非局部均值图像去噪算法研究
一种自适应的非局部均值图像去噪算法
中图分类号
非局部均值算法 滤波参数 Ｇ Ｇ Ｄ 小波域
Ｔ Ｐ ３ ９ １ Ｔ Ｎ ２ １ ６ 文献标识 码 Ａ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ － ３ ８ ６ ｘ ． ２ ０ １ ３ ． １ ２ ． ０ １ ２
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＥ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ， Ｎ ａ ｎ ｔ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｎ ｉ ｔ ｙ ， Ｎ ａ ｎ ｔ ｏ ｎ ｇ ２ ２ ６ Ｏ １ ９， ￣ａ ｎ ｇ ｓ ｕ ，Ｃ ｈ ｉ ｎ ａ ）
ｃ ｉ ｅ ｎ ｔ ｓ 。 ｔ ｈ ｅ Ｃ ｏ ｅ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｓ ａ ｒ ｅ ｉ ｆ ｔ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｇ ｅ ｎ ｅ ｒ ｌｉ ａ ｓ ｅ ｄ Ｇ ａ ｕ ｓ ｓ ｉ ａ ｎ ｄ ｉ ｓ ｔ ｉ ｒ ｂ ｕ ｔ ｉ ｏ ｎ（ Ｇ Ｇ Ｄ）ｍ ｏ ｄ ｅ ｌ ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ（ ｓ ｃ ｌ ａ ｅ ａ ｎ ｄ ｓ ｈ ａ ｐ ｅ ｐ ａ ｒ ｍｅ ａ ｔ ｅ ｓ） ｒ ．Ｗｅ
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ
Ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ， ｗ ｅ ｍ ａ ｋ ｅ ｔ ｈ ｅ ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ ｓ ｏ ｎ Ｄ ｏ ｎ － ｌ ｏ ｃ ａ ｌ ｍｅ ａ ｎ ｓ（ Ｎ Ｌ － Ｍｅ ａ ｎ ｓ ）ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｂ ｙ Ｂ ｕ ａ ｄ ｅ ｓ ｅ ｔ ａ １ ．Ｏ ｉ ｒ ｇ ｉ ｎ ａ ｌ Ｎ Ｌ －
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
图像处理中的图像去噪算法比较研究
图像处理中的图像去噪算法比较研究图像处理是一门研究如何对数字图像进行处理和增强的技术领域。
在数字图像获取或传输过程中，图像常常会受到噪声污染，导致图像质量下降，影响后续的图像分析和应用。
因此，图像去噪算法在图像处理领域中起着重要的作用。
本文将对几种常见的图像去噪算法进行比较研究，包括均值滤波、中值滤波、高斯滤波和小波去噪。
均值滤波是一种简单且广泛应用的线性滤波算法。
其原理是将像素点周围的邻域像素值取平均值作为滤波后的像素值。
均值滤波可以有效去除高斯噪声，但在去除其他类型的噪声时效果相对较差，同时也会导致图像细节模糊。
中值滤波是一种非线性滤波算法，它将像素点周围的邻域像素值进行排序，并选择中值作为滤波后的像素值。
相较于均值滤波，中值滤波可以更好地保留图像细节，并能较好地去除椒盐噪声等异常像素点。
然而，中值滤波对于连续的噪声或者噪声边缘模糊的图像效果不佳。
高斯滤波是一种基于图像模糊理论的线性滤波算法，其核心思想是将图像与一个服从高斯分布的卷积核进行卷积操作。
高斯滤波可以有效平滑图像并降低噪声的影响，但同时也会导致图像细节模糊。
小波去噪是一种基于小波变换的非线性图像去噪算法。
小波变换将图像分解成多个尺度和频率的小波系数，对应不同的细节信息。
小波去噪通过对小波系数进行阈值处理，将小于阈值的系数置零，从而去除噪声。
小波去噪算法能够在去除噪声的同时保留图像边缘和细节信息，具有较好的去噪效果。
然而，小波去噪算法的计算复杂度较高，需要较长的处理时间。
综合比较以上几种图像去噪算法，可以根据实际应用场景选择适合的算法。
对于高斯噪声或简单噪声的图像，均值滤波和高斯滤波可以提供较好的去噪效果。
对于椒盐噪声等异常像素点较多的图像，中值滤波和小波去噪可以更好地恢复图像细节。
然而，在进行图像去噪时，需要注意平衡去噪效果与保留图像细节之间的关系。
除了上述几种常见的图像去噪算法，还有其他一些图像去噪方法值得进一步研究。
例如，自适应邻域滤波算法能够根据图像的统计特性调整滤波器的邻域大小，提供更好的去噪效果。
一种改进的非局部平均图像去噪算法
一种改进的非局部平均图像去噪算法许光宇;李玲【摘要】传统非局部平均NLM(Non-Local Means)图像去噪算法的像素相似性度量可靠性较差,其关键滤波参数选取与优化值偏差较大.针对上述问题,提出一种改进的NLM图像去噪算法.首先,滤除方法噪声中的噪声分量,保留有用图像信息;然后,联合去噪结果与处理后的方法噪声重新定义NLM算法的相似权函数,更好地利用原图像的信息;最后,采用噪声标准差二次函数的方式设置滤波参数,相比于传统的线性正比方式选取参数,这种选取方式在不同噪声强度下均能获得较优的参数值.对几个标准测试图像的去噪结果表明,提出的改进NLM算法获得了较好的去噪效果,优于相比较的其他几种方法.