非局部均值NLM进行图像去噪
图像处理中的图像去噪算法综述
图像处理中的图像去噪算法综述随着现代科技的发展，图像处理在各个领域得到了广泛应用。
然而，由于图像采集过程中受到的噪声干扰，导致图像质量下降，降低了后续处理和分析的准确性和可靠性。
因此，图像去噪算法的研究和应用成为图像处理的重要方向之一。
图像去噪算法的目标是从包含噪声的图像中恢复原始图像，以降低噪声对图像质量的影响。
在实际应用中，图像噪声的类型和分布往往是复杂多样的，因此需要选择适合不同场景的去噪算法。
以下将对几种常见的图像去噪算法进行综述。
1. 统计学方法统计学方法通过建立噪声的统计模型来进行图像去噪。
常用的统计学方法包括高斯滤波、中值滤波和均值滤波。
高斯滤波是一种线性滤波器，通过对图像进行平滑处理来减少噪声。
中值滤波则是通过取窗口内像素的中值来代替当前像素值，从而降低噪声的影响。
均值滤波是将像素周围邻域内像素的平均值作为当前像素的新值。
2. 基于小波变换的方法小波变换是一种将信号分解成多个频带的方法，可以对图像进行多尺度分析。
基于小波变换的图像去噪方法通过去除高频小波系数中的噪声信息来恢复原始图像。
常用的小波去噪算法有基于硬阈值法和软阈值法。
硬阈值法通过对小波系数进行阈值处理，将小于阈值的系数设为0，大于阈值的系数保留。
而软阈值法在硬阈值法的基础上引入了一个平滑因子，将小于阈值的系数降低到一个较小的值。
3. 基于局部统计的方法基于局部统计的方法利用图像局部区域的统计特性来去除噪声。
其中，非局部均值算法（NL-means）是一种广泛应用的图像去噪算法。
NL-means 算法通过从图像中寻找与当前像素相似的局部区域，然后根据这些相似区域的信息对当前像素进行去噪。
该算法的优点是对各种类型的噪声都有较好的去除效果，并且能够保持图像的细节信息。
4. 基于深度学习的方法近年来，深度学习在各个领域得到了广泛应用，包括图像去噪领域。
基于深度学习的图像去噪方法通过训练一个适应性的神经网络来学习图像噪声和图像的复杂关系，从而实现去噪效果。
NLM的一些理解
非局部均值处理的基本思想和优点1.非局部均值的基本思想基本思想是：当前像素点的灰度值与图像中所有与其结构相似的像素点加权平均得到。
非局部均值滤波的思想主要基于一个事实：对图像中任意一块小窗口图像块，会有许多与之相似的图像块。
与空间域滤波方法相比，这个方法的不同之处在于不需要局部约束。
非局部均值去噪算法主要利用数字图像中存在大量的自相似块这些冗余信息，通过建立待去噪像素点邻域与搜索区域的像素点邻域的相似性测度，计算搜索区域各像素点与待去噪像素点的相似度权重，然后对搜索区域内的像素点进行加权平均，从而计算得到待去噪像素点新的灰度值。
非局部算法的思想简单却十分可行，但是逐个像素点处理必然导致计算复杂度太大，因此还有很多改进的余地。
非局部均值的核心思想有点类似于小波基等一类的基构造思想。
在对图像进行处理时，利用图像局部的相似性。
对于每个像素的权值, 采用以它为中心图像子块(一般取7*7)与以当前像素为中心子块之间的高斯加权欧氏距离来计算, 权值设为此距离的负指数函数值。
这样做的好处是在估计当前像素值时, 局部结构上与它相似的像素权重较大, 而结构相似像素上叠加的噪声是随机的, 因而通过加权均值可有效去除噪声。
设v(i）和“u(i)分别表示含噪图片和原始图片，其中f表示像素位置。
非局部均值算法可由下面的公式描述：其中，NL(v)（i）表示在i像素位置处进行滤波得到的新像素灰度值。
加权系数的大小由两个像素点的邻域的相似性决定：其中，表示高斯加权距离，是归一化系数。
2.非局部均值处理的优缺点由于NL-Means算法在对每个像素的加权平滑过程中考虑了局部结构的相似性, 取得了很高的滤噪效果。
虽然NLM有优异的去噪性能，但是过高的计算复杂度极大的限制了它的发展和应用。
计算图像块之间相似性的匹配过程是NLM算法中的关键技术，NLM 中所用的加权平均系数即由此得到。
然而，图像的块是一个高维的向量，直接对其进行匹配运算比较图像块问相似性会造成算法复杂度急剧增大；另外NLM对图中所有的点的邻域块都直接进行相似性比较，在含噪情况下，这样得出的相似性权值准确性下降，容易对去噪结果造成一定的影响。
