块的前部奇异值均值求取平均数，根据求取的平均数设置筛选阈值；
16.筛选前部奇异值均值大于所述筛选阈值的含噪图像块作为所述待估计的含噪图像块。
17.根据本发明第一方面的一种能够实现的方式，所述计算对应的尾部奇异值均值，包括：
18.对所述待估计图像进行奇异值分解得到奇异值矩阵，对所述奇异值矩阵进行重构，得到重构图像矩阵，通过最小化所述重构图像矩阵的峰度值获取对应的截断参数的最优值t；
19.根据所述截断参数的最优值t设置尾部奇异值均值的计算式为：
[0020][0021]
式中，p
t
表示尾部奇异值均值，r为图像宽度，s(i)表示图像的第i个奇异值；
[0022]
根据所述尾部奇异值均值的计算式计算新含噪图像块的尾部奇异值均值。
[0023]
根据本发明第一方面的一种能够实现的方式，所述根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值，包括：
[0024]
构造一组相同尺寸的纯噪声图像，对所述纯噪声图像进行实验统计以得到噪声相关系数；
[0025]
根据各所述尾部奇异值均值形成相应的数据点序列；
[0026]
根据所述数据点序列及所述噪声相关系数，构建对应的尾部奇异值均值方程组，所述尾部奇异值均值方程组的未知数包括所述待估计的含噪图像块的噪声标准差；
[0027]
对所述尾部奇异值均值方程组进行求解，得到所述噪声标准差估计值。
[0028]
根据本发明第一方面的一种能够实现的方式，所述对所述尾部奇异值均值方程组进行求解，包括：
[0029]
利用高斯牛顿迭代法对所述尾部奇异值均值方程组进行求解，在求解过程中以高斯牛顿迭代法求得的增量作为线搜索的搜索方向，并利用回溯armijo线搜索调整步长。
[0030]
根据本发明第一方面的一种能够实现的方式，设所述一组相同尺寸的纯噪声图像的噪声标准差为σj,j＝1,
…
,m，所述对所述纯噪声图像进行实验统计以得到噪声相关系数，包括：
[0031]
对每个所述纯噪声图像进行奇异值分解并求出对应的尾部奇异值均值
[0032]
根据所述对应的尾部奇异值均值及对应的噪声标准差构建数据点序列φ，
[0033]
对数据点序列φ进行正比例拟合，得到所述噪声相关系数。
[0034]
本发明第二方面提供一种图像的噪声估计装置，包括：
[0035]
图像分块模块，用于对待估计图像进行分块处理得到多个含噪图像块；
[0036]
图像筛选模块，用于从所述多个含噪图像块中筛选待估计的含噪图像块；
[0037]
噪声处理模块，用于向所述待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到对应的多个新含噪图像块；
[0038]
第一计算模块，用于对每个所述新含噪图像块进行奇异值分解并计算对应的尾部奇异值均值，根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值；
[0039]
第二计算模块，用于对所有待估计的含噪图像块的噪声标准差估计值取平均，得
到所述待估计图像的噪声标准差估计值。
[0040]
根据本发明第二方面的一种能够实现的方式，所述含噪图像块的尺寸为64
×
64。
[0041]
根据本发明第二方面的一种能够实现的方式，所述图像筛选模块包括：
[0042]
第一计算单元，用于对所述含噪图像块进行奇异值分解，选取前部h个奇异值计算平均值，得到对应所述含噪图像块的前部奇异值均值；
[0043]
第一设置单元，用于对所述多个含噪图像块的前部奇异值均值求取平均数，根据求取的平均数设置筛选阈值；
[0044]
筛选单元，用于筛选前部奇异值均值大于所述筛选阈值的含噪图像块作为所述待估计的含噪图像块。
[0045]
根据本发明第二方面的一种能够实现的方式，所述第一计算模块包括：
[0046]
参数值获取单元，用于对所述待估计图像进行奇异值分解得到奇异值矩阵，对所述奇异值矩阵进行重构，得到重构图像矩阵，通过最小化所述重构图像矩阵的峰度值获取对应的截断参数的最优值t；
[0047]
第二设置单元，用于根据所述截断参数的最优值t设置尾部奇异值均值的计算式为：
[0048][0049]
式中，p
t
表示尾部奇异值均值，r为图像宽度，s(i)表示图像的第i个奇异值；
[0050]
第二计算单元，用于根据所述尾部奇异值均值的计算式计算新含噪图像块的尾部奇异值均值。
[0051]
根据本发明第二方面的一种能够实现的方式，所述第一计算模块还包括：
[0052]
