基于方向信息测度的非局部正则化图像去噪方法
非局部均值图像去噪算法
若需要附件请联系： QQ：2013198460 E_mail：juefeiimage@
式中， I 为受噪声污染的图像； NL 为经过 NL-means 图像去噪后的图像； ni (i 1, 2,3) 表示图像 的第 ni （ ni 为像素点坐标）个像素点， I (ni ) 为其对应灰度值， R(ni ) 和 S (ni ) 分别为以 ni 为中心的相 似窗和搜索窗； (n1 , n2 ) 和 d (n1 , n2 ) 分别表示 R(n1 ) 与 R(n2 ) 相似程度和欧氏距离（两个图像块的欧 式距离为两图像块差的平方和） ， h 为衰减参数。 （2）非局部均值算法中参数设置 非局部均值一共有 3 个参数：相似窗 R(ni ) 的大小、搜索窗 S (ni ) 的大小、衰减参数 h 的取值。 这三个参数取值是相互影响，共同作用于 NL-means 的去噪效果：相思窗 R(ni ) 的取值决定使用多大 的窗口进行相似性度量，相似窗过小时大部分相似窗之间的欧氏距离相近，无法区分是否相似，过 大时计算复杂度过高；搜索窗 S (ni ) 的取值决定使用多大的窗口寻找相似窗， 搜索窗过小时可能找不 到足够的相似窗，过大时则计算复杂度过高，理论上，搜索窗为全图时去噪效果最好，但事实并非 这样，搜索窗过大反而会使去噪精度下降（欧氏距离度量相似性的原因） ；衰减参数 h 实际是一个阈 值的作用，当两个相似窗的欧式距离小于 h 时则判定为相似（占得权重 (n1 , n2 ) 较大） ，否则判定为 不相似 （占的权重 (n1 , n2 ) 较小） 。 因此， 增大相似窗 R(ni ) 的大小， 减小 h 的大小， 增大搜索窗 S (ni ) 的大小， 三者对 NL-means 去噪精度的提升可达到同样的效果。 前人大量实验得到三个参数的取值：
基于非局部自相似性的稀疏表示遥感图像去噪方法[发明专利]
![基于非局部自相似性的稀疏表示遥感图像去噪方法[发明专利]](https://img.taocdn.com/s3/m/7c3bbc04ef06eff9aef8941ea76e58fafbb04561.png)
(10)申请公布号 (43)申请公布日 (21)申请号 201510192014.2(22)申请日 2015.04.21G06T 5/00(2006.01)(71)申请人南京理工大学地址210000 江苏省南京市孝陵卫200号(72)发明人孙权森 张从梅 刘亚洲 王超(74)专利代理机构南京理工大学专利中心32203代理人朱显国(54)发明名称基于非局部自相似性的稀疏表示遥感图像去噪方法(57)摘要本发明提供一种基于非局部自相似性的稀疏表示遥感图像去噪方法，包括字典学习过程和图像重构过程，其中：字典学习过程包括：对图像中每个图像块构建组，每组由具有相似结构的非局部块组成，每组自适应学习一个字典；图像重构过程包括：通过迭代收缩阈值算法，求解组稀疏系数，利用组字典，获得去噪图像。
本发明的基于非局部自相似性的图像去噪方法，利用了图像广泛具有的非局部自相似性，并将这种结构自相似性信息加入到图像去噪中，取得较好的去噪效果。
(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书6页 说明书8页 附图3页CN 106157254 A 2016.11.23C N 106157254A1.基于非局部自相似性的稀疏表示遥感图像去噪方法，其特征在于，包括字典学习过程和图像重构过程，其中：字典学习过程包括：对图像中每个图像块构建组，每组由具有相似结构的非局部块组成，每组自适应学习一个字典；图像重构过程包括：通过迭代收缩阈值算法，求解组稀疏系数，利用组字典，获得去噪图像。
2.根据权利要求1所述的基于非局部自相似性的稀疏表示遥感图像去噪方法，其特征在于，前述字典学习过程包括图像块匹配，以及利用SVD 分解，自适应学习组字典两个过程，其中：前述图像块匹配过程包括：首先，对输入大小为N 的图像X 分成p 个重叠的大小为图像块，每块组成向量x i ∈R n ,i ＝1,2,...,p，然后对每个图像块x i 在大小为L×L 的窗口中根据下式(1)计算两个图像块之间的欧氏距离，选择c 个距离最小的，即最匹配的图像块：其中,d(i,j)表示像素i，j 之间的欧式距离，x i ,x j 分别表示像素i，j 对应的图像块向量，a ＞0为高斯核函数的标准差；然后，根据中心像素为k 的图像块，搜索到的c 个匹配的相似块组成的集合将集合中的所有图像块根据下式(2)组成一个大小为n×c 的矩阵，为组其中，i ＝1,2,...,c 表示图像块组成的向量；前述利用SVD 分解，自适应学习组字典的过程包括以下步骤：首先，由于原始图像未知，对每个组直接从其噪声值来学习一个自适应字典对根据下式(3)进行SVD 分解：其中，代表奇异值，是对角矩阵，分别是和的列，m 是字典原子个数；然后，根据下式(4)得到每个组字典中的原子：其中，最后，根据下式(5)得到最终的自适应学习字典：其中，3.根据权利要求2所述的基于非局部自相似性的稀疏表示遥感图像去噪方法，其特征在于，前述图像重构过程包括利用迭代收缩阈值算法解决l 0最优化问题，求解组稀疏系数，以及根据组稀疏系数，利用组字典重构图像两个过程，其中：前述利用迭代收缩阈值算法解决l 0最优化问题，求解组稀疏系数的过程包括以下步骤：首先，根据下式(6)求解组稀疏系数其中，Y ∈R N 为噪声图像组成的向量，X ＝D G οαG 为去噪后图像。