基于非局部均值去噪的数字图像复原技术研究
基于非局部均值去噪的数字图像复原技术研究数字图像处理技术日益成熟，应用场景也越来越广泛。
其中，数字图像复原技术是重要的研究方向之一。
其目的是通过对图像的处理，消除噪点和失真等干扰，实现图像的恢复和优化。
目前，基于非局部均值去噪的数字图像复原技术备受关注，可有效地提高图像质量，本文将详细探讨该技术的原理和应用。
一、非局部均值去噪技术基本原理非局部均值去噪技术是一种基于图像自身特征的复原方法。
其原理是选取包含噪点像素的邻域窗口，计算该窗口中各像素与周围其他像素的相似度，依据相似度大小对像素进行加权处理，最终得到去噪后的图像。
具体而言，非局部均值去噪技术主要包括以下步骤：1. 选取每个像素的邻域窗口通常情况下，取邻域窗口的大小与噪点大小相当，窗口大小较小时会影响降噪效果，窗口过大会增加计算量。
2. 计算相似度权重对于每个邻域窗口，需要计算其中各像素之间的相似度。
常用的相似度计算方法包括欧式距离、余弦相似度等。
以欧式距离为例，其计算公式为：$d(x,y) = \sqrt{\sum_{i=1}^n{(x_i-y_i)^2}}$其中，$x$和$y$分别表示窗口内的两个像素，$n$为像素维数。
根据相似度计算结果，可以得到相似度权重矩阵，为后续的像素加权处理提供基础。
3. 像素加权平均根据相似度权重和像素灰度值，对待处理像素进行加权平均。
使得处于相似度高的像素，其权重相对较大，对处理结果产生较大的影响。
4. 重复步骤2和3，直到图像整体的噪声被去除干净。
二、非局部均值去噪技术应用领域非局部均值去噪技术已被广泛应用于实际场景中。
其中，数字图像复原是其最为重要的应用领域之一。
在数字图像复原中，该技术不仅可以去除图像中的噪点和失真，还可以恢复丢失信息和细节。
此外，在视频编码、无人机遥感、红外成像等领域，非局部均值去噪技术也有广泛的应用。
例如，在视频编码中，该技术可将视频分割成帧，对其中的每一帧都进行去噪处理，从而提高压缩率和质量。
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 －
图像去噪算法：NL-Means和BM3D
图像去噪算法：NL-Means 和BM3D图像去噪是⾮常基础也是⾮常必要的研究，去噪常常在更⾼级的图像处理之前进⾏，是图像处理的基础。
可惜的是，⽬前去噪算法并没有很好的解决⽅案，实际应⽤中，更多的是在效果和运算复杂度之间求得⼀个平衡，再⼀次验证了我⽼师的⼀句话：所有的⼯程问题最后都是最优化问题。
好了，废话不多说，来看看效果⽐较好的去噪算法吧。
噪声模型图像中噪声的来源有许多种，这些噪声来源于图像采集、传输、压缩等各个⽅⾯。
噪声的种类也各不相同，⽐如椒盐噪声，⾼斯噪声等，针对不同的噪声有不同的处理算法。
对于输⼊的带有噪声的图像v(x)，其加性噪声可以⽤⼀个⽅程来表⽰：其中是原来没有噪声的图像。
是像素集合，是加项噪声项，代表噪声带来的影响。
是像素的集合，也就是整幅图像。
从这个公式可以看出，噪声是直接叠加在原始图像上的，这个噪声可以是椒盐噪声、⾼斯噪声。
理论上来说，如果能够精确地获得噪声，⽤输⼊图像减去噪声就可以恢复出原始图像。
但现实往往很⾻感，除⾮明确地知道噪声⽣成的⽅式，否则噪声很难单独求出来。
⼯程上，图像中的噪声常常⽤⾼斯噪声来近似表⽰，其中，是噪声的⽅差，越⼤，噪声越⼤。
⼀个有效的去除⾼斯噪声的⽅式是图像求平均，对N 幅相同的图像求平均的结果将使得⾼斯噪声的⽅差降低到原来的N 分之⼀，现在效果⽐较好的去噪算法都是基于这⼀思想来进⾏算法设计。
NL-Means 算法NL-Means 的全称是：Non-Local Means ，直译过来是⾮局部平均，在2005年由Baudes 提出，该算法使⽤⾃然图像中普遍存在的冗余信息来去噪声。
与常⽤的双线性滤波、中值滤波等利⽤图像局部信息来滤波不同的是，它利⽤了整幅图像来进⾏去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够⽐较好地去掉图像中存在的⾼斯噪声。