%The pixel similarity measure of the traditional NLM image denoising algorithm is less reliable, and its key filter parameter selection and optimization value deviation is larger.Aiming at the above problems, an improved NLM image denoising algorithm is proposed.First, noise component in method noise is filtered, meanwhile preserving useful image information.Secondly, combined denoising result and the processed method noise, it is redefined the similarity function of the NLM algorithm to make better use of the original image information.Finally, the filter parameters are set by the noise standard deviation quadraticpared with the traditional linear proportional mode, the selection method can obtain better parameter values under different noise intensity.The denoising results of several standard test images show that the improved NLM algorithm achieves better denoising effect, which is superior to the comparison method.【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)007【总页数】6页(P149-153,197)【关键词】图像去噪;非局部平均;方法噪声;参数优化【作者】许光宇;李玲【作者单位】安徽理工大学计算机科学与工程学院安徽淮南 232001;安徽理工大学计算机科学与工程学院安徽淮南 232001【正文语种】中文【中图分类】TP391图像在生成、获取和传输过程中经常受到噪声的干扰。
基于引导核聚类的非局部均值图像去噪算法
基于引导核聚类的非局部均值图像去噪算法吴一全;李海杰;宋昱【摘要】In order to improve the denoising effect of nonlocal means (NLM) algorithm for irregular texture images, an image denoising algorithm of NLM based on clustering by steering kernel and adaptive search windows is proposed in this paper. Firstly, fuzzy c-means (FCM) clustering algorithm based on steering kernel is used to prescreen and classify similar windows. Then, the size of search windows corresponding to each pixel is calculated according to categories of similar windows. The number of similar windows with higher similarity is guaranteed. Finally, image denoising of NLM based on adaptive search windows is carried out for each category. A large number of experimental results show that the proposed improved NLM algorithm has better denoising effect for the images with strong noise or irregular texture images, compared with the three improved NLM algorithms which are based on Zernike moment, principal neighborhood dictionaries (PND), and prescreening of mean-variance, respectively. The textures and edges in images are better preserved. The proposed algorithm is superior to other improved NLM algorithms in objective quantitative evaluation indexes such as peak signal to noise ratio (PSNR) and structural similarity index measurement (SSIM).%为改善非局部均值(NLM)算法对不规则纹理图像的去噪效果，提出了一种基于引导核聚类和自适应搜索窗的NLM图像去噪算法。
基于多尺度相似先验的非局部图像去噪算法
基于多尺度相似先验的非局部图像去噪算法随着图像处理技术的不断发展，图像去噪一直是一个重要的研究领域。
由于噪声对图像质量有很大的负面影响，因此图像去噪算法的研究一直是一个热门的研究课题。
目前，基于先验模型的非局部图像去噪算法已经成为研究的热点之一。