基于非局部平均的多光谱遥感图像除噪声
基于非局部平均的多光谱遥感图像除噪声刘鹏;刘定生;李国庆;刘志文【期刊名称】《光谱学与光谱分析》【年(卷),期】2011(31)11【摘要】非局部平均除噪声的方法合理利用了图像自身的冗余性和邻域的相似性,可以获得非常好的除噪声的效果.但是目前大多关于非局部平均算法的研究主要集中在对单波段图像的除噪声方面.单独平滑多光谱遥感图像的每个波段会比较严重地损失图像的光谱特征.为此,文章提出了两方面的改进:首先,改进了非局部平均的平滑核函数,让核函数中的加权系数与每个波段建立联系而不是只涉及单一波段；其次,引入相关系数来衡量不同像素邻域的光谱相似性,并把这种光谱相似性作为非局部平均平滑约束的一部分.通过两方面的改进,传统的非局部平均的方法可以适应多光谱遥感图像的平滑除噪声.最后用不同卫星图像在不同的噪声水平下对算法进行了充分的测试,实验证明本文提出的方法更好的平滑掉了噪声而且更好的保持了图像的光谱特征.%The non-local mean denoising (NLM) exploits the fact that similar neighborhoods can occur anywhere in the image and can contribute to denoising. However, these current NLM methods do not aim at multichannel remote sensing image. Smoothing every band image separately will seriously damage the spectral information of the multispectral image. Then the authors promote the NLM from two aspects. Firstly, for multispectral image denoising, a weight value should be related to all channels but not only one channel. So for the kth band image, the authors use sum of smoothing kernel in all bands instead of one band.Secondly, for the patch whose spectral feature is similar to the spectral feature of the central patch, its weight should be larger. Bringing the two changes into the traditional non-local mean, a new multispectral non-local mean denoising method is proposed. In the experiments, different satellite images containing both urban and rural parts are used. For better evaluating the performance of the different method, ERGAS and SAM as quality index are used. And some other methods are compared with the proposed method. The proposed method shows better performance not only in ERGAS but also in SAM. Especially the spectral feature is better reserved in proposed NLM denoising.【总页数】5页(P2991-2995)【作者】刘鹏;刘定生;李国庆;刘志文【作者单位】中国科学院对地观测与数字地球科学中心,北京100094;中国科学院对地观测与数字地球科学中心,北京100094;中国科学院对地观测与数字地球科学中心,北京100094;中国科学院对地观测与数字地球科学中心,北京100094【正文语种】中文【中图分类】TP751【相关文献】1.基于主成分分析的高光谱遥感图像非局部去噪 [J], 印佳;杜战战2.基于贝叶斯非局部平均滤波的超声图像斑点噪声抑制算法 [J], 方宏道;周颖玥;林茂松3.基于非局部平均滤波的冲击噪声图像恢复算法 [J], 周颖癑;臧红彬;赵井坤;林茂松4.基于异质性测量和非局部平均的斑点噪声抑制 [J], 陈少波;侯建华;熊承义;张华5.基于非局部全变分的高光谱混合噪声恢复 [J], 孔祥阳;王惠;李欣星;伍晓亮因版权原因，仅展示原文概要，查看原文内容请购买。
基于梯度信息的快速非局部均值图像去噪算法
去噪 处理 ， 正确 识 别 图 像信 息 和 进 一 步处 理 的必 是
要 保证 Ｌ 。 １ ］ 图像 去 噪 的方 法很 多 ， 是 一些 经 典滤 波 器如 但
ｃ ｓ ｆａ ｈ ｇｈ ｃ ｍｐｌ ｘ ｔ ｗｈｉｈ ｉ ｔａ ａ ｔ ｂ ｅ ｅ ｏ ｔｏ ｉ ｏ ｅ ｉｙ， ｃ ｓｎｏ ｄ ｐ ａ ｌ — ｎ ｕｇ ｏ ｒ ｓ ｎｓ ｇ ｏ ｈ ｔ ｅ ｐｏ ｅ ａｈｉ ｈ—ｓ ｅ ｄ ｉ ｇ ｒ ｅ ｓｎｇ ｐ ｅ ｍａ ｅ ｐ ｏｃ ｓ ｉ ．