NL-Means 的滤波过程可以⽤下⾯公式来表⽰：在这个公式中，是⼀个权重，表⽰在原始图像中，像素 和像素 的相似度。
基于NLM图像去噪算法的硬件设计与实现
基于NLM图像去噪算法的硬件设计与实现基于NLM图像去噪算法的硬件设计与实现摘要：随着科技的不断发展，数字图像处理技术在各个领域得到广泛应用。
图像去噪是图像处理中一个重要的环节，对于提升图像品质具有重要作用。
本文介绍了一种基于NLM（non-local means）图像去噪算法的硬件设计与实现方法。
通过将算法转化为硬件电路，实现了实时高效的图像去噪功能。
实验结果表明，该硬件设计能有效消除图像噪声，并保持图像细节，具有较好的实用性和性能。
关键词：NLM算法；图像去噪；硬件设计；实现引言随着科技的进步，图像的获取和传输变得越来越容易，图像处理技术在各个领域得到广泛应用，例如医学影像、无人驾驶、安防监控等。
然而，由于图像获取过程中的电磁干扰、信号传输损耗以及储存介质等因素的影响，图像中常常存在各种噪声，如高斯噪声、椒盐噪声等。
这些噪声会降低图像的品质，影响后续图像处理和分析的准确性。
因此，图像去噪技术成为了图像处理中一个重要的环节。
NLM算法简介NLM算法（non-local means）是一种基于图像自相似性原理的图像去噪算法。
该算法通过计算图像中各个像素点与其他像素点的相似性，将相似性较高的像素点的信息进行加权平均，从而抑制噪声，保留图像细节。
NLM算法的核心思想是：同一个图像中的相似纹理在不同的位置会有相似的分布。
通过搜索整个图像，找到相似领域，并进行加权平均，可以有效去除噪声。
硬件设计与实现为了在实时性的要求下进行图像去噪处理，我们将NLM算法进行硬件设计和实现。
整个硬件系统由图像传感器、FPGA、显示器等组成。
其中，FPGA作为核心处理器，负责图像的处理和去噪。
1. 图像传感器图像传感器用于将物理世界中的图像信息转换为电信号。
我们选择高清图像传感器，以提供高质量的输入图像。
传感器通过处理模块将图像数据传输到FPGA进行处理。
2. FPGAFPGA芯片是一种可编程逻辑器件，具有高灵活性和可重构性。
相片降噪的原理是
相片降噪的原理是
相片降噪的原理是通过算法和技术处理图像中的噪声，从而减少或消除噪声的影响，提高图像的清晰度和质量。
常见的相片降噪原理包括以下几种：
1. 统计滤波：根据图像的统计性质，如均值、方差等，对图像进行滤波处理，去除图像中的噪声。
常用的统计滤波方法有均值滤波、中值滤波等。
2. 非局部均值去噪（NLmeans）：通过比较图像的不同区域之间的相似性，对每个像素点进行加权平均，从而降低噪声。
该方法利用了图像中相似纹理区域的统计特性，能够有效去除噪声。
3. 小波去噪：利用小波变换将图像分解为不同频率的子带，对高频子带进行降噪处理，然后再进行逆变换恢复图像。
小波去噪主要用于降低图像的高频噪声。
4. 基于深度学习的降噪：利用深度学习算法，通过训练大量图像样本，学习图像中的噪声和清晰图像之间的映射关系，进而对新的图像进行降噪处理。
这种方法通常需要较大的计算资源和大量的训练样本。
总之，相片降噪的原理是利用图像处理算法和技术，通过对图像的统计特性、纹理特征等进行分析和处理，从而减少图像中的噪声，提高图像的质量和清晰度。
不同的降噪方法适用于不同的噪声类型和降噪要求。
改进的非局部均值图像去噪算法
邓志全等：改进的非局部均值图像去躁算法_______________________________基金项目: 国家自然科学基金资助(10572154)第一作者简介:邓志全(1983-)，男，中山大学科学计算与计算机应用系硕士研究生，主要研究方向为信息计算科学、数字图像处理与分析。
改进的非局部均值图像去噪算法邓志全1） 关履泰1） 朱庆勇2）（1）中山大学 科学计算与计算机应用系，广州 510275，lnsglt@ 2）中山大学工学院海洋研究中心，广州 510275）摘 要: 图像去噪一直以来都是计算机图像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比较出色并引起广泛研究讨论的算法之一。