非局部图像去噪算法依赖于图像中的相似区域信息和先验知识来还原清晰的图像。
在本文中，我们将介绍一种基于多尺度相似先验的非局部图像去噪算法。
首先，我们了解下什么是相似区域信息和先验知识。
在图像中，相似区域代表着图像局部区域的重复和规律性。
图像的先验知识是指在一定的前提条件下，已经对图像进行了分析和处理，以便更好地理解图像的特征和规律。
基于相似区域信息和先验知识，我们提出了一种基于多尺度相似先验的非局部图像去噪算法。
该算法的主要思想是在多个尺度下对相似区域信息进行建模，然后利用这些模型来还原图像的清晰度。
具体地，该算法包括以下步骤：1. 多尺度分解：首先将原始图像进行多尺度分解，以便更好地理解图像的特征和规律。
2. 相似区域信息建模：在每个尺度下，我们使用非局部相似性 (NLS) 来描述图像中相似区域的结构和特征。
NLS 是一种度量相似性的方法，可以检测图像中相似区域之间的关系和相对位置。
在该算法中，我们使用 NLS 来构建相似区域信息模型。
3. 多尺度相似先验：在每个尺度下，我们基于相似区域信息和先验知识来建立多尺度相似先验模型。
该模型可以帮助我们在还原图像时更好地理解图像的特征和规律。
4. 噪声约束：在考虑多尺度相似先验的基础上，我们还需要考虑噪声的影响。
我们使用小波多尺度分解 (WMD) 技术来分离噪声，并将其作为约束条件来进行图像去噪。
5. 图像还原：最后，我们使用基于多尺度相似先验模型的约束优化技术来还原图像。
该技术可以在同时考虑相似区域信息、先验知识和噪声约束的基础上，最小化还原图像和原始图像之间的差异，从而还原出清晰的图像结果。
实验结果表明，基于多尺度相似先验的非局部图像去噪算法在清晰化图像质量方面取得了很好的效果。
高效彩色图像去噪算法研究与优化
高效彩色图像去噪算法研究与优化随着数字图像的不断发展和广泛应用，图像的质量要求也日益提高。
然而，彩色图像在获取和传输过程中往往会受到各种噪声的干扰，从而降低了图像的质量和清晰度。
因此，研究高效彩色图像去噪算法成为提高图像质量和增强图像信息的重要任务之一。
彩色图像去噪算法的研究一直是图像处理领域的热门话题。
目前，常用的彩色图像去噪算法包括基于小波变换、非局部均值（NLM）、总变差（TV）等。
这些算法在一定程度上可以有效去除图像中的噪声，但仍然存在一些问题，例如处理效果不理想、计算复杂度高等。
为了研究和优化高效的彩色图像去噪算法，我们需要考虑以下几个方面：一、算法性能评估方法在研究彩色图像去噪算法时，我们需要制定一组科学合理的评估方法来评估算法的性能和效果。
常用的评估方法包括峰值信噪比（PSNR）、结构相似性指数（SSIM）等。
通过这些评估指标可以客观地评估算法的去噪效果，为后续的算法优化提供依据。
二、基于小波变换的彩色图像去噪算法小波变换是一种常用的图像分析方法，对于彩色图像去噪也有着广泛的应用。
通过将彩色图像进行小波变换，可以将图像的频率和空间信息分离出来，从而实现噪声的去除。
然而，传统的小波变换在去除多尺度噪声时存在一定的局限性。
因此，在研究中需要考虑如何优化小波变换的去噪性能，提高算法的实时性。
三、基于非局部均值（NLM）的彩色图像去噪算法非局部均值算法是一种基于图像自相似性的去噪方法，能够有效去除图像中的背景噪声。
然而，传统的NLM算法在处理彩色图像时存在一些问题，例如计算复杂度高、去噪效果不佳等。
因此，研究如何改进和优化NLM算法，提高去噪效果和计算速度，是一个重要的研究方向。
四、基于总变差（TV）的彩色图像去噪算法总变差正则化算法是一种广泛应用于图像处理领域的方法，其优点是能够有效地去除图像中的噪声和保持图像的边缘信息。
然而，传统的TV算法在去噪过程中可能会导致图像细节的损失和平滑化过度。
基于梯度方向的非局部均值图像去噪算法
基于梯度方向的非局部均值图像去噪算法苗璐;张权;侯红花;赵明;桂志国【摘要】传统非局部均值去噪算法忽略了像素点邻域灰度值之间的差异,导致图像边缘模糊及细节丢失.因此,利用两个像素点邻域之间的梯度方向在添加噪声前后仍具有相似性的特点,提出一种基于梯度方向的非局部均值图像去噪算法.首先,对含有噪声的图像进行高斯滤波预处理;其次,充分利用区域的梯度信息和邻域块之间的灰度值共同确定权重,对邻域块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,相比传统的非局部均值算法,本文算法可保留更多的图像细节信息,得到更优的去噪性能.%The conventional non-local means denoising algorithm ignored the difference between the gray values of the neighborhood of pixels,resulting in image edge blur and detailsloss.Therefore,by using the property that a noise-free neighborhood will have similar gradient direction with the same neighbor-hoods but with additive noise,a non-local means image denoising algorithm based on gradient direction was proposed.Firstly,the noise image was preprocessed by Gaussian filtering;secondly,making full use of the regional gradient direction information and the gray value among the image