噪声 污染 。被 噪声 污染 的 图像 会影 响人们 对图像 的 观察 和理解 ，影响 机器对 图 像 的识别 。对 图像 进行
文章 编号 ：Ｏ １ ２ ５ （０ ０ ｌ —０ ０ —０ １０ — ２７２ １） １ ０ ３ ４
Ａ ｂ ｔａ ｔ Ｎ ｏ — ｌ ｃ ｌ ｅ ｎｓ ａ ｇｏ ｉｈ ａ ａ ｓｒ ｃ ： ｎ ｏ ａ ｍ ａ ｌ ｒｔ ｍ ｃ ｎ — ｔ ｅ ｔ ｔ — ｆ— ｈｅ—ａ ｔｄｅ ｏ ｓｎｇ ｒ ｓ ｔａ ｈ ｈｉｖｅａ ｓ ａ ｅ— ｏ —ｔ — ｒ ｎ ｉ ｉ ｅ ｕｌ 噪 算 法具 有 优 秀 的去
噪 效果 ， 但是 算 法复杂度 高 ， 能应 用 于高速 图像 处 不 理 系统 中。为提 高算 法执 行 速 度 ， 其 拥 有 更 广泛 使
的 应 用 ， 出 了基 于 图 像 梯 度 信 息 的 快 速 非 局 部 均 提
值 图像去 噪算 法 。该算 法把 原 始图像 划分 为 大梯度 区域 和 小梯度 区域 。利 用非局部 均值 算法对 大梯度 区域 去噪 ， 以保 证 图像 边缘 的清晰 度 ； 利用局 部加权
平 均 算 法 对 小梯 度 区域 去 噪 ， 保 证 灰 度 变 化 不 大 以 的 区域 信 息 的 完 整 性 和 准 确 性 。 算 法 能提 高 非 局 部
一种改进的非局部均值图像去噪算法
一种改进的非局部均值图像去噪算法刘晓明，田 雨，何 徽，仲元红(重庆大学通信工程学院，重庆 400030)摘 要：传统非局部均值滤波算法中使用指数型加权核函数，容易导致图像细节因过度平滑而变得模糊。
为此，在指数型加权核函数的基础上，采用余弦系数加权的高斯核函数，设计一种改进的非局部均值图像去噪算法，并将其应用于加权系数计算中。
实验结果表明，该算法的去噪性能优于传统算法，且能更好地保留原图像的细节信息，峰值信噪比最大可以提升1.6 dB 。
关键词：图像处理；图像去噪；非局部均值；加权平均；高斯噪声；加权核函数Improved Non-local Means Algorithm for Image DenoisingLIU Xiao-ming, TIAN Yu, HE Hui, ZHONG Yuan-hong(College of Communication Engineering, Chongqing University, Chongqing 400030, China)【Abstract 】Aiming at the problem of the over-smoothness and blurs the details, which are caused by exponential kernel function used in original non-local means algorithm, this paper proposes a cosine Gaussian kernel function based on exponential kernel function and combined with a cosine coefficient and Gaussian kernel. It is used in the weight-computing of the improved algorithm. Experimental results show the algorithm has a superior denoising performance than the original one, especially with detail information in the image, and PSNR can be improved by 1.6 dB at most.【Key words 】image processing; image denoising; non-local means; weighted average; Gaussian noise; weighted kernel function DOI: 10.3969/j.issn.1000-3428.2012.04.065计 算 机 工 程Computer Engineering 第38卷 第4期 V ol.38 No.4 2012年2月February 2012·图形图像处理· 文章编号：1000—3428(2012)04—0199—03文献标识码：A中图分类号：TP3911 概述图像去噪是图像处理领域中最基础和广泛研究的热点问题。
一种用于图像去噪的非局部算法
一种用于图像去噪的非局部算法摘要我们提出了一种新的方法噪声方法来评估和比较数字图像去噪方法的性能。
我们首先计算和分析这种方法噪声的一大类去噪算法，即局部平滑滤波器。
其次，基于图像中所有像素的非局部平均，我们提出了一种新的算法- 非局部均值（NL-means）。
最后，我们介绍一些比较NL均值算法和局部平滑滤波器的实验。
1.介绍图像去噪方法的目标是从噪声测量中恢复原始图像，其中v（i）是观测值，u（i）是“真”值，n（i）是像素i处的噪声扰动。
模拟噪声对数字图像影响的最简单方法是添加高斯白噪声。
在那种情况下，n（i）是i.i.d. 具有零均值和方差σ2的高斯值。
已经提出了几种方法来消除噪音并恢复真实的图像。
尽管它们在工具上可能有很大不同，但必须强调的是，广泛的类别具有相同的基本评论：去噪是通过平均来实现的。