噪声相关系数获取单元，用于构造一组相同尺寸的纯噪声图像，对所述纯噪声图像进行实验统计以得到噪声相关系数；
[0053]
数据点序列形成单元，用于根据各所述尾部奇异值均值形成相应的数据点序列；
[0054]
方程组构建单元，用于根据所述数据点序列及所述噪声相关系数，构建对应的尾部奇异值均值方程组，所述尾部奇异值均值方程组的未知数包括所述待估计的含噪图像块的噪声标准差；
[0055]
求解单元，用于对所述尾部奇异值均值方程组进行求解，得到所述噪声标准差估计值。
[0056]
根据本发明第二方面的一种能够实现的方式，所述求解单元具体用于：
[0057]
利用高斯牛顿迭代法对所述尾部奇异值均值方程组进行求解，在求解过程中以高斯牛顿迭代法求得的增量作为线搜索的搜索方向，并利用回溯armijo线搜索调整步长。
[0058]
根据本发明第二方面的一种能够实现的方式，设所述一组相同尺寸的纯噪声图像的噪声标准差为σj,j＝1,
…
,m，所述噪声相关系数获取单元具体用于：
[0059]
对每个所述纯噪声图像进行奇异值分解并求出对应的尾部奇异值均值
[0060]
根据所述对应的尾部奇异值均值及对应的噪声标准差构建数据点序列φ，
[0061]
对数据点序列φ进行正比例拟合，得到所述噪声相关系数。
[0062]
本发明第三方面提供了一种图像的噪声估计装置，包括：
[0063]
存储器，用于存储指令；其中，所述指令为可实现如上任意一项能够实现的方式所述的图像的噪声估计方法的步骤的指令；
[0064]
处理器，用于执行所述存储器中的指令。
[0065]
本发明第四方面一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的图像的噪声估计方法的步骤。
[0066]
从以上技术方案可以看出，本发明具有以下优点：
[0067]
本发明实施例将待估计图像进行分块，并对所得的含噪图像块进行筛选以得到待估计的含噪图像块，通过向待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到相应数量的新含噪图像块，进而通过各新含噪图像块的尾部奇异值均值计算待估计的含噪图像块的噪声标准差估计值，对各待估计的含噪图像块的噪声标准差估计值取平均，从而得到待估计图像的噪声标准差估计值；本发明实施例通过多次加入随机噪声实现原始噪声标准差的估计，从概率上减小了估计方法的偶然性，使得估计结果更为稳定，提高了估计精度。
附图说明
[0068]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0069]
图1为本发明一个可选实施例提供的一种图像的噪声估计方法的流程图；
[0070]
图2为本发明一个可选实施例提供的各尺寸的图像块的p
t-σ曲线示意图；
[0071]
图3为本发明一个可选实施例提供的一种图像的噪声估计装置的结构连接示意图。
[0072]
附图说明：
[0073]
1-图像分块模块；2-图像筛选模块；3-噪声处理模块；4-第一计算模块；5-第二计算模块。
具体实施方式
[0074]
本发明实施例提供了一种图像的噪声估计方法、装置及存储介质，用于解决现有噪声估计方法稳定性差及估计精确度低的技术问题。
[0075]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护
的范围。
[0076]
请参阅图1，图1示出了本发明实施例提供的一种图像的噪声估计方法的流程图。
[0077]
本发明提供的一种图像的噪声估计方法，包括：
[0078]
步骤s1，对待估计图像进行分块处理得到多个含噪图像块。
[0079]
作为优选，该含噪图像块为不重叠图像块。
[0080]
在一种能够实现的方式中，所述含噪图像块的尺寸为64
×
64。
[0081]
从计算量进行考量，图像尺寸越小，越节省运行时间，但是并不是所有尺寸的图像块都能达到最优效果。整张图像的标准差和奇异值均值具有良好的线性关系，但是不同尺寸的图像块对应的标准差和奇异值均值不一定总是呈线性关系。发明人经过实验得到：对于较小尺寸的图像块如16
×
16尺寸、32
×
32尺寸的图像块，对应p
t-σ曲线波动较大，而较大尺寸的图像块，如64
×
64、128
×
128、256
×
256尺寸的图像块，对应的p
t-σ曲线就具有较好的线性关系，如图2所示。其中，p
t
表示奇异值均值，σ表示标准差，；a1为16
×
16尺寸的图像块的p