neighborhoods to jointly determine the weight,the proposed method obtained better similarity judgment to improve the traditional non-local means filtering algorithm.Experimental results show that,compared with tradi-tional non-local means denoising algorithm,the new algorithm can effectively maintain the image edge details and other information,which improves thedenoising performance of traditional non-local means algorithm and achieves good denoising results.【期刊名称】《中北大学学报（自然科学版）》【年(卷),期】2018(039)001【总页数】5页(P69-73)【关键词】图像去噪;非局部均值;梯度方向;高斯滤波【作者】苗璐;张权;侯红花;赵明;桂志国【作者单位】中北大学生物医学成像与影像大数据山西省重点实验室,山西太原030051;中北大学生物医学成像与影像大数据山西省重点实验室,山西太原030051;中北大学生物医学成像与影像大数据山西省重点实验室,山西太原030051;中北大学生物医学成像与影像大数据山西省重点实验室,山西太原030051;中北大学生物医学成像与影像大数据山西省重点实验室,山西太原030051;中北大学仪器科学与动态测试教育部重点实验室,山西太原 030051【正文语种】中文【中图分类】TP391.410 引言在数字图像获取和传输的过程中不可避免的要受到噪声的影响，导致图像质量严重受损. 因此，消除图像噪声对于图像处理的研究有着极其重要的意义，且其处理效果对图像分割、复原、特征提取以及图像识别等后续工作的进行有着直接的影响[1].近年来，一些学者提出了许多效果显著的图像去噪方法，如小波变换[2-4]、各向异性扩散(Perona-Malik, PM)[5-7]以及全变分滤波(Total Variation, TV)[8-9]等. Buades等[10-11]对诸多经典去噪算法进行了比较研究，首次提出了非局部均值去噪算法，其主要思想是充分利用图像具有重复结构的性质，在全局范围内搜索与当前像素点所在图像块相应的相似块，然后对其进行加权平均来实现图像去噪. 之后，大量学者又在传统非局部均值算法(Conventional Non-Local Means, CNLM)模型的基础上进行了改进并得到了显著效果. 文献[12]基于灰色理论，通过灰色关联相似性系数设置权重函数，降低了计算的复杂度，消除了噪声并有效地捕捉了图像的细节. 文献[13]根据双边滤波的思想，引用空间邻近度因子和灰度相似度因子与非局部均值滤波算法的权重相结合，构造出新的权值系数，更好地保留了去噪后图像的细节和纹理信息. 文献[14]利用差分曲率的相关性能以及各图像块之间的灰度值共同确定了一个新的权重，提出了基于差分曲率的改进算法，从而更好地判断图像块间的相似性质，优化了算法.本文基于CNLM算法，提出了一种基于梯度方向的非局部均值图像去噪算法，利用两个像素邻域的梯度方向信息和邻域块之间的灰度值共同确定权重，并通过对不同的受高斯噪声污染的图像进行测试，验证了本文算法的可行性和有效性.1 非局部均值算法图像去噪的目的是从受噪声影响的图像中获得最接近于原始图像的估计值. 本文添加与图像无关的加性高斯白噪声作为噪声模型，已知一幅离散含噪图像I={I(i)|i∈Ω}，其模型表示为I(i)=X(i)+Y(i), i∈Ω,(1)式中：i表示图像中的任一像素点；Ω表示图像域；X(i)表示无噪声的原始图像；Y(i)表示均值为0，方差为σ2的高斯白噪声. 对噪声图像中所有的像素灰度值I(i)进行加权平均便得到滤波后的图像(2)式中： WCNLM(i,j)表示以像素i和j为中心的像素块Ni和Nj之间的相似度，定义为(3)(4)d(i,j)=‖I(Ni)-I(Nj),(5)式中：Z(i)为归一化常数，满足0≤W(i,j)≤1且(i,j)=1；α>0为高斯核的标准差；I(Ni)表示相似窗Ni的像素集合； d(i,j)为高斯加权欧氏距离； h为控制图像平滑程度的滤波参数.2 改进的非局部均值算法传统的非局部去噪算法在计算权值时，只是用高斯加权的欧氏距离来度量，并没有突出灰度值之间的差异. 为此，本文引入区域的梯度方向信息来改善传统的非局部去噪算法.2.1 算法原理为降低上述问题产生的影响，本文对CNLM算法进行了改进. 首先，对图像进行高斯预处理. 定义一个大小为(2L+1)×(2L+1)的模板，中心点为(0,0)， x,y的取值范围为(-L,-L)到(L,L). 高斯模板中的元素大小定义为(6)式中： x,y={-L,…,0,…,L}；σ为高斯函数的标准差. 对其进行归一化处理，得到(7)(8)式中：NGσ表示标准差为σ的高斯滤波器. 根据以上描述，便可得到，对于每一个图像块Ni，其高斯滤波后的结果可表示为IG(Ni)=NGσ(i)*I(Ni),(9)式中： IG(Ni)为图像子块Ni的滤波结果. 考虑到实验中添加的噪声服从均值为0的高斯白噪声分布，所以对图像进行高斯预处理可以在一定程度上降低噪声的干扰.然后，利用两个像素邻域的平均梯度值来改进权重系数. 选取图像的中心像素点i 邻域内的水平平均梯度和垂直平均梯度分别记为|u(x,y)-u(x,y+1)|)/2,(10)|u(x,y)-u(x+1,y)|)/2，(11)则像素点i邻域内的平均梯度为(12)虽然含噪图像像素点邻域的梯度大小和干净图像像素点邻域的梯度大小不同，但其梯度方向相似[15]. 