基于颜色信息的改进NL法图像噪声消除算法初探.docVIP

基于颜色信息的改进NL法图像噪声消除算法初探 　　摘 要：对于古旧图像数字化处理时嵌入的随机噪声，拟在改进Non Local Means算法进行研究。通过对像素周围整个区域的灰度分布做整体对比，根据灰度分布的相似性求得决定权值，研究并算出对应各个像素集合块自适应参数，继而算出相似度，筛选出基础模板。再通过修正目标像素区域值，并利用加权平均值替代目标像素区域值，以达到噪声消除的目的。最终参照图像噪声消除精度和图像质量参数，仿真了此噪声消除算法的可行性和科学性。 　　关键词：图像处理；颜色信息；噪声消除；NL法；Block；加权平均 　　1 概述 　　古旧影像数字化处理的同时，信号中包含的随机噪声将对图像质量产生较大影响。为了消除此类噪声，使得随机噪声消除的重要性凸现出来。针对这一现象，采用应用数学手段进行图像处理的西班牙科学家A.Buades于2005年提出了Non Local Means滤去噪声消除法（简称NL-Means算法）[1]，NL-Means算法思想起源于邻域滤波算法，是对邻域滤波算法的一种推广，但是该方法的权值不再是由图像中的单个像素灰度值和其它像素作对比而得到，而是对像素周围整个区域的灰度分布做整体对比，根据灰度分布的相似性求得决定权值。 　　具体论NL-Means算法，是属于具有代表性的非线性滤波技术。即目标像素区域中心的图像像素点与图像内已大量收集的参照区域的相似度进行重合比对，用各个区域的中心像素点加权平均值替换目标像素点的值的一种处理技术。采用NL-Means算法后，无论是图像平坦部的噪声区域消除性能，还是边界部信号的保存性能，都取得了很好的效果，噪声消除能力增强，使图像质量得以明显提高。 　　2 改进的NL-Means算法 　　NL-Means算法噪声消除能力增强，使图像质量得以明显提高。特别是图像平坦部的噪声区域的消除性能，以及边界部信号的保存性能。但是，对于彩色图像去噪的情形，因处理对象图像而异，独立处理后的各个RGB的组分产生色差现象的弊端可能存在，故采用了加权计算灰度的手段来避免[3]。 　　首先，传统的NL-Means算法，对于输入图像的像素，从左上到右下进行选择，被选中的像素点的值被大量的周边像素的像素值加权平均值替换。目标区域与周边像素中心区域比较，其相似度越高，加权平均的重合度设定值越高，相似的模板被平均化，达到噪声消除目的（图1）。可是，受噪声影响，本来是相同模板的区域，其相似度是低的。类推之，本来相异的模板，其相似度相对要大，于是产生了图像模糊的修复缺陷。 　　其次，作为评价手段的主观质量评价，经过滤波后，用原图与结果图相比得到噪声图，将该图乘以100 方便观察[4]。噪声图分布越是均匀，包含的结构信息越少，结论去噪的效果越好。 　　3 仿真模拟 　　首先，通过收集大量的各类的自然图像像素区域，从左上至右下，根据其出现频率的统计数据，选择基础模板。出现频率高的基础模板，通常是自然图像在大部区域，而出现频率低的基础模板，往往在图像结构上表现出不具有相关性，即为噪声（图1），于是据此可以选出高频度基础模板（图2）。 　　其次，图像处理对象，即目标图像像素区域中，选择与之相关联的颜色基础模板。在前一步所选出的基础模板群中，细化再选择与作为处理对象的目标图像像素区域关联性强的基础模板（图3）。 　　再次，求相似度。利用前两步选出的基础模板，修正目标像素区域值，再利用加权平均值替代目标像素区域值，图像所有像素的加权平均值如式（1）： 　　在传统的NL-Means算法的基础之上，研究出自适应NL-Means算法，利用图像基础模板组合表现的性质，找出与每一模板对应的参数，算出相似度值的整体思路，以改进NL-Means算法、提高算法的噪声消除能力。 　　4 结束语 　　改进后的NL-Means算法，其噪声消除能力较原NL-Means算法有大幅的提高。在改进算法的基础之上，利用设置颜色阈值的方式对画面运动幅度较弱的图像处理进行了模拟，视觉效果得到了明显改善；对于动态较强的图像出现误检测、进而产生误修复现象，采用像素的加权平均值算法，使这个问题在一定程度上得到了改善。 　　参考文献 　　[1]Buades， A.， et al.， A Non-Local Algorithm for Image Denoising， CVPR2005， IEEE Computer Society Conference.2， 2005：60-65. 　　[2]S.Kawata， et al.， Image Denoising via Nonlocal Means with Noise-robust Similarity， 1st IEEE Global Conf. on Con