[eng] Any image, digital or analogic, contains not only information from the scene being photographed
but also external interferences known as noise. The resulting image is the combination
of the ideal image without noise with noise itself.
The ideal image without noise is a mathematic abstraction and it is not available in reality.
Thus, it is needed methods that given only the degraded image are capable to properly characterize
noise. This characterization using the noisy image is known as blind noise estimation since it does
not use any additional information out the the noisy image.
Once noise has been properly characterized, the next step is to obtain a version of the image
which is as close as possible to the ideal image. This process is known as blind denoising, since the
ideal image is not available. Denoising methods exploit the property of autosimilarity of the small
blocks that form the image to infer the geometry of the blocks of the ideal image. Denoising is a
process guided by previous noise estimation.
Given that both noise estimation and denoising are performed blindly, it is important that noise
characterization is as complete as possible. In this thesis several techniques for noise estimation
are discussed, from the simplest which just consider homoscedastic noise, through those which
consider the Poissonian model, to nally the new technique that we propose to obtain a complex
noise model that depends on both intensity and frequency.
Regarding denoising, this thesis is mainly focuses on Bayesian techniques. The thesis nally
reaches with the presentation of the Noise Clinic, the tool which we propose for automatic noise
estimation and denoising. The Noise Clinic combines the automatic estimation of a complex noise
model with its elimination at each of the scales of the image. This allows to restore a large typology
of images, including those compressed with JPEG.
[cat] Qualsevol imatge, ja sigui digital o analògica, conté no només informació de l'escena fotogra -
ada, sinó també interferències externes conegudes com renou. La imatge resultant és la combinació
de la imatge ideal sense renou, amb el renou mateix.
La imatge ideal sense renou és una abstracció matemàtica i no està disponible a la realitat.
Per tant, cal utilitzar mètodes que, donada únicament la imatge deteriorada, siguin capaços de
caracteritzar adequadament el renou. Aquesta caracterització a partir de la imatge amb renou es
coneix com estimació a cegues del renou, atés que no s'utilitza cap altra informació addicional a
part de la imatge amb renou.
Un cop caracteritzat adequadament el renou, el següent pas és obtenir una versió de la imatge
que sigui tan del com sigui possible a la imatge ideal. Aquest procés es coneix com eliminació
de renou a cegues, ja que la imatge ideal no està disponible. Els mètodes d'eliminació de renou
apro ten la propietat d' autosimilaritat dels petits blocs que componen la imatge per inferir la
geometria dels blocs de la imatge ideal. L'eliminació de renou és un procés guiat per l'estimació
de renou prèvia.
Atès que tant l'estimació com l'eliminació de renou es realitzen a cegues, és important que
la caracterització del renou sigui tan completa com sigui possible. En aquesta tesi es discuteixen
en detall les diverses tècniques per a l'estimació de renou, des de les més simples que únicament
consideren renou homoscedàstic, passant per les que consideren el model poissonià de renou, ns
a nalment la nova tècnica que proposem per obtenir un model de renou complex, que depèn tant
de la intensitat com de la freqüència .
Pel que fa a l'eliminació de renou, aquesta tesi se centra especialment en les tècniques basades
en el model bayesià. La tesi culmina amb la presentació de la Noise Clinic , l'eina que proposem per
a l'estimació i eliminació automàtiques del renou. La Noise Clinic combina l'estimació automàtica
d'un model de renou complex amb la seva eliminació en cadascuna de les escales de la imatge.
Això permet restaurar una tipologia extensa d'imatges, incloent les comprimides amb JPEG.
[spa] Cualquier imagen, ya sea digital o analógica, contiene no solamente información de la escena
fotogra ada, sino también interferencias externas conocidas como ruido. La imagen resultante es
la combinación de la imagen ideal sin ruido, con el propio ruido.
La imagen ideal sin ruido es una abstracción matemática y no está disponible en la realidad.
Por lo tanto, es necesario utilizar métodos que, dada únicamente la imagen deteriorada, sean
capaces de caracterizar adecuadamente el ruido. Esta caracterización a partir de la imagen ruidosa
se conoce como estimación a ciegas del ruido, ya que no se utiliza ninguna otra información
adicional aparte de la imagen ruidosa.
Una vez caracterizado adecuadamente el ruido, el siguiente paso es obtener una versión de la
imagen que sea tan el como sea posible a la imagen ideal. Este proceso se conoce como eliminación
de ruido a ciegas, ya que la imagen ideal no está disponible. Los métodos de eliminación de ruido
aprovechan la propiedad de autosimilaridad de los pequeños bloques que componen la imagen para
inferir la geometría de los bloques de la imagen ideal. La eliminación de ruido es un proceso guiado
por la estimación de ruido previa.
Dado que tanto la estimación como la eliminación de ruido se realizan a ciegas, es importante
que la caracterización del ruido sea tan completa como sea posible. En esta tesis se discuten en
detalle las diversas técnicas para la estimación de ruido, desde las más simples que únicamente
consideran ruido homoscedástico, pasando por las que consideran el modelo poissoniano de ruido,
hasta nalmente la nueva técnica que proponemos para obtener un modelo de ruido complejo, que
depende tanto de la intensidad como de la frecuencia.
En cuanto a la eliminación de ruido, esta tesis se centra especialmente en las técnicas basadas
en el modelo bayesiano. La tesis culmina con la presentación de la Noise Clinic, la herramienta
que proponemos para la estimación y eliminación automáticas del ruido. La Noise Clinic combina
la estimación automática de un modelo de ruido complejo con su eliminación en cada una de las
escalas de la imagen. Esto permite restaurar una tipología extensa de imágenes, incluyendo las
comprimidas con JPEG.