于是，计算像素点i和像素点j邻域之间的平均梯度的夹角，表示为(13)两邻域梯度方向的夹角θ越大，表示两邻域的梯度方向差距越大，则两邻域的相似性越小，所以用指数衰减函数来改进邻域梯度方向差对权值的影响. 同时，消除灰度值相差较大的像素以及远距离像素对中心像素的影响[16]，引入灰度相似度因子和空间邻近度因子来调节权重系数，使得在灰度差距大的地方(例如边缘区域)减小权重，得到更好的滤波效果.最终，得到改进的权值表达式为(14)(15)(16)式中： IG(j)表示经高斯滤波处理后的图像； WG为本文改进的权值函数，其第1项表示空间邻近度因子，第2项表示灰度相似度因子，第3项表示控制邻域梯度方向差的衰减函数；ρ为控制邻域梯度方向差的滤波参数； h1为控制空间距离的衰减因子； h2为灰度空间距离的衰减因子； Z(i) 为归一化因子.2.2 算法步骤综上所述，本文的具体算法步骤如下：1) 对待处理图像依据式(9)进行高斯滤波预处理，得到新的图像IG；2) 针对第1步处理后的图像，从中提取出分别以像素点i和像素点j为中心的图像块Ni和Nj；3) 依据式(10)～(12)分别计算出中心像素点i和j的平均梯度值和(j)，再根据式(13)求出两个像素点邻域间的平均梯度的夹角(即梯度方向)；4) 根据式(16)计算归一化因子Z(i)；5) 根据式(15)计算改进后的权值函数；6) 将计算好的权值函数代入式(14)，得到降噪后的图像IGNLM.3 实验结果及分析为了验证本文改进的算法的有效性和可行性，选取图 1 中的3幅测试图像进行仿真实验，图像大小均为256×256. 其中，添加均值为0，标准差σ分别为10，15，20，30的高斯白噪声；选取邻域搜索范围21×21，相似邻域大小为7×7；调整滤波参数ρ, h1, h2使滤波效果更佳.图 1 测试图像Fig.1 Test images图 2 分别给出3幅测试图像的含噪图像(均值为0，标准差σ=10)的去噪结果比较(其中，去噪算法分别为： CNLM算法，经高斯预处理后的CNLM算法(简记为G-CNLM)和本文算法). 观察发现， CNLM算法和G-CNLM算法得到的效果图细节部分被过度平滑掉，例如， Lena的帽子，船头部的字母、船上的桅杆以及房子的烟囱、屋檐等部分都有明显的过平滑现象. 而对于本文提出的算法既能较好地去除噪声，同时又对图像的细节和边缘部分进行了较好地保护. 如Lena帽子的纹理部分较清晰；船上桅杆、船头字母较为突出，灯塔塔顶的轮廓较为明显；房子的烟囱和屋檐棱角清晰等. 通过与CNLM和G-CNLM两种算法的对比，得出本文算法可以取得更好的降噪效果，能较好地突出图像的纹理信息和细节部分.图 2 不同图像去噪后的效果比较Fig.2 Comparison of denoising result with different images方法噪声也是图像去噪性能的评价标准之一，它是噪声图像与降噪后图像的差. 如图 3 所示，分别为3个测试图像经3种不同算法降噪后的方法噪声. 可以发现相比CNLM和G-CNLM两种算法的方法噪声图，本文算法的方法噪声图更均匀，滤除掉的图像细节信息较少，更接近高斯白噪声. 由方法噪声可知，本文算法的去噪性能更好.除了主观评价，本文采用峰值信噪比(Peak Signal to Noise Ratio， PSNR)对降噪后的图像进行客观、定量地描述. 峰值性噪比定义为(17)(18)式中： M, N分别表示图像的行和列； I为真实图像为；为去噪后的图像； b表示图像中像素的位数，此处b=8; MSE表示原图与降噪后图像之差平方的期望，MSE的值越小，说明降噪后的图像具有更好的效果； PSNR表示原图与降噪后图像之间噪声水平的差异，单位为dB, 其值越大说明图像失真越小，降噪效果越好. 对3幅测试图像分别加入均值为0，标准差为10，15，20，30的高斯白噪声，所得PSNR值如表 1 所示.图 3 不同图像的方法噪声图Fig.3 Method noise of different images表 1 不同图像去噪性能PSNR的比较Tab.1 Comparison of PSNR of different imagesσ图像CNLM算法G-CNLM算法本文算法10Lena33.1833.4033.76船31.6732.2232.59房子35.1135.4135.8415Lena30.4530.9931.46船29.2429.7630.35房子33.0433.3033.8820Lena28.5629.1530.02船27.2827.6128.44房子30.9931.2031.8430Lena26.0526.3527.09船25.0225.5126.15房子27.9428.2328.77由表 1 数据可知，本文算法的降噪性能在不同的噪声水平上均有所提高.4 结论本文针对CNLM算法在图像去噪处理中造成的图像边缘模糊以及细节丢失的问题，提出了一种基于梯度方向的非局部均值图像去噪算法. 通过多次实验分析得出，本文改进的算法既能够很好地抑制噪声，同时也能很好地保留图像的细节和边缘信息. 实验结果表明，本文算法在图像的细节保留和捕获边缘信息方面更优于CNLM算法.参考文献：[1]Sun Z, Chen S. Modifying NL-means to a universal filter[J]. Optics Communications, 2012, 285(24)： 4918-4926.[2]Kivanc Mihcak M, Kozintsev I, Ramchandran K, et al. Low-complexity image denoising based on statistical modeling of wavelet coecients[J]. IEEE Signal Processing Letters, 2015, 6(12)： 300-303.