渐近非局部平均图像去噪算法研究
发布时间：2021-03-11 07:07
在信息技术和互联网技术日新月异以及网络社交软件快速普及的今天,数字图像已经成为人们日常生活中重要的信息载体。然而,在实际工程应用中,由于拍摄设备、拍摄环境、传输处理等一系列原因,图像经常会受到不同类型的噪声污染,导致图像质量下降。噪声的存在严重影响着图像信息的获取以及图像后续的处理和分析。因此,去除图像中的噪声在图像处理和计算机视觉领域显得尤为重要。如何在滤除噪声的同时尽可能多地保持图像结构信息是图像去噪研究的核心问题。一直以来,国内外众多研究学者投身于图像去噪领域,提出了许多优秀的图像去噪算法。其中非局部平均（Non-local Means,NLM）去噪算法是图像处理领域具有里程碑意义的算法,NLM算法的提出开启了影响深远的非局部方法。与传统的局部去噪方法相比,NLM算法利用自然图像存在的自相似冗余信息去除噪声,获得了更好的图像细节保持能力和去噪效果。本文对NLM算法进行了深入研究,并针对算法中存在的运算复杂度高、强噪声条件下结构保持能力有限这两个问题进行研究。本文的工作主要包括以下两个方面:（1）采用传统的NLM算法对一幅含噪图像进行处理,当计算一个像素点处的像素值时,首先计算以该...
【文章来源】：陕西科技大学陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２－２两种算法的滤波结果??
行卷积运算，可以表示为：??彦（〇＝Ｚ?ｇ（Ｉ?卜＿?－?ｙ｜｜）ｇ（ｙ）?（２－５）??ｙｅｎ，??＾Ｉ＇－ｖＩｈ＾－ｒｅｘｐｌ－ｔｐｉ）?（２－６）??ＬｎｃＴ?１Ｃ??其中，表示二维高斯函数，ｎ，表示以像素／为中心的方形区域，ｇ〇＿）表示方形区域??内像素点Ｊ处的像素值，蒼（〇表示滤波后像素点的灰度值，式（２－５）中｜｜／－＿／｜｜表示的是??邻域内其他像素到邻域内中心像素的距离，〇表示截止频率到频域中心的距离，决定着??高斯滤波器的宽度，控制着滤波的平滑程度。??图２－４中的ａ）和ｂ）分别表示ｃｒ＝３和ｃｒ＝１０的高斯滤波器，二维高斯滤波器的形状??和〇的大小密切相关。由图可以看出〇越大，滤波器的形状就越胖矮，即高斯滤波器的??频带越宽，尖峰越小，高斯函数的曲面就越平缓；〇越小，滤波器的形状就越瘦高，即??高斯滤波器的频带越窄，尖峰越尖，高斯函数的曲面就越陡峭。??１?＞?１飞??０８?．??０．８?ｖ??０．６、?＾?Ｖ??。＋４、?／?ｋ?０６?ｙ?＼??－１０－１０?－１０?－ｉ〇??ａ）?ａ＝３?ｂ）?ａ＝１０??图２－４高斯低通滤波器形状??Ｆｉｇ．?２－４．?Ｔｈｅ?ｓｈａｐｅ?ｏｆ?ｇａｕｓｓｉａｎ?ｌｏｗ?ｐａｓｓ?ｆｉｌｔｅｒ??１５??