这种平均可以在本地进行：高斯平滑模型（Gabor [7]），各向异性过滤（Perona-Malik [11]，Alvarez等人[1]）和邻域过滤（Yaroslavsky [16]，Smith 等人。
[14]，Tomasi等人[15]）通过变分计算：总变差最小化（Rudin-Osher-Fatemi [13]）或频域中：经验维纳滤波器（Yaroslavsky [16] ）和小波阈值法（Coiffman-Donoho [5,4]）。
在形式上，我们定义了一个降噪方法Dh作为分解其中v是噪声图像，h是通常取决于噪声标准偏差的滤波参数。
理想情况下，Dhv比v更平滑，n（Dh，v）看起来像是白噪声的实现。
光滑部分与非光滑部分或振荡部分之间的图像分解是当前研究的主题（例如Osher等人[10]）。
在[8]中，Y.Meyer研究了适合这种分解的功能空间。
后一个研究的主要范围不是去噪，因为振动部分包含噪音和纹理。
去噪方法不应改变原始图像u。
现在，大多数去噪方法会降低或消除u的细节和纹理。
为了更好地理解这种移除，我们将介绍和分析方法噪声。
基于非局部平均的多光谱遥感图像除噪声
出的 ＭＳＮＬ 方 法 的光 谱 角度 误 差 （ ＡＭ） 直都 是 最小 － Ｍ Ｓ 一
的， 尤其是 噪声 比较大情况下更加 明显一 些 。在噪声 比较小
的 情 况 下 ， 文 提 出 方 法 ＭＳＮＬ 的 相 对 整 体 维 数 综 合 误 本 － Ｍ 差（ Ｒ Ｅ ＧＡＳ 总 体 上 也 是 比较 小 的 ，只 有 少 数 情 况 误 差 相 对 ）
型都取得了 比较好的效 果 ，但是都 要对 先验 知识进 行假 设 。
基 于偏微 分方 程的除噪声 方法 ＿ ］ ７ 已经 发展 了很多 年 ，基于 全变分的图像 除 噪模 型 可 以转化 为 求解 偏微 分 方程 。近年 来 ，彩色全变分除噪声［ 和基于偏微分方程 的多值 图像 除噪 ９ ］ 声通用框架 『 都 已提 出。这些方法 都是适应 多光谱 图像 的 ， 】 叩 在不 同波段上 的图像值 的组合被认 为是 向量 ，图像除 噪声的
通过 两方 面的改进 ， 传统的非局部平均 的方法可 以适应 多光谱遥 感 图像 的平 滑除噪声 。最后 用不 同卫星 图 像在不 同的噪声水 平下 对算法进行 了充分的测 试 ， 实验 证明本文 提出的方法 更好 的平滑掉 了噪声 而且更好
的保 持 了 图像 的光 谱 特 征 。
关键词 非局部平均 ； 图像除噪声 ； 光谱特 征
进， 传统 的非局部平 均的方法更加适应多 光谱遥感 像除 噪
４ 结 论
本文改进 了非局部平 均的平滑核函数 ，让核 函数 中 的加 权 系数与每个波段建立联 系而不是 只涉及单一 波段 ，引入相
声的情况 。 文用不同卫星的图像在 同的噪声水 平下对算 本
法进 行 了 充 分 的验 证 ，实 验 证 明 本 文 提 出 的 方 法 比 较 好 的平 滑 掉 了噪 声 ，不 但 获 得 更 好 的 视 觉 效 果 而 且 更 好 的 保 持 ＿ ｒ图
一种基于区域自适应的非局部均值(Nonlocal Means)图像去噪方法
Region-based non-local means algorithm for noise removalW.L.Zeng and X.B.LuThe non-local means (NLM)provides a useful tool for image denoising and many variations of the NLM method have been proposed.However,few works have tried to tackle the task of adaptively choos-ing the patch size according to region characteristics.Presented is a region-based NLM method for noise removal.The proposed method first analyses and classifies the image into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method and demonstrate its superior-ity to the state-of-the-art methods.Introduction:The use of the non-local means (NLM)filter for noise removal has been extensively studied in the past few years.The NLM filter was first addressed in [1].The discrete version of the NLM is as follows:u (k ,l )=(i ,j )[N (k ,l )w (k ,l ,i ,j )v (i ,j )(1)where u is the restored value at pixel (k,l )and N (k,l )stands for theneighbourhood of the pixel (k,l ).The weight function w (k,l,i,j )is defined asw (k ,l ,i ,j )=1exp −||T k ,l v −T i ,j v ||22,a(2)where T k,l and T i,j denote two operators that extract two patches of sizeq ×q centred at pixel (k,l )and (i,j ),respectively;h is the decay para-meter of the weights; . 