RENOIR – Ein Datensatz für die Reduktion von Rauschen in realen Niedrighelligkeitsbildern

Bildrauschreduzierungsalgorithmen werden anhand von Bildern evaluiert, die mit künstlichem Rauschen versehen sind, was zu fehlerhaften Schlussfolgerungen über ihre Leistung bei echtem Rauschen führen kann. In dieser Arbeit stellen wir einen Datensatz farbiger Bilder vor, die durch natürliche Rauschquellen aufgrund von schlechten Lichtverhältnissen beeinträchtigt sind, zusammen mit räumlich und intensitätsangleichenden Bildern mit geringem Rauschen der gleichen Szenen. Wir führen außerdem eine Methode zur Schätzung des tatsächlichen Rauschpegels in unseren Bildern ein, da selbst die Bilder mit geringem Rauschen kleine Mengen an Rauschen enthalten. Die Genauigkeit unserer Rauschschätzmethode wird sowohl an echtem als auch an künstlichem Rauschen evaluiert, und wir untersuchen das Poisson-Gauß-Rauschmodell. Schließlich verwenden wir unseren Datensatz, um sechs Rauchreduzierungsalgorithmen zu evaluieren: Active Random Field (Aktives Zufallsfeld), BM3D, Bilevel-MRF (Zweistufiges Markov-Random-Field-Modell), Multi-Layer Perceptron (Mehrstufiger Wahrnehmungsschicht) und zwei Versionen von NL-means. Wir zeigen, dass während der Multi-Layer Perceptron, das Bilevel-MRF und NL-means mit weicher Schwelle bei grauen Bildern mit synthetischem Rauschen besser abschneiden als BM3D, sie auf unserem Datensatz zurückfallen.