基于非局部均值滤波的图像去噪算法

发布时间：2020-07-13 09:50

【摘要】：图像在获取和传输过程中,不可避免地受到外部和内部的干扰,常常因为各种因素的影响而被加入很多噪声,这十分严重的影响了人们对传输后图像信息的读取。因此通过一定方法将被噪声污染的图像进行去噪处理一直是现代图像研究中重要的问题,受到越来越多研究者的关注与重视。A.Buades等基于各经典去噪算法,如领域滤波、全差分滤波、异性扩散等提出非局部均值滤波(Non-Local means,NLM)算法的模型,同时该算法引入图像去噪。实践证实该模型去噪效果佳。NLM的原理是运用图像内部冗余信息,结合权重系数加权平均计算各相似邻域像素灰度值,估计噪声图像像素点灰度值。本文通过研究非局部均值滤波的算法,改进了算法的两个关键问题:加权核函数的选定和相似度的衡量。非局部均值滤波算法中的相似度衡量是由像素邻域之间的高斯加权欧氏距离决定的,同时在加权核函数的选择上使用的是指数型函数。这使得该算法仅能够有效的去除平滑区域的噪声,而未能有效去除纹理、边缘区域噪声。因此高斯加权距离确定权重系数和指数型加权核函数具有一定的局限性。针对加权核函数与相似度衡量两个方面问题本文进行了改进。对于原始的指数型加权核函数存在的权值分配不均问题,提出了更加合适的权值分配函数,使得新的权值分配在相似度高的地方获得较高的权值,相似度低的地方获得较小,甚至是为零的权值,并且保证了在相似度高向相似度低的过度区域,权值迅速衰减。而针对相似性衡量的问题,引入了结构相似度算法,结合原有的欧氏距离判断相似度,使得相似性的衡量更加的准确。通过对测试图像的加噪与对比去噪实验,仿真实验结果说明,改进算法有效提高了原算法的去噪性能,而且在边缘纹理部分也能更好的保持图片原始信息。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713
【图文】：

权值,去噪算法,去噪

NLM权值分布

峰值信噪比,算法

图 3-2 lena 标准测试图像Fig.3-2 lena standard test image表 3-1 旧算法峰值信噪比对比Tab.3-1 old algorithm peak signal to noise ratio comparison

响应曲线,核函数,响应曲线,单调递减函数

图 3-3 核函数响应曲线图Fig.3-3 lernel function response graph由图 3-3 可以看加权核函数是一个单调递减函数。由图可以观察到该函减速度较快。所以当两个图像块的相似程度比较低，即高斯加权的欧氏

【相似文献】