2,a is the weighted Euclidean norm using a Gaussian kernel with standard deviation a ,and Z (k,l )is the normalised constantZ (k ,l )= (i ,j )exp −||T k ,l v −T i ,j v ||22,ah 2(3)The core idea of the NLM filter exploits spatial correlation in the entireimage for noise removal and can produce promising results.This method is time consuming and not able to suppress any noise for non-repetitive neighbourhoods.Numerous methods were proposed to accel-erate the NLM method [2–4].Also,variations of the NLM method have been proposed to improve the denoising performance [5–7].In smooth areas,a large matching window size could be used to reduce the influ-ence of misinterpreting noise as local structure.Conversely,a small matching window size could be used for the edge /texture region,which means not only the local structure existing within a neighbour-hood can be effectively used but can also speed up the matching process.To the best of our knowledge,few works have tried to tackle the task of adaptively choosing the patch size according to region characteristics.To overcome the disadvantage of the NLM method and its variances,in this Letter we present an adaptive NLM (ANLM)method for noise removal.The proposed method first analyses and classifies the image into several region types based on local structure information of a pixel.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method.Proposed NLM algorithm:The adaptive patches based non-local means algorithm is conducted according to the region classification results,owing to the fact that the structure tensor can obtain more local structure information [8].Therefore,we use it to classify the region.For each pixel (i,j )of the region,the structure tensor matrix is defined asT s =t 11t 12t 12t 22 =G s ∗(g x (i ,j ))2G s ∗g x (i ,j )g y (i ,j )G s ∗g y (i ,j )g x (i ,j )G s ∗(g y (i ,j ))2where g x and g y stand for gradient information in the x and y directions,G s denotes a Gaussian kernel with a standard deviation s .Theeigenvalues l 1and l 2of T s are given byl 1=12t 11+t 22+ (t 11−t 22)2+4t 212 and l 2=1t 11+t 22− (t 11−t 22)2+4t 212 For a pixel in the smooth region,there is a small eigenvalue difference;for a