采用结构自适应块匹配的非局部均值去噪算法_钟莹
基于自适应阈值的curvelet医学超声图像去噪算法
基于自适应阈值的curvelet医学超声图像去噪算法
庄哲民;姚伟克;杨金耀;李芬兰;袁野
【期刊名称】《中国医疗器械杂志》
【年(卷),期】2014(38)6
【摘要】传统的超声图像去噪算法在抑制斑点噪声的同时,会丢失图像中的大量细节和微弱的边缘信息。
该文基于curvelet变换提出一种新的自适应阈值去噪声算法,该算法利用各层curvelet系数局部方差在超声图像纹理与平滑度的差异,分别定义模糊区域和隶属度函数,并根据隶属度函数确定相关curvelet系数的自适应阈值,通过该阈值实现对超声图像的去噪。
实验测试表明,该方法在保留原有图像细节信息的基础上有效地降低了超声图像的斑点噪声,极大地提升B超仪器的性能。
【总页数】4页(P398-401)
【关键词】超声图像;斑点噪声;去噪;curvelet变换;自适应阈值
【作者】庄哲民;姚伟克;杨金耀;李芬兰;袁野
【作者单位】汕头大学电子工程系;汕头市超声仪器研究所有限公司
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于贝叶斯估计自适应软硬折衷阈值 Curvelet 图像去噪技术 [J], 杨国梁;雷松泽
2.改进的自适应阈值软硬折中Curvelet图像去噪技术 [J], 杨国梁;王全;王亚文
3.基于 NSCT 和自适应模糊阈值遥感图像去噪算法 [J], 黄涛;薛丰昌;钱洪亮;周明
4.基于Curvelet变换的自适应阈值图像去噪方法 [J], 王海珍;吴爱弟
5.基于幂次变换的自适应超声医学图像去噪算法 [J], 王绍波;梁振
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应噪声抵消技术的研究
自适应噪声抵消技术的研究一、概述自适应噪声抵消技术是一种重要的信号处理技术，旨在从含噪信号中提取出有用的信息。
在现代通信、音频处理、语音识别等领域中，噪声往往是一个不可避免的问题，它可能来自于外部环境、设备本身的干扰或传输过程中的失真等。
研究并应用自适应噪声抵消技术，对于提高信号质量、增强系统性能具有重要意义。
自适应噪声抵消技术的基本原理是，利用噪声信号与有用信号之间的统计特性差异，通过设计合适的滤波器或算法，实时调整滤波器的参数，使得滤波器输出的噪声信号与原始噪声信号相抵消，从而得到较为纯净的有用信号。
这一过程中，滤波器的参数调整是自适应的，即根据输入信号的变化而自动调整，以实现最佳的噪声抵消效果。
随着数字信号处理技术的发展，自适应噪声抵消技术得到了广泛的研究和应用。
已有多种算法被提出并应用于不同领域的噪声抵消任务中，如最小均方误差算法、归一化最小均方误差算法、递归最小二乘算法等。
这些算法各具特点，适用于不同的应用场景和噪声类型。
自适应噪声抵消技术仍面临一些挑战和问题。
当噪声信号与有用信号在统计特性上较为接近时，滤波器的设计将变得更为复杂；在实际应用中，还需要考虑实时性、计算复杂度以及硬件实现等因素。
未来的研究方向之一是如何进一步提高自适应噪声抵消技术的性能，同时降低其实现的复杂度和成本。
自适应噪声抵消技术是一种具有广泛应用前景的信号处理技术。
通过深入研究其基本原理、算法实现以及应用挑战，有望为现代通信、音频处理等领域提供更加高效、可靠的噪声抵消解决方案。
1. 背景介绍：阐述噪声抵消技术在现代通信、音频处理等领域的重要性和应用广泛性。
在现代通信和音频处理领域，噪声抵消技术的重要性日益凸显，其应用广泛性也随之扩展。
随着科技的快速发展，通信设备和音频系统的使用越来越广泛，噪声干扰问题也愈发严重。
无论是移动通信、语音识别，还是音频录制、音乐播放，噪声都可能对信号质量产生严重影响，甚至导致信息丢失或误判。
基于字典学习的非局部均值去噪算法
