两种方法来源于Xinhao Liu和Masayuki Tanaka发表在TIP上的三篇论文：
《Noise Level Estimation Using Weak Textured Patches of a Single Noisy Image》
《Estimation Of Signal Dependent Noise Parameters From a Single Image》
《Single-Image Noise Level Estimation for Blind Denoising》
这三篇论文讲述了两种不同的噪点检测方法，针对于不同模型且都在图像域进行判定。有机会的话会再写一篇博客专门记录下论文中的方法原理。本文先记录一下近日来对两种方法的效果测评。
## 图像质量评估数据库 ##
## LIVE（Laboratory for image & video engineering）
LIVE数据库是比较全面的数据库，里面除了包含常规图像质量评价图像，还有3D Image,Mobile video等其他类别图像数据，此外还有各种图像评价的方法和开放源码，可以尝试。我在实验中采用了LIVE2005年数据库也就是release2,里面包含了29张参考图像和快速瑞利失真、高斯模糊、JPEG2000和JPEG压缩失真以及高斯白噪声共五组失真图像。
## CSIQ
CSIQ共包含25张参考图像以及JPEG 压缩、 JPEG2000 压缩、整体对比度缩减、加性高斯粉红噪声 (1/f 噪声 ) 、加性高斯白噪声、高斯模糊 等6种类型的失真图像，每种图像共有5个失真等级。
## TID2008和TID2013
TID共有25张参考图像，但是TID的失真图像类别非常全，共包含17种失真，其中光是噪点的失真就有6种，非常适合验证噪点检测算法对于各类噪声的敏感度。其中TID2013相比于TID2008将失真的等级更加细化了。
## 基于PCA分析的高斯噪声检测##
这种方法，将实际图像中的噪声估计为addictive white Gaussian noise(AWGN)。通过寻找图像中的weak texture图像块，计算其协方差矩阵的最小特征值来估计高斯噪声的方差从而判定噪声的程度。
该方法对于高斯噪声非常敏感，与人肉眼的评价非常相近，效果如下：
缺陷在于：对于某些其他类型的噪声并不敏感，如：
空间相关噪声 noise level:1.37
空间相关噪声 noise level:1.71
## 基于SDN模型的噪声检测方法##
这种方法是对于高斯噪声检测向一般性噪声检测的扩展，更适用于实际的摄像头采集图像中存在的噪声。其差别在于认为实际情况下的噪声不应该是高斯白噪声模型而是signal dependent noise（SDN）,其噪声模型被三个参数所估计，通过调整三个参数之间的权衡可以估计当前图像中的noise level。
该方法对于多种噪声都有比较不错的敏感性，效果如：
原图 noise level:0.6073
加性高斯噪声 noise level: 10.9251
空间相关噪声 noise level: 4.4862
高频噪声 noise level: 26.4380
脉冲噪声 noise level: 5.3203
缺陷在于：1. 如果仅就高斯噪声来说，敏感度不如方法一；2. 测试中两种方法采用的均为作者提供的matlab源码，我稍加改动用于测试可以直接计算当前图片的noise level，但是方法二的效率远远低于方法一，所用时间几十倍于第一种方法。（当然这也有可能于编程技巧性相关）
目前正尝试将两种方法转化为c++的代码并进一步测试效率和效果。
另外给出两种算法的作者源码链接：
http://cn.mathworks.com/matlabcentral/fileexchange/43224-signal-dependent-noise-level-estimation
http://cn.mathworks.com/matlabcentral/fileexchange/36921-noise-level-estimation-from-a-single-image
另外我把检测高斯噪声的方法写成了c++,需要的可以留个邮箱我们探讨下哈。