t-σ曲线，a2为32
×
32尺寸的图像块p
t-σ曲线，a3为64
×
64尺寸的图像块的p
t-σ曲线，a4为128
×
128尺寸的图像块的p
t-σ曲线，a5为256
×
256尺寸的图像块的p
t-σ曲线。
[0082]
因此本优选实施例在噪声标准差估计精度和计算量的共同考量下，设置含噪图像块的尺寸为64
×
64。
[0083]
步骤s2，从所述多个含噪图像块中筛选待估计的含噪图像块。
[0084]
在一种能够实现的方式中，所述从所述多个含噪图像块中筛选待估计的含噪图像块，包括：
[0085]
对所述含噪图像块进行奇异值分解，选取前部h个奇异值计算平均值，得到对应所述含噪图像块的前部奇异值均值；
[0086]
对所述多个含噪图像块的前部奇异值均值求取平均数，根据求取的平均数设置筛选阈值；
[0087]
筛选前部奇异值均值大于所述筛选阈值的含噪图像块作为所述待估计的含噪图像块。
[0088]
在一种实施方式中，所述h根据前20％的奇异值进行设置。具体实施时，选取前20％的奇异值分析信号大小，令20％的奇异值分析信号大小，令代表向下取整，设该前部奇异值均值为ph，ph的计算公式为：
[0089][0090]
式中，s(i)表示图像的第i个奇异值。
[0091]
其中，根据求取的平均数设置筛选阈值时，可设置该筛选阈值即为求取的平均数。例如，对每个含噪图像块a
α
,α＝1,2,
…
,v进行奇异值分解，算出对应的前部奇异值均值p
hα
,α＝1,2,
…
,ν，则设置的筛选阈值ph为：
[0092][0093]
当p
hα
＞ph时，表示含噪图像块所含图像信号较多，舍弃该类含噪图像块，最终选取p
hα
≤ph的含噪图像块来估计对应的噪声标准差。
[0094]
本发明上述实施例对待估计图像进行分块处理，能够简化图像估计的计算量。在
噪声估计时，当图像结构复杂往往会引起噪声估计偏差。由于图像的信号主要集中在前部少数几个奇异值中，通过本发明上述实施例选取待估计的含噪图像块，减少了噪声估计中离群值对估计结果的干扰，能够进一步提高图像估计精度。
[0095]
步骤s3，向所述待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到对应的多个新含噪图像块。
[0096]
步骤s4，对每个所述新含噪图像块进行奇异值分解并计算对应的尾部奇异值均值，根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值。
[0097]
在一种能够实现的方式中，所述计算对应的尾部奇异值均值，包括：
[0098]
对所述待估计图像进行奇异值分解得到奇异值矩阵，对所述奇异值矩阵进行重构，得到重构图像矩阵，通过最小化所述重构图像矩阵的峰度值获取对应的截断参数的最优值t；
[0099]
根据所述截断参数的最优值t设置尾部奇异值均值的计算式为：
[0100][0101]
式中，p
t
表示尾部奇异值均值，r为图像宽度，s(i)表示图像的第i个奇异值；
[0102]
根据所述尾部奇异值均值的计算式计算新含噪图像块的尾部奇异值均值。具体实施时，已知含噪声图像可以进行奇异值分解如下：
[0103]
a＝u
×s×vt
[0104]
其中u是m阶正交矩阵，它的列称为左奇异向量，对应aa
t
的特征向量，v是n阶正交矩阵，它的列称为右奇异向量，对应a
t
a的特征向量，s是由降序排列的非负的对角线元素组成的m
×
n矩形对角矩阵，满足
[0105]
uu
t
＝im×m,vv
t
＝in×n,s＝diag(s(1),s(2),
…
,s(r))
[0106]
s(1)≥s(2)≥
…
≥s(r)≥0,r＝min(m,n)
[0107]
可以将u表示为u＝(u1,u2,
…
,um)，假设t是截断参数，1＜t＜m，令u1,u2,
…
,u
t
为0，即有：
[0108]ut
＝(0,0,
…
,0,u
t 1
,u
t 2
,
…
,um)
[0109]
进行矩阵重构，可以得到重构图像矩阵a
t
＝u
t
×s×vt
。
[0110]
重构图像矩阵a
t
中主要含有噪声信号，噪声信号服从高斯分布，则其峰度值趋于0。因此，可以比较{a
t
|1＜t＜m}集合中每个矩阵的峰度。将峰度值最接近0的重构矩阵作为噪声估计的最佳重构矩阵。由于a
t
由t决定，即可通过最小化a
t
的峰值即可获取截断参数t的最优值：
[0111][0112][0113]
式中，e[
·
]是数学期望，是方差。
[0114]