基于字典学习的非局部均值去噪算法崔学英;张权;桂志国【期刊名称】《计算机应用》【年(卷),期】2013(33)5【摘要】Concerning the measurement of the similarity of non-local means, a method based on dictionary learning was presented. First, block matching based local pixel grouping was used to eliminate the interference by dissimilar image blocks. Then, the corrupted similar blocks were denoised by dictionary learning. As a further development of classical sparse representation model, the similar patches were unified for joint sparse representation and learning an efficient and compact dictionary by principal component analysis, so that the similar patches relevency could be well preserved. This similarity between the pixels was measured by the Euclidean distance of denoised image blocks, which can well show the similarity of the similar blocks. The experimental results show the modified algorithm has a superior denoising performance than the original one in terms of both Peak Signal-to-Noise Ratio (PSNR) and subjective visual quality. For some images whose structural similarity is large and with rich detail information, their structures and details are well preserved. The robustness of the presented method is superior to the original one.%针对非局部均值中相似度的衡量问题,提出了一种基于字典学习的度量算法.首先利用局部像素群块匹配方法消除不相似的图像块带来的干扰,然后对含有噪声的相似块采用字典学习的方法降噪.与经典的字典学习不同的是,对相似块采用联合稀疏编码的思想,利用主成分分析法学习一个高效紧字典,保留相似块间的相关性信息.采用降噪后的图像块间的欧氏距离计算像素间的相似度,能更好地反映相似块的相似性.实验结果表明,所提出的方法在峰值信噪比和视觉效果方面都优于传统算法,尤其对含有较多细节且结构相似性强的图像,细节和纹理部分的保持效果更好,算法的鲁棒性也优于传统算法.【总页数】3页(P1420-1422)【作者】崔学英;张权;桂志国【作者单位】中北大学电子测试技术国防重点实验室,太原030051;太原科技大学应用科学学院,太原030024;中北大学电子测试技术国防重点实验室,太原030051;中北大学电子测试技术国防重点实验室,太原030051【正文语种】中文【中图分类】TP317.4【相关文献】1.基于梯度特征的双核非局部均值去噪算法 [J], 张玉征;杨词慧;林泉2.基于局部边沿方向的非局部均值图像去噪算法 [J], 贾丽娜;焦枫媛;刘瑞强;桂志国3.基于直觉模糊散度的自适应非局部均值去噪算法 [J], 张宁; 宋小鹏; 刘祎; 张鹏程; 桂志国4.基于3维轴距与非局部均值的无人机巡检图像去噪算法 [J], 唐丽丽;马宪民;商立群5.基于边缘检测的非局部均值图像去噪算法 [J], 李向前因版权原因，仅展示原文概要，查看原文内容请购买。
采用通道和空间注意力的真实噪声盲去噪算法
2噪声图像的灰度直方图分布
图像去噪属于典型的低层视觉任务，其中底层像素级特 征起着至关重要的作用，目前大多数研究中AWGN水平b 通常在10-50范围内因此本文设定= 10代表低水平 噪声和¢7=50代表高水平噪声,并对比了其灰度直方图分布 与真实噪声图像的分布，如图1所示.
