寻找翻译高手

Question

Towards the validation of the method，we used images of unknown noise models and have compared our method with well known filtering techniques such as the bilateral filter and the Non Local Mean approach.Some qualitative results and comparisons are shown in [Fig. (4 and 5)]. As for quantitative comparaison, number of methods have been used in the literature for such comparisons,given the absence of knowledge on the noise model we have considered calibration patterns and studied the behavior of the tested approaches on these patterns when observed from different digital cameras. We focus on the noise reduction on these patterns which is equivalent to the reduction of the standard deviation relative to a uniform patch. . Table shows the performance of each filtering technique in terms of noise reduction for different digital camera models. Considering this criteria, results show that our method outperforms the other techniques. This is explained by the fact that in absence of texture or structure the Random walk acts as an isotropic filtering. The bilateral filter consider the pixel location while denoising which limit the influence of distant pixel in the filtering process. The non local mean,uses to compute neighborhood similarity the L2 distance which is more sensitive to outliers then the L1 distance we use..
As for qualitative results,we selected for each method the most suitable parameters that gives the best compromise between noise reduction and detail preserving. If we consider the method noise images which corresponds to the difference between the original and the filtered image (see fig 4), we notice that the random Walk filtering produces better results than the bilateral filtering in terms of texture and small details preserving. This is explained by the fact that in our approach
we make a structure tracking and we integrate information about image statistics in the model. The NL mean technique achieves the best results in term of small detail preserving since its method noise contains less image information then the two other techniques. This is due to the fact that the NLmean algorithm scans all image pixels to select the best candidate while denoising a given pixel and this make it very slow in terms of computation time.

帮帮忙，谢绝机译

Answer 1

对审定的方法，我们使用图像不明的噪音有榜样，赶有相比，我们的方法与众所周知的过滤技术，如双边滤波器和非当地平均approach.some定性结果并进行比较，是次展览[图。 （ 4和5 ） ] 。至于定量comparaison ，一些通行的做法，已被用在文学这种比较，由于缺乏知识，对噪声模型，我们曾考虑校准模式，并研究了行为的测试方法，对这些模式的时候，从不同的数码相机。我们着眼于减少噪音对这些模式，即相等于降低标准偏差相对统一的补丁。 。表显示每个人的绩效滤波技术而言，减少噪音，为不同的数码相机型号。考虑到这一标准，结果表明该方法优于其他技术。这是事实，解释说，如果没有特殊的纹理或结构随机游动的行为，作为一个各向同性过滤。双边滤波器考虑像素的位置，而降噪限制的影响，远像素，在过滤过程中。非本地的意思是，利用计算居委会相似二级距离，这就更敏感，离群则L1的距离，我们使用..
至于定性结果，我们选择了为每个方法最合适的参数，让最好的折衷办法减少噪音和细节保留的。如果我们考虑到该方法噪声图像相当于之间的差额原件和经过滤的图像（见图4 ） ，我们已经看到了随机游动过滤产生更好的效果比双边滤波而言，纹理和小细节保留的。这是事实，解释了，在我们的方法
我们把结构跟踪，并结合有关资料统计形象在示范。国联指技术能达到最好的效果来看，小细节维护，因为它的方法噪音含有较少的图像信息，然后其他两个技术。这是由于这一事实，即nlmean算法扫描所有图像像素，以选择最佳的人选，而降噪某一像素，这一点必须非常缓慢，无论在计算时间。

Answer 2

往未知的噪声模型的method，we半新图象的检验和我们的方法与知名的过滤的技术比较例如双边过滤器和非地方卑鄙方法。一些定性结果和比较显示[图(4和5)]。 关于定量comparaison，方法的数字用于文学为这样比较给出缺乏在我们考虑了定标样式并且学习了被测试的方法行为在这些样式的，当观察从不同的数字照相机的噪声模型的知识。 我们集中于与标准偏差减少是等效的相对一个一致的补丁。在这些样式的噪声降低。 表显示每个过滤的技术表现根据噪声降低的不同的数字照相机模型。 就这而论标准，结果表示，我们的方法胜过其他技术。 这是用在缺乏纹理或构造随机游动作为一各向同性过滤的事实解释的。 双边过滤器考虑映象点地点，当denoising时在过滤过程中限制遥远的映象点影响。 非地方手段，用途计算邻里相似性对外围之物是敏感然后L1距离的L2距离我们使用。 定性结果的As，我们为给在噪声降低和细节保存之间的最佳的妥协的每个方法选择了最适当的参量。 如果我们考虑方法噪声图象对应于在原物和的被过滤的图象之间的区别(参见无花果4)，我们注意随机游动过滤比双边过滤根据纹理和小细节保存导致更好的结果。 这是用在我们的方法的事实解释的
we做跟踪一个的结构，并且我们集成关于图象统计的信息在模型。 因为它的方法噪声包含较少图象信息然后二个其他技术， NL卑鄙技术达到最佳的结果用保存小细节的期限。 这归结于事实NLmean算法扫描所有图象映象点选择最佳的候选人，当denoising一个特定映象点时，并且这使非常慢根据计算时间。

希望对你有所帮助