现有技术对含不同水平的噪声图像均使用固定比例的尾部奇异值，使得估计方法
不具有自适应性。本发明实施例提供了一种用于确定有效尾部奇异值的方法，通过利用最小化峰度获取截断参数，并根据截断参数计算尾部奇异值均值，使得所计算的尾部奇异值均值能够自适应于对应的图像，从而有利于提高图像估计方法的精度。
[0115]
在一种能够实现的方式中，所述根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值，包括：
[0116]
构造一组相同尺寸的纯噪声图像，对所述纯噪声图像进行实验统计以得到噪声相关系数；
[0117]
根据各所述尾部奇异值均值形成相应的数据点序列；
[0118]
根据所述数据点序列及所述噪声相关系数，构建对应的尾部奇异值均值方程组，所述尾部奇异值均值方程组的未知数包括所述待估计的含噪图像块的噪声标准差；
[0119]
对所述尾部奇异值均值方程组进行求解，得到所述噪声标准差估计值。
[0120]
其中，纯噪声图像的尺寸与含噪图像块的尺寸相同。
[0121]
具体实施时，设向待估计的含噪图像块a加入的多个高斯白噪声的标准差为σc,c＝1,
…
,n，得到的新含噪图像块为a
′c,c＝1,
…
,n，新含噪图像块a
′c对应的尾部奇异值均值为则各所述尾部奇异值均值形成相应的数据点序列为而构建对应的尾部奇异值均值方程组则为：
[0122][0123]
式中，b为图像内容相关系数，a为噪声相关系数，σ为噪声标准差估计值。
[0124]
在一种能够实现的方式中，设所述一组相同尺寸的纯噪声图像的噪声标准差为σj,j＝1,
…
,m，所述对所述纯噪声图像进行实验统计以得到噪声相关系数，包括：
[0125]
对每个所述纯噪声图像进行奇异值分解并求出对应的尾部奇异值均值
[0126]
根据所述对应的尾部奇异值均值及对应的噪声标准差构建数据点序列φ，
[0127]
对数据点序列φ进行正比例拟合，得到所述噪声相关系数。
[0128]
上述实施例中，尾部奇异值均值方程组中未知数只有σ和b两个，由于方程的个数远远大于未知数，故该方程组是一组非线性超定方程，它的解可能不存在。为了解决这个问题，在一种能够实现的方式中，所述对所述尾部奇异值均值方程组进行求解，包括：
[0129]
利用高斯牛顿迭代法对所述尾部奇异值均值方程组进行求解，在求解过程中以高斯牛顿迭代法求得的增量作为线搜索的搜索方向，并利用回溯armijo线搜索调整步长。
[0130]
高斯牛顿迭代法是非线性回归模型中求解回归参数进行最小二乘的一种迭代方法，该法使用泰勒级数展开式去近似地代替非线性回归模型，然后通过多次迭代，多次修正
回归系数，使回归系数不断逼近非线性回归模型的最佳回归系数，最后使原模型的残差平方和达到最小。本发明实施例从非线性角度进行考虑，利用高斯牛顿迭代法对所述尾部奇异值均值方程组进行求解，具有计算量小、收敛快的优点。
[0131]
回溯armijo线搜索是解无约束优化问题的重要方法，它先沿着搜索方向移动一个很大的步长估计函数值，然后以迭代形式不断缩减步长，直到满足armijo准则。
[0132]
当高斯牛顿迭代法求得的增量过大时，现有技术中通常使用泰勒展开进行局部近似，这种方法会导致估计结果精度下降，且会导致方法不收敛。为了进一步提升方法的精度，本发明实施例在高斯牛顿迭代法的基础上，利用回溯armijo线搜索调整步长，能够进一步优化全局收敛性。
[0133]
步骤s5，对所有待估计的含噪图像块的噪声标准差估计值取平均，得到所述待估计图像的噪声标准差估计值。
[0134]
其中，所述的取平均的结果，可以为算数平均值、加权平均值或均方根平均值。
[0135]
请参阅图3，图3示出了本发明实施例提供的一种图像的噪声估计装置的结构连接示意图。
[0136]
本发明提供的一种图像的噪声估计装置，包括：
[0137]
图像分块模块1，用于对待估计图像进行分块处理得到多个含噪图像块；
[0138]
图像筛选模块2，用于从所述多个含噪图像块中筛选待估计的含噪图像块；
[0139]
噪声处理模块3，用于向所述待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到对应的多个新含噪图像块；
[0140]
第一计算模块4，用于对每个所述新含噪图像块进行奇异值分解并计算对应的尾部奇异值均值，根据各所述尾部奇异值均值计算所述待估计的含噪图像块的噪声标准差估计值；
[0141]