倉3®蓿
灰度值
(a)真实噪声图像
小型微 型计算 机系统
Journal of Chinese Computer Systems
2021年7月第7期
Vol. 42 No. 7 2021
采用通道和空间注意力的真实噪声盲去噪算法
肖娟I,李小霞吕念祖I,周颖胡"，王学渊.2
乂西南科技大学信息工程学院，四川绵阳621010） 气特殊环境机器人技术四川省重点实验室，四川绵阳621010）
收稿日期:2020-07-05 收修改稿日期:2021-01-04 基金项目：国家自然科学基金项目（61771411）资助；四川省科技计划项目 （2019YJ0449.2020YFSY0062）资助;西南科技大学研究生创新基金项目（18ycxl21）资助.作者简介：肖娟，女，1994年生,硕士研究生,CCF
非局部平均滤波噪声压制方法及其在VSP资料逆时偏移中的应用
F + % : ' + / & '. & % ) , * ' 4 1 * % % + * ) * % 1 + & / 5& % 3 * 4 )& ' * / & 4 * + % * % 23 2& < < < < C D E1 0 1 ) 4 * . -. * 1 & 4 * + %) * ) . * /3 & 4 & 2
第& '卷第#期 # $ % &年 F月
石!油!物!探 C Y Z E -[ W M J : PE \ Z W E Y J Q M ] C2 Z \E Y Q \ Z P Y ^R
! N 1 9 ! & ' ] 1 ! # ! R * A ! # $ %非局部平均滤波噪声压制方法及其在 N # 石油物探! ! $ % & W E资料逆时偏移中的应用" " ! # $ % & & ' # % I & ( % G % ! ! ! C . 15 . 3 V * 1 W 0 6[ 6 + ! ] 1 + ( 9 1 ? * 9> 3 * + < = 6 9 8 3 A 6 + 3 + 1 6 < 6 + A 1 * ? 0* + B 6 8 < * 9 6 ? * 8 6 1 + 6 +N W EA 3 @ 3 A < 3 8 6 > 3 ) * + 3 6 0 1 + , ,B ,* D D D D ,) , " # ! ! $ % & > 6 A * 8 6 1 +< 3 6 < > 6 ?B * 8 *" ! C 3 1 0 < 6 ? * 9 E A 1 < 3 ? 8 6 + = 1 AE 3 8 A 1 9 3 . ># $ % && '# % I & ( % G % ! , D ; D ,
太赫兹成像NLM_去噪算法优化研究
引用格式：方灿, 方波, 宋志平, 等. 太赫兹成像NLM 去噪算法优化研究[J]. 中国测试，2024, 50(1): 18-23. FANG Can, FANG Bo,SONG Zhiping, et al. Research on optimization of NLM denoising algorithm for terahertz imaging[J]. China Measurement & Test,2024, 50(1): 18-23. DOI: 10.11857/j.issn.1674-5124.2023030018太赫兹成像NLM 去噪算法优化研究方 灿1， 方 波1， 宋志平2， 王 震3， 黎雅恬1， 蔡晋辉1(1. 中国计量大学计量测试工程学院，浙江 杭州 310018; 2. 浙江省新华书店集团信息技术有限公司，浙江 杭州 310002;3. 杭州大华仪器制造有限公司，浙江 杭州 311400)摘 要: 太赫兹透射式成像具有对人体无害，对非金属材料有较高的穿透性等特点。
但成像图片信噪比较低，因此文章提出一种改进的非局部均值滤波算法，该算法先利用结构张量对图像进行分区处理。
对平坦区域进行中值滤波，对非平坦区域采用改进的非局部均值滤波算法，该算法引入结构相似指标，图像通用质量指标，特征相似指标的高斯加权距离作为图像相似准则。
为探索该算法在太赫兹透射成像图片的效果，文中根据太赫兹探测器类型的不同分为单点、线阵、面阵扫描成像实验，并展开成像研究发现线阵相机中存在坏点导致成像图片存在暗条纹，可利用高斯加权中值的方式消除暗条纹。
单点扫描成像和面阵扫描成像由于运动平台移动因素和像元响应不一致性的干扰，成像图片具有噪声。
将成像图片分别运用不同的去噪算法进行降噪重建，结果表明，与传统的非局部均值滤波算法相比，改进的非局部均值滤波算法对太赫兹透射成像图像处理后所得的峰值信噪比值有1~9 dB 的提升，且和其他传统的去噪算法比较发现改进的非局部均值滤波算法处理后图像的峰值信噪比值也有2~8 dB 的提升，去噪效果较好。
采用自适应字典学习的InSAR降噪方法