本文在非局部均值算法的基础上提出改进方案，针对图像自身的特点自适应的取最优参数，同时大大的减低其运算量和时间。
并从理论和算法程序等方面详细阐述了该加速算法的具体实现过程。
最后论文给出加速算法在实际应用中的处理结果和优越性 关键词: 图像去噪; 非局部均值;整体变分法; PDE 去噪模型;自适应求参;各向异性扩散Improved Non-local Means Image Denoising MethodDENG Zhi-quan 1）, GUAN Lutai 1）, ZHU Qing-yong 2)(1）Department of Scientific Computing&Computer Application ,Sun Yet-sen University, Guangzhou 510275) (2)Ocean Engineering Research Certre,School of Engineering, Sun Yet-sen University ,Guangzhou510175)Abstract: Image denoising technology is one of the forelands in the field of Computer Graphic and Computer Vision; Non-local Means method is one of the great performing methods which arouse tremendous research. In this paper, we propose a novel improved Non-local Means algorithm which can select the optimal parameters and decrease the computational complexity. We also give the mathematical theory embedded and implementation in details. In the end, we present the main experiment results and its superiority in application.Keywords: Image denoising; Non-local Means;Total Variation Method;PDE denoising model;Adaptive Parameterize; Anisotropic diffusion1 引言随着电子计算机和数码成像设备的日益普及，数字图像处理越来越受到人们的重视。
- 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)。
使用双边和非局部均值滤波进行医学图像去噪摘要医学图像的瓶颈之一是信噪比很低，因此需要对同一对象进行长时间和重复性的获取来降低噪声和模糊。
为了获取一个高信噪比而不需要长时间重复性的扫描，数据的后期处理（例如去噪）就具有重要意义。
双边滤波和非局部均值滤波经常被用来进行医学图像去噪。
本文提出了一种阈值方案即通过对通用的阈值引入比例因子进行小波和轮廓波变换的去噪。
同时本文提出的轮廓波阈值方案也可作为双边和NLM滤波的预处理步骤。
仿真实验表明本文提出的单个实体包括预处理步骤和双边或NLM去噪步骤，在PSNR和感觉质量方面明显优于单个的双边滤波或单个的NLM去噪。
1、介绍先进医学图像技术的快速发展例如磁共振成像（MRI），正电子发射断层扫描（PET）和CT技术在病人体内进行无创性诊断提供了新的方式。
基于成像模式的一些先进技术仍在研究阶断，但是从没有达到常规的临床应用中。
瓶颈之一就是由于信噪比低，对于同一对象需要进行长时间和重复性的获取来降低噪声和模糊。
例如，一个高信噪比的扩散张量成像数据集需要一个小时获取数据。
一个高信噪比的高角分辨率扩散成像数据的获取需要13个小时。
为了从噪声和模糊图像中恢复高信噪比图像，而不需要长时间重复性扫描，数据的后处理在以下两个方面具有置关重要的角色：（1）自动去噪和去模糊算法恢复数据能降低时间消耗；（2）计算目标的分割技术能够从噪声观测值中直接、自动地将数据提取出来。