[3]Andria G, Attivissimo F, Cavone G, et al. Linear filtering of 2-D wavelet coefficients for denoising ultrasound medical images[J]. Measurement, 2012, 45(7)： 1792-1800.[4]Zou B, Liu H, Shang Z, et al. Image denoising based on wavelet transform[C]. IEEE International Conference on Software Engineering and Service Science, IEEE Beijing Section, 2015： 342-344.[5]王艳. 基于各向异性扩散的图像降噪算法的研究与优化[D]. 太原：中北大学, 2014.[6]Kamalaveni V, Rajalakshmi R A, Narayanankutty K A. Image denoising using variations of perona-malik model with different edge stopping functions[J]. Procedia Computer Science, 2015, 58： 673-682.[7]Wang Y Q, Guo J, Chen W, et al. Image denoising using modifiedPerona-Malik model based on directional Laplacian[J]. Signal Processing, 2013, 93(9)： 2548-2558.[8]Beck A, Teboulle M. Fast gradient-based algorithms for constrainedtotal variation image denoising and deblurring problems[J]. IEEE Transactions on Image Processing, 2009, 18(11)： 2419.[9]Afonso M V, Sanches J M R. A total variation recursive space-variantfilter for image denoising[J]. Digital Signal Processing, 2015, 40(C)： 101-116.[10]Buades A, Coll B, Morel J M. A non-local algorithm for image denoising[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE, 2005, 2： 60-65.[11]Buades A, Coll B, Morel J M. A review of image denoising algorithms,with a new one[J]. Multiscale Modeling & Simulation, 2005, 4(2)：490-530.[12]Li H J, Suen C Y. A novel non-local means image denoising method based on grey theory[J]. Pattern Recognition, 2016, 49： 237-248.[13]梁广顺, 汪日伟, 温显斌. 基于双边滤波与非局部均值的图像去噪研究[J]. 光电子·激光, 2015, 26(11)： 2231-2235. Liang Guangshun, Wang Riwei, Wen Xianbin. Image denoising based on bilateral filtering and non-localmeans[J]. Journal of Optoelectronics Lase, 2015, 26(11) ： 2231-2235. (in Chinese)[14]孙未雅, 张权, 白云蛟, 等. 基于差分曲率的非局部均值图像降噪算法[J]. 中北大学学报(自然科学版), 2015, 36(3)： 354-358. Sun Weiya, Zhang Quan, Bai Yunjiao, et al. A non-local mean image denoising algorithm based ondifference curvature[J]. Journal of North University of China (Natural Science Edition), 2015, 36(3)： 354-358. (in Chinese)[15]Mahmoudi M, Sapiro G. Fast image and video denoising via nonlocal means of similar neighborhoods[J]. IEEE Singal Processing Letters, 2005, 12(12)： 839-842.[16]王玉灵. 基于双边滤波的图像处理算法研究[D]. 西安：西安电子科技大学, 2010.。
DCT子空间的非局部均值去噪算法