第二计算模块5，用于对所有待估计的含噪图像块的噪声标准差估计值取平均，得到所述待估计图像的噪声标准差估计值。
[0142]
在一种能够实现的方式中，所述含噪图像块的尺寸为64
×
64。
[0143]
在一种能够实现的方式中，所述图像筛选模块2包括：
[0144]
第一计算单元，用于对所述含噪图像块进行奇异值分解，选取前部h个奇异值计算平均值，得到对应所述含噪图像块的前部奇异值均值；
[0145]
第一设置单元，用于对所述多个含噪图像块的前部奇异值均值求取平均数，根据求取的平均数设置筛选阈值；
[0146]
筛选单元，用于筛选前部奇异值均值大于所述筛选阈值的含噪图像块作为所述待估计的含噪图像块。
[0147]
在一种能够实现的方式中，所述第一计算模块4包括：
[0148]
参数值获取单元，用于对所述待估计图像进行奇异值分解得到奇异值矩阵，对所述奇异值矩阵进行重构，得到重构图像矩阵，通过最小化所述重构图像矩阵的峰度值获取对应的截断参数的最优值t；
[0149]
第二设置单元，用于根据所述截断参数的最优值t设置尾部奇异值均值的计算式为：
[0150][0151]
式中，p
t
表示尾部奇异值均值，r为图像宽度，s(i)表示图像的第i个奇异值；
[0152]
第二计算单元，用于根据所述尾部奇异值均值的计算式计算新含噪图像块的尾部奇异值均值。
[0153]
在一种能够实现的方式中，所述第一计算模块4还包括：
[0154]
噪声相关系数获取单元，用于构造一组相同尺寸的纯噪声图像，对所述纯噪声图像进行实验统计以得到噪声相关系数；
[0155]
数据点序列形成单元，用于根据各所述尾部奇异值均值形成相应的数据点序列；
[0156]
方程组构建单元，用于根据所述数据点序列及所述噪声相关系数，构建对应的尾部奇异值均值方程组，所述尾部奇异值均值方程组的未知数包括所述待估计的含噪图像块的噪声标准差；
[0157]
求解单元，用于对所述尾部奇异值均值方程组进行求解，得到所述噪声标准差估计值。
[0158]
在一种能够实现的方式中，所述求解单元具体用于：
[0159]
利用高斯牛顿迭代法对所述尾部奇异值均值方程组进行求解，在求解过程中以高斯牛顿迭代法求得的增量作为线搜索的搜索方向，并利用回溯armi jo线搜索调整步长。
[0160]
在一种能够实现的方式中，设所述一组相同尺寸的纯噪声图像的噪声标准差为所述噪声相关系数获取单元具体用于：
[0161]
对每个所述纯噪声图像进行奇异值分解并求出对应的尾部奇异值均值
[0162]
根据所述对应的尾部奇异值均值及对应的噪声标准差构建数据点序列φ，
[0163]
对数据点序列φ进行正比例拟合，得到所述噪声相关系数。
[0164]
本发明还提供了一种图像的噪声估计装置，包括：
[0165]
存储器，用于存储指令；其中，所述指令为可实现如上任意一项实施例所述的图像的噪声估计方法的步骤的指令；
[0166]
处理器，用于执行所述存储器中的指令。
[0167]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的图像的噪声估计方法的步骤。
[0168]
本发明上述实施例将待估计图像进行分块，并对所得的含噪图像块进行筛选以得到待估计的含噪图像块，通过向待估计的含噪图像块加入多个不同噪声标准差的高斯白噪声，得到相应数量的新含噪图像块，进而通过各新含噪图像块的尾部奇异值均值计算待估计的含噪图像块的噪声标准差估计值，对各待估计的含噪图像块的噪声标准差估计值取平均，从而得到待估计图像的噪声标准差估计值；本发明实施例通过多次加入随机噪声实现原始噪声标准差的估计，从概率上减小了估计方法的偶然性，使得估计结果更为稳定，提高
了估计精度。
[0169]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0170]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0171]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0172]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0173]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0174]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。