RENOIR - Un Jeu de Données pour la Réduction du Bruit dans les Images Prises en Conditions de Faible Luminosité Réelle

Les algorithmes de débruitage d'images sont évalués à l'aide d'images corrompues par du bruit artificiel, ce qui peut conduire à des conclusions erronées sur leurs performances face au bruit réel. Dans cet article, nous présentons un ensemble de données composé d'images couleur corrompues par du bruit naturel dû aux conditions de faible luminosité, ainsi que des images à faible bruit de la même scène, alignées spatialement et en intensité. Nous introduisons également une méthode pour estimer le niveau réel de bruit dans nos images, car même les images à faible bruit contiennent de petites quantités de bruit. Nous évaluons la précision de notre méthode d'estimation du bruit sur des images avec du bruit réel et artificiel, et nous examinons le modèle de bruit Poisson-Gaussien. Enfin, nous utilisons notre ensemble de données pour évaluer six algorithmes de débruitage : Active Random Field (champ aléatoire actif), BM3D (Block Matching and 3D Filtering), Bilevel-MRF (Markov Random Field binaire), Multi-Layer Perceptron (perceptron multicouche) et deux versions de NL-means (Non-Local Means). Nous montrons que bien que le perceptron multicouche, le champ aléatoire actif binaire et NL-means avec seuillage doux surpassent BM3D sur des images en niveaux de gris avec du bruit synthétique, ils se classent derrière sur notre ensemble de données.