算 复杂 度 高 ， 且 当噪 声 存 在 时 还 不 能 准 确 地 计 算 出 像 素 间 的 相 似 性 权 重 值 ， 响 了对 图 像 冗 余 性 质 的 利 用 ， 得 而 影 使 去 噪结 果 图 像 对 比度 和 清 晰 度 低 ． 对 ＮＬ 算 法 的 这 一 缺 陷 ， 用 离 散 余 弦变 换 （ｉ ｒｔ ｃｓ ｅｔ ｎ ｆｒ Ｄ Ｔ） 针 Ｍ 利 ｄｓ ｅｅ ｏ ｉ ｒ ｓｏｍ， Ｃ ｃ ｎ ａ 的 低 数 据 相 关 性 和 高 能 量 紧 致 性 ， Ｄ Ｔ 与 ＮＬ 算 法 相 结 合 ， 图 像 块 进 行 Ｄ Ｔ， 在 Ｄ Ｔ低 频 系数 子 空 间 内度 将 Ｃ Ｍ 对 Ｃ 并 Ｃ
Ｄ Ｔ子 空间 的 非局 部 均值 去 噪算 法 Ｃ
胡金蓉 蒲亦ｊ， 意， ， ｝张 周激流
（ 四川 大 学 计 算 机 学 院 成都 ６０６） １ ０ ４
（ｅ ｈｒ ｈ ｔ ｉ ｃｒ） ｄ ｗ ｊ＠ ｏ ｍａｌ ｏ ． ｎ
摘
要 ： 整 个 图像 块 像 素灰 度 值 向量 空 间 中 ， 局 部 均 值 （ｏ ｌｃｌ ａｓ Ｎ Ｍ） 法 度量 像 素 间 的相 似 性 不 仅 计 在 非 ｎ ｎｏａ ｍｅｎ ， Ｌ 算
Ｈ ｕＪｎ ｏ ｇ ，ＰｕＹｉｅ ，Ｚ ａ ｇ Ｙｉ ｎ ｈ ｕ Ｊｌ ｉｒｎ ｆｉ ｈ ｎ ，ａ ｄ Ｚ ｏ ｉ ｕ ｉ
（ ｏ ｌｇ ｏ ｕ ｅ ｃｅｃ ， ｉｈ ａ ｎ ｖ ｒｉ Ｃ ｌ ｅ ｆ Ｃ ｍｐ ｔｒＳ ｉｎ ｅ Ｓ ｃ ｕ ｎ Ｕ ｉ ｅｓｔ ｅ ｏ ｙ，Ｃ ｅ ｇ ｕ ６ ０ ６ ） ｈ ｎ ｄ １ ０ ４
量 像 素 间 的 相 似 性 ． 验结 果 表 明 ， Ｎ Ｍ 算 法 相 比 ， 方 法 能 够 在 保 护 图 像 结 构 信 息 、 比度 和 清 晰 度 的前 提 下 实 与 Ｌ 该 对 更 有 效 地 去 除 噪 声 ， 值 信 噪 比值 一 般 可 以 提 高 １ Ｂ 以上 ， 行 时 间 不 到 ＮＬ 算 法 的 １１． 峰 ｄ 运 Ｍ局 部 均 值 ； 散 余 弦 变 换 ； 量 紧 致 非 离 能
基于非局部统计稀疏表示的图像去噪研究
基于非局部统计稀疏表示的图像去噪研究图像去噪是图像处理中一个非常重要的问题，它旨在去除图像中的噪声并恢复清晰的图像信息。
在实际应用中，图像去噪不仅仅是一种去除噪声的操作，更是一种预处理方法。
它可以为图像特征提取、目标检测、图像识别等后续工作提供更高质量的数据。
因此，研究有效的图像去噪技术对于提高图像处理的效率和质量具有非常重要的意义。
近年来，基于稀疏表示的图像去噪方法已经成为了当前最受欢迎和最前沿的研究热点之一。
其中，非局部统计稀疏表示是一种非常有效的方法之一。
它不仅可以去除图像中的噪声，还能够保留图像的细节信息。
接下来，我们将对基于非局部统计稀疏表示的图像去噪方法进行详细的探讨。
一、稀疏表示稀疏表示是一种用高维数据在低维子空间中表达的方法。
在图像去噪过程中，利用稀疏表示可以将图像分解为基础成分和一些噪声成分，并将噪声成分消除。
通常，我们会将图像表示为向量的形式，使用向量的线性组合表述图像。
线性组合中的系数被称为稀疏系数，使用稀疏表示的方法可以将向量中一些较小的系数置为零，得到一种近似表示。
二、非局部统计稀疏表示传统的稀疏表示方法通常将图像块分为两类，分别是信号块和噪声块，但是这种方法并不适用于大尺寸的噪声。
同时，一些与信号块相似的噪声块可能被分类为信号块，也会导致去噪效果差。
基于这种情况，非局部统计稀疏表示提出了一种新的图像分块方法。
其核心思想是在一个大的图像块中搜索和定位与当前处理的块相似的其他块。
然后，将这些块的信息融合起来，得到更加准确的稀疏表示。
这种方法不仅可以有效地区分出图像中的噪声块和信号块，还可以避免传统分块方法中的分类误差，从而提高了去噪的效果。
三、实验结果和分析为了验证非局部统计稀疏表示的有效性，我们进行了一系列的对比实验。
在这些实验中，我们主要使用了两种评价标准：PSNR（Peak signal-to-noise ratio）和SSIM（Structural similarity index）。
- 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)。
龙源期刊网 http://www.qikan.com.cn
非局部均值图像去噪算法研究
作者：刘卓亚
来源：《电脑知识与技术》2012年第22期
摘要：图像去噪一直都是计算机图形处理和计算机视觉中的一个研究热点，其中非局部化
均值算法是近年来去噪效果出色的算法之一，但是非局部均值算法容易导致细节模糊，该文基
于指数加权函数的基础上引进了余弦函数，提出了一种改进的非局部均值图像去噪方法，通过
实验表明，该文的改进算法比传统的算法更能保持细节。
关键词：图像处理；非局部均值算法；图像去噪；高斯噪声
中图分类号：TP183文献标识码：A文章编号：1009-3044(2012)22-5448-02
The NonLocal Means Denoising Research
LIU Zhuo-ya
(Yunnan Vocational College of Mechanical and Electrical Technology, Kunming 650203,China)
Abstract：Image denoising has always been a hot issue in Computer Graphic and Computer
Vision. Non-local Means method is one of the great performing methods which arouse tremendous
research..Aiming at the problem of blurs the details in original non-local means algorithm,this paper
proposes a cosine exponential function. 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.