采用自适应字典学习的InSAR降噪方法罗晓梅;索志勇;刘且根【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2016(000)001【摘要】提出了一种基于字典学习的干涉合成孔径雷达相位降噪算法。
首先利用字典学习，建立了干涉相位滤波的优化模型。
鉴于该模型非凸难以求解，采用分裂技术和增广拉格朗日框架，获得松弛后的基于 l1范数正则化的优化模型，然后引入交替方向乘子法对松弛后的问题求解，获得最终的相位滤波结果。
通过InSAR 复相位数据训练字典，从稀疏表达式重建所需的复相位图像。
对仿真数据和实测数据的处理显示这种新的 InSAR 相位降噪方法在残点数、均方误差和边缘完整性保持方面优于现有的经典滤波方法。
【总页数】6页(P18-23)【作者】罗晓梅;索志勇;刘且根【作者单位】西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西西安 710071; 南昌大学信息工程学院，江西南昌 330031;西安电子科技大学雷达信号处理国家重点实验室，陕西西安 710071;南昌大学信息工程学院，江西南昌 330031; 中国科学院劳特伯生物医学成像研究中心，广东深圳 518055【正文语种】中文【中图分类】TN957.51【相关文献】1.InSAR干涉相位图的多级降噪滤波方法 [J], 卢护林;陈潜2.采用背景提取和自适应滤波的视频降噪算法 [J], 崔建伟;谷源涛;唐昆3.一种基于字典学习的含有多类型噪声的合成图像降噪方法研究 [J], 段佳蕙;段新涛4.基于字典学习的超宽带信号稀疏表示与降噪方法 [J], 尹学忠;樊甫华5.基于自适应字典学习降噪改进的脑MRI图像分水岭精确分割算法研究 [J], 苗加庆因版权原因，仅展示原文概要，查看原文内容请购买。
DCT子空间的非局部均值去噪算法
DCT子空间的非局部均值去噪算法一、引言A. 研究背景B. 研究目的与意义C. 国内外研究现状D. 本文主要内容和结构二、相关知识和理论A. DCT变换及其应用B. 非局部均值去噪算法C. DCT子空间去噪算法三、算法设计和实现A. DCT子空间去噪算法流程B. 非局部均值去噪算法流程C. 算法实现细节处理D. 模型选择和参数调整四、实验与分析A. 实验设计与数据集介绍B. 算法实验结果分析C. 算法比较与评估D. 实验结论与分析五、总结与展望A. 工作总结B. 工作不足与展望C. 算法优化方向参考文献一、引言A. 研究背景随着数字图像的广泛应用，图像降噪成为了图像处理中的一个重要问题。
在数字图像的采集、传输、处理等过程中，图像可能会受到各种噪声的影响，这些噪声会导致图像质量下降和信息含量丢失，影响图像的观感和识别准确率，如何去除这些噪声成为了图像处理中的研究重点。
B. 研究目的与意义针对图像降噪问题，传统的滤波方法在一定程度上可以有效地去除噪声，例如均值滤波、中值滤波等。
但是，这些方法都会对图像的细节信息进行一定程度的破坏，导致图像有模糊的现象，且这些方法只能对一定噪声进行去除，对于一些复杂噪声的去除效果并不理想。
因此，如何保持图像的细节信息，同时去除噪声，是当前图像处理中的一个难点问题。
C. 国内外研究现状目前，在图像去噪方面，非局部均值去噪算法和DCT子空间去噪算法是应用比较广泛的方法。
非局部均值去噪算法能够有效保留图像的细节信息，但是其时间复杂度较大，导致其应用于图像处理中存在一定的困难；DCT子空间去噪算法是在DCT变换域上进行去噪，能够较好地平衡处理速度和去噪效果，适用于实际图像处理。
综合以上考虑，本文基于DCT子空间的非局部均值去噪算法，对图像去噪问题进行深入研究。
D. 本文主要内容和结构本文主要研究了DCT子空间的非局部均值去噪算法，其主要结构包括引言、相关知识和理论、算法设计和实现、实验与分析、总结与展望五个部分。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第35卷第12期电子与信息学报Vol.35No.12 2013年12月 Journal of Electronics & Information Technology Dec. 2013采用结构自适应块匹配的非局部均值去噪算法钟莹杨学志*唐益明刘灿俊岳峰(合肥工业大学计算机与信息学院合肥 230009)摘要：该文提出一种具有图像结构自适应性的非局部均值去噪算法。
通过采用图像块间的多尺度匹配来描述图像中局部结构的相似性，增强非局部均值算法对复杂结构特征的辨别能力，实现去噪性能的提高。
算法首先引入变差系数(CV)特征并提出CV-Kmeans区域分类算法，将图像划分为包含边缘及纹理的结构区域和平坦区域；在结构区域进一步根据不同尺度下图像块间的平均欧氏距离来自适应选择块尺寸；在此基础上获得新的非局部均值算法，用以去除图像噪声。