pixel in an edge /texture region,there is a large eigenvalue differ-ence.Therefore,region classification can be achieved by examining the eigenvalue difference of each pixel.Let l (i ,j )=|l 1(i ,j )−l 2(i ,j )|.We propose the following classifi-cation scheme to partition the whole image region into n classes {c 1,···,c n }:(i ,j )[c 1,if l (i ,j )≤l min +(l max −l min )n c 2,if l (i ,j )≤l min +2(l max −l min )n ...c n ,if l (i ,j )≤l min +n (l max −l min )n ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎩where l min and l max are the minimum and maximum of {l (i ,j ):(i ,j )[V },respectively.To exploit the local structure information and reduce noise in different regions,we adaptively choose the matching window based on the region classification result.The scheme for selecting the matching window is asfollows:if (k ,l )[c r ,T k ,l :=T r k ,l ,where T rk ,l denotes an operator of the r-type region that extracts one patch of size q r ×q r .To reduce the influ-ence of misinterpreting noise as local structure,a larger patch size is adopted for a smooth region.In contrast,a small patch size is employed for the edge /texture region.Intuitively,the number of the class n should be as big as possible.In practice,the gain is insignificant for n greater than 4.Therefore,we choose n ¼4in our experiments.Table 1:PSNR performance comparison of ‘Lena’,‘Barbara’,‘Peppers’imagesFig.1Comparison of results with additive Gaussian noise of s ¼35a Original image b Noisy image c NLM d WUNLM e ANLMExperimental results:In this Section,we compare our proposed ANLM method with the NLM method [2]and the weight update NLM (WUNLM)method [3].We test the proposed method on ‘Lena’,‘Barbara’,and ‘Peppers’,which were taken from the USC-SIPI Image Database (/database/base).The performance of the method was evaluated by measuring the peak signal-to-noise ratio (PSNR).In general h corresponds to the noise level and is usuallyELECTRONICS LETTERS 29th September 2011Vol.47No.20,1125-1127fixed to the standard deviation of the noise.The size of the search window is21×21.Table1shows results obtained with three methods across four noise levels.Figs.1a and b,show the‘Barbara’image and the corresponding noisy image generated by adding Gaussian white noise with variance s¼35,respectively.Figs.1c–e show denoised images by using the NLM,WUNLM,and ANLM