El artículo «Fast Noise Variance Estimation» de John Immerkær, publicado en septiembre de 1996, aborda el desarrollo de un método eficiente para estimar la varianza del ruido aditivo con media cero y distribución gaussiana en una imagen. Este método se destaca por su simplicidad y rapidez, requiriendo solo una operación con una máscara de 3×3 seguida por una suma sobre la imagen o el vecindario, lo cual equivale a un total de 14 operaciones enteras por píxel. Es útil tanto para estimaciones globales como locales de la varianza del ruido, permitiendo su aplicación en imágenes donde la varianza del ruido varía espacialmente.
El modelo de imágenes ruidosas que se asume en el artículo es aditivo y con media cero, expresado como ( I(x, y) = f(x, y) + n(x, y) ), donde ( f ) es la imagen ideal y ( n ) es el ruido. El método se basa en la aplicación de una máscara específica, derivada de la diferencia entre dos máscaras que aproximan el operador laplaciano de una imagen. Esta diferencia resulta en una máscara nueva, designada como ( N ), cuya salida posee una varianza proporcional a la varianza del ruido original.
La varianza del ruido estimado se calcula utilizando la variación de la salida del operador ( N ) aplicado a la imagen, lo que provee una estimación del tipo ( 36\sigma_n^2 ) para cada píxel. Esta varianza se puede promediar sobre toda la imagen o sobre vecindarios locales para obtener una estimación de la varianza del ruido. También se ofrece una alternativa de cálculo a través de la desviación absoluta y una relación matemática que permite estimar la desviación estándar del ruido sin necesidad de multiplicaciones por píxel, mejorando así la eficiencia computacional.
Los experimentos realizados utilizaron diferentes imágenes ruidosas generadas artificialmente con valores de desviación estándar de 0 a 50 para evaluar el rendimiento del método. Estas pruebas confirmaron que el método proporcionaba estimaciones precisas para una amplia gama de niveles de ruido, aunque se observó que en imágenes o regiones altamente texturizadas, el estimador podría interpretar erróneamente líneas finas como ruido, lo que aumentaría los valores estimados.
La conclusión del artículo resalta la eficacia y simplicidad del método propuesto para estimar la varianza del ruido en imágenes digitales. Además, se subraya la capacidad del método para adaptarse a diferentes niveles de ruido con un costo computacional mínimo gracias a la simplicidad de las operaciones requeridas. Esta propiedad lo hace particularmente valioso para aplicaciones en procesamiento de imágenes donde la rapidez y la eficiencia son cruciales.
En resumen, el trabajo de Immerkær presenta una contribución significativa al campo del procesamiento de imágenes al ofrecer una técnica rápida y efectiva para la estimación de la varianza del ruido, demostrando su aplicabilidad en escenarios prácticos y su robustez ante diversas condiciones de ruido en imágenes digitales.
