非局部均值滤波详解.doc

非局部均值滤波去噪研究 目录 摘要 I 第一章 引言 1 第二章 图像去噪技术 2 2.1 图像噪声的定义和分类 2 2.2 图像去噪技术的研究现状 2 2.3 图像质量评价标准 3 第三章 非局部均值滤波原理 5 3.1均值滤波 5 3.2非局部均值滤波 5 3.2.1非局部均值滤波基本原理 5 3.2.2非局部均值滤波存在的不足 6 3.2.3快速的非局部均值滤波算法 7 第四章 非局部均值滤波实验仿真 9 4.1非局部均值滤波MATLAB仿真 9 4.2 非局部均值滤波权重参数的影响 10 总结 14 参考文献 15 摘要 本文(NLM)算法的优点和不足，提出了一种快速的去噪算法。快速实现基于块的计算距离不变条件下使用的。平均峰值信噪比(PSNR)图像数据库计算NLM的最优参数 第一章 引言 图像中的每一个像素点都不是孤立存在的,而是与其周围的像素一起组成图像中的几何结构[1]。以像素点为中心的窗口邻域,也就是图像块,能够很好地体现像素点的结构特征,将图像中复杂的空间交互关系考虑在内。相应于每一个像素点的图像块的集合可以作为图像的一种过完备表示。同时,图像一般都具有自相似性质,即处于图像中不同位置处的像素点往往表现出很强的相关性,纹理图像就是一个典型的例子。自然图像中通常包含丰富的重复结构或者说是冗余信息,从图像中任取一个小窗口,都能够从该幅图像中找到许多与其相似的窗口结构。自然图像中也包含足够多的重复结构,比如在图像的平坦区域存在大量相似的像素点，位于同一条直线或曲线边界上的点也具有相似的邻域模式。该结论对于图像中空间位置相距较近的窗口来说显然是成立的,这就是局部规则性的假设。因此，如果采用能够描述图像结构特征的图像片来度量像素之间的相似性，会比单个像素点的度量更加准确，从而更好地保护图像的结构信息。最早注意到图像具有这一特性的是Efros和Leung，他们利用图像片之间的相似性进行纹理合成与填补图像中的小洞，该算法在图像的较大区域内寻找与待处理像素相似的像素[2]。2005年，Buades等人提出了非局部均值去噪算法首次阐述了非局部滤波的概念，用结构相似性来局部平滑以及变换域滤波的去噪方法,目的都在于去除噪声并且恢复图像的主要几何结构[3].这些方法都是建立在对原始图像所作的规则性假设的基础之上,因而图像中的精细结构与细节信息都因为具有与噪声相似的特征而被平滑定义像素之间的差异,能够更好地保护图像的结构信息,取得了目前先进的去噪结果。 第二章 图像去噪技术 2.1 图像噪声的定义和分类 生活中我们对噪声的理解是 “妨碍人们感觉器官对所接收的信源信息理解的因素”。图像中各种妨碍人们对其信息接受的因素，图像噪声。由图像传感器，传输信道，解码处理等产生黑白相间亮暗点噪声。由光的统计本质和图像传感器中 光电转换过程引起的在弱光照的情况下，影响更为严重，常用具有泊松密度分布的 随机变量作为光电噪声的模型，非局部均值滤波原理 3.1均值滤波 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度g（x，y） (4) 其中m为该模板中包含当前像素在内的像素总个数。 对于一个给定的像素i，图像块是以i为中心大小为n×n, 是邻域内的图像块，使用图像块与之间的高斯加权欧氏距离度量i与j之间的相似性。与之间的距离越小，说明像素j与i像素越相似，累加恢复时像素j赋予的权值也越大。假定滤波后图像为，噪声图像,是图像区域，表示像素i的灰度值，则NLM具体计算如下： （5） (6) (7) 其中，a为高斯核函数的标准差，使用高斯核对图像块卷积处理，能够降低噪声对距离计算的影响并突出图像块中心在像素的作用；表示两图像块之间的加权欧氏距离；h为控制平滑程度的滤波参数;I表示以像素i为中心的搜索邻域，理论上I应为