Image denoising based on the edge-process model

In this paper a novel stochastic image model in the transform domain is presented and its performance in image denoising application is experimentally validated. The proposed model exploits local subband image statistics and is based on geometrical priors. Contrarily to models based on local correlations, or mixture models, the proposed model performs a partition of the image into non-overlapping regions with distinctive statistics. A close form analytical solution of the image denoising problem for an additive white Gaussian noise (AWGN) is derived and its performance bounds are analyzed. Despite being very simple, the proposed stochastic image model provides a number of advantages in comparison to the existing approaches: (a) simplicity of stochastic image modeling; (b) completeness of the model, taking into account multiresolution, spatially adaptive image behavior, geometrical priors and providing an accurate fit to the global image statistics; (c) very low complexity of the algorithm; (d) tractability of the model and of the obtained results due to the closed-form solution and to the existence of analytical performance bounds; (e) extensibility to different transform domains, such as orthogonal, biorthogonal and overcomplete data representations. Data hiding capacity-security analysis for real images based on stochastic non-stationary geometrical models " , Debruitage d'images base sur le modèle de traitement des contours Résumé Dans cet article, un nouveau modèle stochastique pour les images dans le domaine transformée est présenté et ses performances pour les applications de débruitage sont expérimentallement validées. Le modèle proposé exploite les statistiques locales de l'image décomposée en sous-bandes et il est basé sur des primitives géométriques. Contrairement aux modèles basés sur des corrélationes locales ou aux modèles mixtes, le modèle proposé effectue une partition de l'image en des régions disjointes avec des statistiques distinctes. Une proche solution analytique auprobì eme de débruitage d'image pour un Bruit Blanc Gaussien Additif (BBGA) est obtenue et ses performance limites sont analysées. Malgré sa grande simplicité, le modèle stochastique proposé fournit de nombreux avantages en comparaison des approches existantes : (a) simplicité de la modélisation stochastique des images ; (b) complétude du modèle, offrant la multireésolution, un comportement spatialement adaptif, des primitives géométriques, un adjustement précis aux statistiques globales de l'image ; (c) très petite complexité de 1'algorithme; (d) tractabilité du modèle et des résultats obtenus dusà une solution analytique età l'existence de limites de performance analytiques; (e) extensibilitéà différents domaines transformée tels que les représentations orthogonales, biorthogonales et redondantes.