Key words: image processing; nonlocal means algorithm; image denoising; gaussian noise
1概述
图像去噪是图像处理领域中一项重要的研究课题，一方面能有效的抑制噪声，为后续处理
提供更为精确的信息；另一方面对去噪方法的研究还能促进其它图像处理与分析问题的解决，
如图像恢复、超分辨重建、图像分割等。在进半个世纪中，图像去噪是数字图像处理中最基
本、研究最为广泛的问题，目前仍然有很多问题没有得到解决。图像去噪的目的是从噪声数据
中恢复出原始图像或者得到其最佳估计。基于这个目的，大量的去噪算法得到了发展，比如全
变分最小化方法[1]、双边滤波器[2]和基于小波方法[3]等。
文献[4-5]提出原始非局部均值（Original Non-local Means,ONLM）算法，非局部均值滤波
算法的核心问题是在于确定权重函数，ONLM算法中采用直属型函数进行加权[4]。由于
ONLM算法采用指数型函数导致图像的细节过渡平滑而变得模糊，文献[6]中的纯直属型或者
余弦型核函数不能适应噪声的变换，对强噪声的去噪能力明显下降。
龙源期刊网 http://www.qikan.com.cn
为此，该文在以上工作基础上，讨论加权核函数的建立，并结合直属函数和余弦型核函
数，提出了指数余弦型函数。
2非局部均值滤波去噪算法
该文假设噪声信号为与图像无关的加高斯白噪声，噪声模型为：
3改进的权重函数
在一定条件下，理想的权重函数应该在像素领域距离小时输出较大的全职，而随着距离的
增大而使输出迅速的减小到0。文献[6]中提到了余弦型加权函数，定义为：
4实验结果和分析
算法变成工具为MATLAB7.0，实验图像采用国际标准测试图像lena图像和house图像，
如图1，图像大小为256×256，算法性能通过主观视觉效果和客观的PSNR来评价。实验室将
传统的ONML和该文改进的算法分别应用于加噪图像，图像中添加了均值为0，标准差σ=10
的高斯噪声，如图2，原始ONLM算法与该文算法的去噪效果图如图3，搜索窗大小为
21×21，相似窗大小为5×5，h2=10σ。通过对比观察，该文算法去噪后保留了更多的细节信
息。
5结束语
相对于ONLM，该文的算法较大地提高了滤波结果的PSNR，具有很好的视觉效果，新算
法可以应用在各种图像的前期处理过程中。对参数h的研究可以作为后期的研究方向。
参考文献：
[1] RudinL I,Osher S,Fatemi E.Nonlinear total variation based noise removal algorithms [J].
Physica D,1992,60(1):259-268.
[2] Tomasi C, Manduchi R. Bilateral filtering for gray and color images [C]//Proceedings of the
Computer Vision Sixth International Conference.Bombay,India:Narosa Publishing Hose,1998:839-
846.
[3] Portilla J,Strela V. Image denoising using scale mixtures of Gaussians in the wavelet domain
[J].IEEE Transactions on Image Processing, 2003,12(11):1338-1351.
[4] Buades A，Coil B，Morel J M.A Review of Image Denoising Algorithms with a New
OneIJ].Multiscale Modeling&Simulation,2005,4(2)：490-530.
龙源期刊网 http://www.qikan.com.cn
[5] Buades A，Coil B，Morel J M .Image Denoising Methods.A New Nonlocal
Principle[J].SIAM Review,2010,52(1):113-147.