实验结果表明，相比经典的非局部均值算法，基于块间概率相似性的改进型非局部均值算法以及基于区域自适应的非局部均值去噪算法提出的新算法提高了去噪性能，尤其是在纹理图像的去噪上具有明显优势。
关键词：图像去噪；非局部均值算法；自适应性；块匹配中图分类号：TN911.73 文献标识码： A 文章编号：1009-5896(2013)12-2908-08 DOI: 10.3724/SP.J.1146.2013.00099Non-local Means Denoising Derived fromStructure-adapted Block MatchingZhong Ying Yang Xue-zhi Tang Yi-ming Liu Can-jun Yue Feng(School of Computer & Information, Hefei University of Technology, Hefei 230009, China)Abstract: A distinct non-local means denoising algorithm derived from structure-adapted block matching is proposed in this paper. Multi-scale matching of image blocks is adopted to measure similarity of local structures, which can deal with complex structural characteristics effectively and subsequently improve denoising performance.To begin with, structural region (including edges and textures) and flat region are divided by introducing Coefficient of Variation (CV) characteristics and the CV-Kmeans region classification algorithm is proposed.Furthermore, the size of similar block is adaptively selected based on average Euclidean distance between blocks in structural regions. Finally, a new non-local means algorithm is proposed to remove noise. Compared to the classical non-local means algorithm, the improved algorithm using patch probabilistic similarity and the adapted non-local means denoising algorithm, experimental results show that the proposed algorithm increases denoising performance and especially demonstrates a distinct advantage in texture images.Key words: Image denoising; Non-local means algorithm; Adaptivity; Block matching1引言噪声的存在不仅影响图像本身的视觉效果，也影响到后续图像处理，如图像特征提取、分割、分类等，因此图像去噪是图像处理中的重要问题[1]。
图像去噪算法种类众多[2,3]，常用的去噪方法可分为统计学滤波方法、基于偏微分方程以及基于小波变换的方法等几大类[46]-。
上述方法大多基于局部或半局部的平滑模型，在去噪同时会丢失图像的2013-01-22收到，2013-05-30改回国家自然科学基金(41076120, 60672120, 61203077, 61271381)，中国博士后科学基金(2012M521218)和中央高校基本科研业务费专项资金(2012HGCX0001, 2012HGQC0011, 2012HGBZ0639)资助课题*通信作者：杨学志 hfut.cv@ 细节和结构。
Buades等人[7]利用自然图像包含众多相似结构的特性，提出非局部均值(Non-Local Means, NLM)算法。
该算法的基本思想是针对去噪像素点所在图像块在全局范围内搜索相应的相似块，对相似结构进行加权平均以减少随机噪声，达到去噪的目的。