methods,respectively.From the standpoint of perceptual view and PSNR values,the proposed ANLM method produced the best quality. Conclusions:An adaptive NLM(ANLM)method for noise removal is presented.In the method,an image isfirst analysed and classified into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region. Experimental results show the effectiveness of the proposed method and demonstrate its superiority to the state-of-the-art methods. Acknowledgments:This work was supported by the National Natural Science Foundation of China under grant60972001,the National Key Technologies R&D Program of China under grant2009BAG13A06 and the Scientific Innovation Research of College Graduate in Jiangsu Province under grant CXZZ_0163.#The Institution of Engineering and Technology20115August2011doi:10.1049/el.2011.2456W.L.Zeng(School of Transportation,Southeast University,Nanjing 210096,People’s Republic of China)X.B.Lu(School of Automation,Southeast University,Nanjing210096, People’s Republic of China)E-mail:xblu2008@References1Budades,A.,Coll,B.,and Morel,J.M.:‘A review of image denoising algorithms,with a new one’,Multiscale Model Simul.,2005,4,(2), pp.490–5302Mahmoudi,M.,and Sapiro,G.:‘Fast image and video denoising via nonlocal means of similar neighborhoods’,IEEE Signal Process.Lett., 2005,12,(12),pp.839–8423Vignesh,R.,Oh,B.T.,and Kuo,C.-C.J.:‘Fast non-local means(NLM) computation with probabilistic early termination’,IEEE Signal Process.Lett.,2010,17,(3),pp.277–2804Brox,T.,Kleinschmidt,O.,and Cremers,D.:‘Efficient nonlocal means for denoising of textural patterns’,IEEE Trans.Image Process.,2008, 17,(7),pp.1083–10925Kervrann,C.,and Boulanger,J.:‘Optimal spatial adaptation for patch-based image denoising’,IEEE Trans.Image Process.,2006,15,(10), pp.2866–28786Ville,D.V.D.,and Kocher,M.:‘SURE-based non-local means’,IEEE Signal Process.Lett.,2009,16,(11),pp.973–9767Park,S.W.,and Kang,M.G.:‘NLM algorithm with weight update’, Electron.Lett.,2010,16,(15),pp.1061–10638Brox,T.,Weickert,J.,Burgeth,B.,and Mrazek,P.:‘Nonlinear structure tensors’,Image put.,2006,24,pp.41–55ELECTRONICS LETTERS29th September2011Vol.47No.20。
- 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)。
Ｍ ｏ ｆ ｅ ｎ ｌ ｃ ｌｒ ｇ ｌ ｒ ｚ ｔ０ ｅ ｈ ｄ ｆ ｒ ｉ ａ ｅ ｄ ｎ ｉ ｉ ｄｉｉ ｄ ｎｏ ｏ ａ ｅ ｕ ａ ｉ ａ ｉ ｎ ｍ ｔ ｏ ｏ ｍ ｇ ｅ ｏ ｓｎｇ
ｂ ｓ ｄ ｏ ｒ ｅ ｔ ｔｏ ｎｆ ｒ ａ ｉ ｎ ｍ ｅ ｓ ｒ ａ ｅ ｎ ｏ ｉ ｎ ａ ｉ ｎ ｉ ｏ ｍ ｔｏ ａ ｕ ｅ 学 报 （ 自然科 学版 ）