在医学图像中我们经常会面临一个相对较低信噪比或者与一个较好的SNR有一个较低对比度情况，庆幸的是人类视觉系统在结构识别（甚至存在相当大的噪声）都是卓有成效的。
但是如果SNR太小或对比度太低就很难检测解剖结构。
定义整体图像质量包括实际和感觉标准。
此外，它在很大程度上取决于特定的诊断任务。
在某些情况下，需要一个高的空间分辨率和一个高的对比度，然而，在其它情况下，更多是是需要知觉的标准。
对于一个医学图像的视觉分析，细节的清晰（主要包括边缘信息和对象的可见度）是很重要的。
医学图像的噪声主要包括加性白噪声，椒盐噪声和斑点噪声等等。
此处有两个基本方法进行图像去噪，空间滤波方法和变换域滤波方法。
由于过滤时无法考虑边界区域或者细小结构，那么生成的图像就出现模糊和扩散。
许多研究者用空间滤波以及变换域滤波进行医学图像处理。
当对医学图像数据设计一种滤波方案时，源于滤波方案中的模糊或伪迹使得图像退化是不可接受的，因而以下两个标准应该被实现：（1）通过保留物体边界和详细结构最大限度减小信息损失。
（2）在具有均匀物理特性的区域有效地去除噪声。
基于双边滤波的最新研发克服了传统空间滤波的缺陷，而且在满足上述规定的标准1上显著地提高了图像质量。
双边滤波是非线性非迭代滤波代表之一。
它同时联合了域滤波器和范围滤波器，它在去噪时保留了边缘信息。
许多应用双边滤波进行医学图像去噪算法先后被提出。
然而，它并没有给出满意的结果，因为真实的灰度值被严重污染而且范围滤波也没有正常工作。
这将给去噪结果带来副作用（如，去噪图像的抛光看）。
例如，图像的组织区域或大脑的凹槽可能会变弱。
这些现象也被称为是噪声的传播。
为了扩展双边滤波，有人提出了一种运用结构相似性的非局部均值图像去噪。
一般来说，在自然图像上的信息在某种程度上是具有冗余的。
NLM图像去噪算法充分利用了图像的冗余。
基本思想是图像含有重复结构，取其平均值能降低噪声。
在均匀组织区域缓慢变换信号适当恢复并能保留组织边界的能力是一种有效的去噪方法。
NLM被应用到医学图像去噪的许多方面。
然而，NLM滤波也有许多潜在的限制，因为计算相似权重是在邻近的整体空间中执行。
而且，相似权重的精确度也会受噪声的影响。
有人提出一种在变换域（VisuShrink）中的非线性去噪方案，这个变换域是针对一维信号的阈值小波系数。
这个方案简单又有效。
近年来，小波过滤器有效地应用到MR图像去噪中。
也有人指出在极小极大意义上VisuShrink引出了一种估计渐近最优性。
当用VisuShrink进行图像去噪时在许多情况下是优于经典的线性维纳滤波，尤其是那些低峰值信噪比（PSNR）图像。
然而，我们都知道通用的阈值经常使图像过度平滑，因为它的阈值选择能够是欧文大，这就取决于样本的数量。
也有许多研究者称这些通用阈值不是最优的阈值，它的特性可能在这个阈值周围变化。
有人在图像变换中提出了一种新的维度即轮廓波变换，它在保留边缘和线性细节方面优于小波变换。
通过轮廓波变换保留重要系数将提高去噪质量进而改善其近似值。
一个简单的阈值方案运用到轮廓波变换中进行图像去噪比运用到小波变换中更有效。
最近许多论文中提出了应用轮廓波变换进行图像去噪。
有人用在小波变换中的相同阈值运用到轮廓波变换中进行图像去噪。
问题是在小波阈中直接用通用阈值很适用而在轮廓域中并不适合，因为在变换系数中轮廓波的数量高于小波系数很多。
本文针对被加性高斯白噪声损坏的医学图像提出了一种新技术，本文提出了三个贡献。
（1）由于通用阈值在极小极大意义上是一种渐进最优的估计值，我们就通过大最的仿真和对那些不同大小和受不同噪声方差的损坏的医学图像及自然图像的数据进行回归分析进而在通用阈值中引入了比例参数。
（2）我们也把这种想法扩展到轮廓波变换中，它们也有一个新的比例因子和相同的通用阈值。
（3）本文提出在双边滤波和NLM滤波之前实行轮廓波阈值是作为预算理步骤，它在PSNR和视觉质量上都有显著提高。
本篇文章的组织如下。
第二部分：介绍双边滤波，NLM滤波，小波阈值去噪和轮廓波变换。
第三部分：对本文提出的方法进行讨论。