NLM算法优于之前众多的常用去噪算法，成为当前的一大研究热点。
研究人员相继提出了很多NLM改进算法。
Tasdizen[8]将主分量分析与NLM相结合，将噪声分量与图像信息分量分离，提高抗噪声能力。
Grewenig 等人[9]通过旋转块寻找可靠相似信息，提高了NLM 算法中相似性度量的准确性。
Deledalle等人[10]提出了PPB(Probabilistic Patch-Based)滤波算法，该算第12期钟莹等：采用结构自适应块匹配的非局部均值去噪算法 2909法以NLM算法为框架，将去噪表示为一个基于块的加权最大似然估计问题。
近年来改进效果较好的是3维块匹配(Block Matching and 3-D Filtering, BM3D) 算法[11]，该算法采用图像块的相似性匹配概念，获得了较高的信噪比及良好的视觉效果。
另外，研究人员对NLM算法还做出了各种改进[1216]-，推进算法的不断完善。
经典NLM算法[7]设定相似块的尺寸为固定值(一般取7×7)，对多数图像可以获得较好的去噪结果，但对于复杂的图像类型，由于相似邻域的固定性与结构尺寸的不固定性之间的矛盾，导致遗漏不同尺寸的相似信息。
Zeng等人[17]提出一种基于区域自适应的非局部均值 (Adapted Non-Local Means, ANLM) 方法，先对图像进行区域分类，每一区域设定不同邻域尺寸，取得了较好的去噪效果。
但各区域内部仍选用固定尺寸，采用固定邻域尺寸不能充分描述结构间的复杂变化，因而无法在根本上解决上述矛盾。
本文从这一基本问题出发，在结构区域采用通过平均欧氏距离匹配相似结构从而自适应选择相似块尺寸的方法，提出了结构自适应块匹配非局部均值(Structure-adapted block Matching Non-Local Means, SMNLM)算法，与现有方法相比，其优势主要体现在以下两个方面：(1)SMNLM算法通过自适应块匹配的方法选择确定更加可靠的相似信息，提高去噪性能。
SMNLM 算法对变化复杂的结构区域逐点进行多尺度块选择，以保留更多的相似信息，达到提高去噪效果的目的。
(2)SMNLM算法结合图像局部变化特征在图像全局范围内度量相似性。
噪声可能导致部分平坦区域被误判为局部结构，SMNLM算法根据局部图像的变化特征将图像划分为平坦和结构区域，进行不同邻域选择方法，排除了噪声对于平坦区域的不利影响。
本文结构安排如下：第2节回顾经典非局部均值算法及其不足；第3节，提出了结构自适应块匹配非局部均值算法，给出其主要步骤及其实现策略；第4节，给出实验结果及讨论；第5节进行全文的总结。
2经典的NLM算法及其不足2.1经典的NLM算法首先回顾一下经典的NLM算法。
该算法的框架如下[7, 18]：设经过NLM去噪算法处理后的图像为NL[v]，去噪后的像素点值NL[v](i)可表示为[]()(,)()j INL v i w i j v jÎ=å(1) v(j)是像素点j的像素值，w(i,j)为权重。
以目标像素点i为中心的搜索邻域块I中的其它像素点j参与权重w(i,j)的计算。
w(i,j)由图像块间相似度决定，满足条件0£w(i,j)£1和∑j w(i,j)=1。
w(i,j)的定义如式(2)：()2(,)exp(,)()w i j d i j h Z i=-(2) h代表平滑参数，归一化常数()2()exp(,)/jZ i d i j h=-åd(i,j)代表邻域块间的欧氏距离，其定义如式(3)：()()22,(,)i j ad i j N N=-v v(3) N i是以i为中心的固定大小的方形邻域相似块，v(N i)为相似块中所有像素点值组成的邻域向量，a>0是高斯内核的标准偏差，两像素点的欧氏距离越小，代表像素邻域块相似程度越大。
2.2经典NLM算法在邻域相似块方面的不足经典NLM算法中，在相似性度量过程中，邻域相似块尺寸固定，这种设定对平坦区域去噪效果影响较小，而在结构区域，相似结构尺寸具有不固定性，不同尺寸的结构信息保存性较差。
在真实图像中，有些像素点在固定7×7尺寸的邻域块相似度过小，在权重计算过程中被忽略，而这些像素点在一定大小的像素块中与目标点所在的目标块实际是相似的，这一做法导致有用相似信息的丢失。
如图1所示，在Lena图1(a)上截取一部分细节放大，计算边缘处不同尺寸邻域块的平均欧氏距离。
图1中，7×7的相似邻域块(c), (d)间平均欧氏距离为6.33；而3×3的相似邻域块(e), (f)间平均欧氏距离为1.89，相比之下，后者相对含有更可靠的相似信息，能够保证图像中较细微的相似信息得以保留。
同时，复杂结构多变，大尺寸的相似块的相似度可能更大(即从小范围来看不相似，而从更大的范围来看却是相似的，这自然也是有可能的)，因此需要对图像中不同结构的尺寸进行比较，从而确定最准确的相似度。