Ｊ ｕ ｎ ｌ ｆＨ ｅ ｅ ｉｅ ｓｔ （ ｔ ｒ ｌ ｃｅ ｃ ｉｉｎ ｏ ｒ ａ ｂ ｉＵｎ ｖ ｒ ｉ ｏ ｙ Ｎａｕ ａ ｉｎ ｅＥｄｔ ） Ｓ ｏ
２ １ Ｏ ２
第３卷 ２
第 ５期
Ｖｏ ． ２ ＮＯ ５ １３ ．
ｗｉｈ ｆ ｓ ｅ ｉｉ ｇ ｒ ｔ ｎｄ ｐｒ ｓ ｒ ｅ ｔ ｍａ ｅ ｅ ｇｅ ，ｆｎｅ ｄ ｔ ｉｓ ａ ｄ ｅ １ ｔ ａ ｔｄ ｎｏ ｓｎ ａ ｅ ａ ｅ ｅ ｖ ｈｅ ｉ ｇ ｄ ｓ ｉ ｅ ａ ｌ ｎ ｔａ ． Ｋｅ ｒ ：ｎ ｎｌ ｃ １ｒ ｇｕ ａ ｉａ ｉ ｙ ｗｏ ｄｓ ｏ ｏ ａ ｅ ｌ ｒｚ ｔｏｎ；ｔ ｔ ｌｖ ｒａ ｉ ｎ；ｏｒｅ ａ ｉ ｎ ｉ ｏｒ ｔｏｎ ｍ ｅ ｓ ｒ ｏ ａ ａ ｉ ｔｏ ｉｎｔ ｔｏ ｎｆ ｍａ ｉ ａ ｕ ｅ；Ｂｒ ｇｍａ ｔ ｒ — ｅ ｎ ｉｅ ａ
像 的边 缘和 纹理 等结构信 息．
关键 词 ： 局部 正则 化 ； 变差 ； 向信息 测度 ； ｒｇ ｎ迭代正 则化 非 全 方 Ｂ ｅ ｍａ
中图分 类号 ： ３ １ ＴＰ ９ 文献标 志码 ： Ａ 文章 编号 ：０ ０—１ ６ （ ０ ２ ０ ０ ５ Ｏ １０ ５ ５ ２ １ ） ５— ５ ０一 ６
Ｂｒ ｇ ｎ ｉ ｒ ｔ ｎ ｒ ｇ ｌ ｒｚ ｔ ｎ ｅ ｍａ ｔ ａ ｉ ｅ ｕ ａ ｉａ ｉ ．Ｎ ｕ ｅ ｉａ ｘ ｍｐ ｅ ｌ ｓ ｒ ｔ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ａ ｅ ｏ ｅ ｎ ｉｅ ｅ ｏ ｏ ｍ ｒｃ ｌ ａ ｌ ｓｉ ｕ ｔ ａ ｅｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅ ｈ ｄ ｃ ｎ ｒ ｍ ｖ ｏ ｓ ｅ ｌ
平 坦 区域使 用各 向异性 全 变差模型 ， 且该 全 变差模 型 由基 于 Ｂ ｅ ｍａ ｒｇ ｎ迭代 正则化 方 法 的快 速迭 代 算 法进 行 求解． 实验 结果表 明 ： 于 方向信 息测度 的非局 部 正则化 方 法在 快速 消除 图像噪 声 的 同时 ， 有 效地 保 留 图 基 能
基 于方 向信 息 测 度 的非 局 部 正 则 化 图像 去 噪方 法
余 瑞 艳
（ 江 大 学 一 年级 教学 工作 部 ， 北 荆 州 长 湖 ４４ ２ ） ３ ０ ０
摘 要 ： 对 非局 部 正则化 在 图像 去噪 过程 中计 算 复杂度 高 、 原速 度慢 的 问题 ， 于方 向信 息测度 提 针 复 基 出 了改进 的非局 部 正则化 方 法． 图像 的边缘轮 廓 区域使 用保 边性 能较好 的非局 部 正则化 方 法 ， 在 而在 图像 的
ＹＵ ｉａ Ｒｕｙ ｎ
（ ｐ ｒｍｅ ｔｏ ｅ ｈ ｎ Ｅｄ ｃ ｔｏ Ｄｅ ａ ｔ ｎ ｆ Ｆｒ ｓ ｍａ ｕ ａｉｎ，Ｙａ ｇ ｚ ｉｅ ｓｔ ，Ｊｎ ｚ ｏ ３ ０ ０，Ｃｈｎ ） ｎ ｔｅＵｎ ｖ ｒｉｙ ｉ ｇ ｈ ｕ ４ ４ ２ ｉａ
Ａｂｓｒ ｃ ：Ｎｏ ｏｃ ｌｒ ｇｕ ａ ｉａ ｉ ｔ ｔａ ｔ ｎ ｌ ａ ｅ ｌ ｒｚ ｔｏｎ ｍｅ ｈｏｄ ｃ ｎ ａ ｈｉｖ ｔ ｔ ａ ｃ ｅ ｅ ａ ｓａ ｅ—ｏ ｆ—ａ ｔｄｅ ｉｉ ｅ ｕｌ ｎ ｃ ｍｐａ ｉｏ ｒ ｎｏ ｓｎｇ ｒ ｓ ｔｉ ｏ ｒｓ ｎ ｗｉｈ ｃ ｖ ｎｔｏｎ ｌａ ｒ ｃ ｅ ．Ｂｕｔｔ ｏ ｌ ｃ ｌｍｅ ｈｏ ａ ｈｅ ｄ ｓ ｄ ｎｔ ｇｅ ｆｈ ｇｈ ｃ ｍｐｕｔｎｇ ｃ ｍｐｌ ｘ ｔ ｏｎ ｅ ｉ ａ ｐｐ ｏａ ｈ ｓ ｈｅ ｎ ｎ ｏ ａ ｔ ｄ ｈ ｓ ｔ ｉａ ｖａ ａ ｓｏ ｉ ｏ ｉ ｏ ｅ— ｉｙ ａ ｄ ｓｏ ｄｅ ｉｉ ａ ｅ ｎ ｔ ｓ ｐ ｐ ｒ ｔ ｎ ｌ ｗ ｎｏ ｓｎｇ ｒ ｔ ．Ｉ ｈｉ ａ ｅ ，ｗｅ ｐｒ ｐ ｅ ａ ｍｏｄ ｆｅ ｎ ｌ ｃ ｌｒ ｇｕｌｒｚ ｔｏ ｔ ｏｄ ｂａ ｅ ｏ ｏｓ ｉｉ ｄ ｎｏ ｏ ａ ｅ ａ ｉａ ｉ ｎ ｍｅ ｈ ｓ ｄ ｏｎ ｏ ｉ ｎｔ ｔｏｎ ｉ ｆ ｒ ｔｏ ａ ｕｒ ．Ｆｕ ｔ ｒ ｒ ｒｅ ａ ｉ ｎ ｏ ｍａ ｉ ｎ ｍｅ ｓ ｅ ｒ ｈｅ ｍｏ ｅ，ｔ ａ ｇ ｔｉ ａ ｓ ｄ ｃ ｍ ｐ ｅ ｎ ｏ ｔ ｓ ｉ ｇｕ ｓ ｅ ｅ ｈｅｔ ｒ ｅ ｍ ｇｅ ｉ ｅ ｏ ｏｓ ｄ ｉ ｔ ｗｏ ｄｉｔｎ ｉ ｈ ｄ ｒ — ｇｏ ｉ ｎｓ：ｅ ｅ ｒ ｇ ｏ ｎｄ ｆａ ｅ ｏ ． Ｔｈ ｎ ｗｅ ｕ ｅ ｔ ｏ ｏ ａ ｅ ｕｌｒｚ ｔｏ ｔ ｏｄ ｔ ｎ ｉ ｅ ｉ ｈｅ ｄｇ ｅ ｉ ｎｓ ａ ｌ ｔ ｒ ｇｉ ｎｓ ｅ ｓ ｈｅ ｎ ｎ ｌ ｃ ｌｒ ｇ ａ ｉａ ｉ ｎ ｍｅ ｈ ｏ ｄｅ ｏ ｓ ｎ ｔ ｅ ｇ ｅ ｉ ｎｓ ａ ｓ ｏｔ ｌｖ ｒａ ｉ ｅ ｕｌｒｚ ｔｏ ｄ ｅ ｒ ｇ ｏ ｎｄ ｕ ｅ ｔ ａ ａ ｉｔｏｎ ｒ ｇ ａ ｉａ ｉ ｎ ｍｏｄ ｌｗｉｈ ａ ｔ ｓ ｌ ｉ ｌ ｏｒｔ ｅ ｔ ｆ ｓ ｏ ｖ ｎｇ ａ ｇ ｉｈｍ ｎ ｔ ｅ ｆａ ｅ ｉ ｎｓ ｉ ｈ ｌｔｒ ｇｏ ， ｗｈｉｅ ｔ ｅ ｔ ａ ｖ ｒａ ｉ ｎ ｍｏ ｌｉ ｓ ｌ ｄ ｂ ａ ｔ ｔ ｒ ｔｖ ｌ ｒｔ ｍ ｌ ｈ ｏｔ ｌ ａ ｉｔｏ ｄｅ ｓ ｏ ｖｅ ｙ ａ ｆ ｓ ｉｅ ａ ｉ ｅ ａ ｇｏ ｉｈ ｗｈｉｈ ｉ ｏ ｔ ｕｃ ｅ ｂ ｓ ｄ ｏｎ ｔ ｃ ｓ ｃ ｎｓ ｒ ｔ ｄ ａ ｅ ｈｅ