第四部分：呈现实验结果和讨论。
结束语是第五部分。
2、背景A、双边滤波双边滤波是Tomasi和Manduchi提出的用于平滑图像非线性滤波。
双边滤波的重要思想是一个像素影响另一个像素，它不仅是占领邻近区域而且具有相似值。
双边滤波的潜在思想是在一幅图像的范围里做那些传统滤波在图像的领域中所做的事。
两个像素与另一个像素接近，也就是占据邻近空间位置，或者他们与另一个相似也就是邻近值，也可能是在感知层面上而言。
邻近是指领域内附近，相似是指一定范围内附近。
领域滤波是一种传统滤波，它是通过带有加权系数的像素值执行邻近值，它们是随着距离而降低邻近度的。
同样的，范围滤波被定义为其权值平均图像会不同的降低。
范围滤波是非线性的，因为它的权重取决于图像强度或颜色。
双边滤波也是非迭代的，例如，它都是通过单次扫描获取一个满意结果。
这就使得滤波参数相对直观，因为他们的动作不是取决于多次迭代的累积结果。
计算方面，它们也不会比标准的不可分滤波更复杂。
更重要的是，他们保留边缘。
权重被分配到每个邻近区域，减小了图像平面上的距离（空间域）和轴强度的距离（范围域）。
使用一个高斯Gб作为噪声函数，考虑一个灰色图像I，双边滤波BF[I]被定义如下：Ip=图像I在位置P处的值=（Px，Py）F[I]=对图像I滤波后的输出图像参数字义为用于过滤一个像素空间邻域的大小，大表示控制邻近像素由于不同强度导致权重下降了多少，大表示权重总数的正则化。
一方面，双边滤波是非线性的，而且它的求值计算复杂度很高，因为传统的加速法（如FFT之后实施卷积）是不可用的。
许多快速算法被提出用于双边滤波。
近年，Choudhary就提出算法之一。
B、非局部均值滤波Buades研发非局部均值滤波用于图像去噪，它就充分利用了图像的冗余性。
它的基本思想是图像包含了重复结构，取其平均值将降低噪声。
NLM滤波是斯拉夫斯基的演变，它是从局部相似强度中取相似图像像素的平均值。
两种滤波主要不同之处是使用区域间比较得出像素间的相似性比像素间比较更具有鲁棒性。
况且匹配模式并未限制在局部区域。
也就是说，远离被过滤的像素不被惩罚。
给出一幅图像Y使用NLM方法在点i处的过滤值可看成是计算邻近像素间的加权平均值Ni，公式如下：I指将被过滤的点，j代表任意的其它图像像素。
权重W(i,j)是基于邻近像素Ni和Nj之间的相似度。
Ni定义为像素i中以指数为中心的平方邻近窗口。
理论上而言，过滤噪声就视为一种估计任务。
因为权重W（i,j）的估计计算量复杂，不过也有许多快速方法被研发出来。
C、小波阈值去噪小波变换展示了在时间和频率上的定位，因此它证明了自己是一种有效的工具用于许多图像处理方面，这也包括噪声去除。
基于小波的方法是一种简单算法，相比传统的函数估计方法，它更强大更易实现。
Visushrik包括将观测信号分解成小波和使用阈值从合成信号中先择系数。
小波阈值去噪的思想是小波是这样一个基底即由于它在空间和频域里具有很好的定位属性导致异常事件生成可识别特殊系数。
但考虑到噪声，只要它不产生异常，加性高斯白噪声在运用到WT（加权）后仍然是AWGN。
任意带有零均值和方差的随机数据的数组L的大部分将比通用阈值T小得多。
随着L趋于无穷大它的概率近似为1，此处：然而，VisuShrink使得图像过度平滑。
这是由于它的阈值选择可以欧文大由于它对样本数量依赖性和通用阈值是一个估计值，它在极大极小意义上是一个渐进最优的。
D、轮廓波变换轮廓波变换是一种基于几何图像的变换。
在轮廓波变换中，拉普拉斯塔形变换是第一个被用来捕获间断点，接下来就是用一个方向滤波器组将间断点连成线性结构。
总体结果是使用基本图像（如，轮廓段）也叫做轮廓波变换（通过塔形方向滤波组实现）进行图像扩展。
拉普拉斯塔形变换（LP）是用来将图像分解成径向子带，方向滤波组（DFB）是用来将每个LP细节子带分解成许多方向子带。
通过保留最重要的系数的轮廓波来提高近似值将导致应用中的改善，包括压缩，去噪和特征提取。
例如，对于一幅去噪图像，随机噪声将会产生重要的小波系数（如真正边缘），但是很少产生重要的轮廓波系数。
因此，在去除噪声时，一个简单的阈值方案应用到轮廓波变换中比应用到小波变换中效果好得多。