基于引导核聚类的非局部均值图像去噪.pdfVIP

第45 卷 第1 期 电 子 科 技 大 学 学 报 Vol.45 No.1 2016年1月 Journal of University of Electronic Science and Technology of China Jan. 2016 基于引导核聚类的非局部均值图像去噪算法 1,2,3,4,5 1 1 吴一全 ，李海杰，宋 昱 (1. 南京航空航天大学电子信息工程学院 南京 210016 ； 2. 西南石油大学油气藏地质及开发工程国家重点实验室 成都 610500 ； 3. 华中科技大学数字制造装备与技术国家重点实验室 武汉 430074 ； 4. 农业部东海海水健康养殖重点实验室 福建 厦门 361021 ； 5. 同济大学海洋地质国家重点实验室 上海 杨浦区 200092) 【摘要】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。首先使用基于引导核的模糊C均值(FCM)聚类算法对相似窗进行预筛选，划分其类别；然后根据相似窗的类别 计算每个像素点对应的搜索窗大小，保证相似性较高的相似窗数量；最后分别对每一类进行自适应搜索窗的NLM 图像去噪。 实验结果表明：与基于Zernike矩、基于主邻域字典(PND) 、基于均值方差预筛选等3种NLM 改进算法相比，该NLM 改进算法 对强噪声污染或不规则纹理的图像，其去噪效果更为有效，并更好地保持了图像的纹理、边缘，在峰值信噪比(PSNR)和结构 相似性测度(SSIM)等客观定量评价指标上优于其他NLM 改进算法。 关 键 词 自适应搜索窗; 模糊C均值聚类; 图像去噪; 非局部均值; 引导核 中图分类号 TN911.73 文献标志码 A doi:10.3969/j.issn.1001-0548.2016.01.005 Nonlocal Means Image Denoising Algorithm Based on Steering Kernel Clustering WU Yi-quan1,2,3,4,5 1 1 , LI Hai-jie , and SONG Yu (1. School of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics Nanjing 210016; 2. Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Southwest Petroleum University Chengdu 610500; 3. Key Lab of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology Wuhan 430074; 4. Key Laboratory of Healthy Mariculture for the East China Sea Xiamen Fujian 361021;