陕西科技大学硕士学位论文?????ｎｔ?＼．?ｍｌ１?Ａ＜＾＇??ａ）原始图像?ｂ）噪声图像??ｊ＾Ｖ?＿?＾ＰＶｉ??ｃ）高斯滤波?ｄ）双边滤波??图２－７双边滤波与高斯滤波的效果对比??Ｆｉｇ．?２－７?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｆｉｌｔｅｒｉｎｇ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｂｉｌａｔｅｒａｌ?ｆｉｌｔｅｒ?ａｎｄ?ｇａｕｓｓｉａｎ?ｆｉｌｔｅｒ??２．４引导滤波??２．４．１引导滤波??（１）算法描述??双边滤波中像素点处的滤波输出由相邻像素的加权平均计算，在保持图像边缘细节??信息的同时平滑图像，但在图像的边缘处会产生梯度翻转伪影。在这样的情况下，滤波??后图像的边缘处会出现光晕，因为当边缘附近的一个像素周围有多个相似像素时，高斯??加权平均的权重是不稳定的。另一个是效率问题，该算法的运行效率低，运行起来相当??费时。针对以上问题，２０１０年何凯明等人在文献［３７］中提出了一种引导滤波的方法。该??方法是由局部线性模型演化而来的，与双边滤波一样可保持图像边缘的细节信息，并且??在边缘附近引导滤波获得了更好的性能。解决了梯度翻转伪影对图像的影响，还提高了??算法的运行效率，使其在很多种计算机视觉及图形学的应用中有很好的作用及效率。??引导滤波在滤波过程中，它会引入一张引导图像／，然后通过引导图像对输入图像ｐ??进行滤波，使得最后的输出图像＾大体上与输入图像ｐ相似，但纹理部分与引导图像／??２０??
【参考文献】：
期刊论文
[1]一种改进的非局部均值去噪算法[J]. 闫涵,张旭秀,丁鸣艳. 电子测量技术. 2019(22)
[2]一种中值滤波图像去噪的改进算法[J]. 王红宇,游敏娟,李琪,周广明,于智睿,何乐民,王世刚. 中国科技信息. 2019(01)
[3]基于分组字典与变分模型的图像去噪算法[J]. 陶永鹏,景雨,顼聪. 计算机应用. 2019(02)
[4]基于小波变换的舰船雷达图像去噪方法研究[J]. 王继成. 舰船科学技术. 2018(14)
[5]一种改进K-奇异值分解稀疏表示图像去噪算法[J]. 孔英会,胡启杨. 科学技术与工程. 2018(01)
[6]一种改进的非局部平均图像去噪算法[J]. 许光宇,李玲. 计算机应用与软件. 2017(07)
[7]一种基于小波分析的改进阈值图像去噪方法[J]. 唐普英,耿浩然,郝豫鲁,李薿. 实验科学与技术. 2018(05)
[8]边缘检测中的改进型均值滤波算法[J]. 彭宏,赵鹏博. 计算机工程. 2017(10)
[9]快速非局部均值图像去噪算法[J]. 周兵,韩媛媛,徐明亮,李炜,裴银祥,吕培,周力为. 计算机辅助设计与图形学学报. 2016(08)
[10]混合相似性权重的非局部均值去噪算法[J]. 黄智,付兴武,刘万军. 计算机应用. 2016(02)
硕士论文
[1]卷积神经网络在图像去噪中的应用研究[D]. 柴华荣.安徽理工大学 2019
[2]基于深度卷积神经网络的图像去噪[D]. 陈曦.合肥工业大学 2019
[3]基于GPU的Directionlet域SAR图像相干斑噪声抑制并行算法研究[D]. 张勤.安徽大学 2019
[4]基于Curvelet变换和全变分的图像去噪方法研究[D]. 张建明.南京邮电大学 2018
[5]基于非下采样Contourlet变换和统计建模的图像去噪算法研究[D]. 葛新哲.南昌航空大学 2018
[6]基于深度学习的图像去噪算法研究[D]. 邓正林.电子科技大学 2018
[7]非局部平均图像去噪算法研究[D]. 李淑国.西安电子科技大学 2012
本文编号：3076072
【文章来源】：陕西科技大学陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２－２两种算法的滤波结果??
行卷积运算，可以表示为：??彦（〇＝Ｚ?ｇ（Ｉ?卜＿?－?ｙ｜｜）ｇ（ｙ）?（２－５）??ｙｅｎ，??＾Ｉ＇－ｖＩｈ＾－ｒｅｘｐｌ－ｔｐｉ）?（２－６）??ＬｎｃＴ?１Ｃ??其中，表示二维高斯函数，ｎ，表示以像素／为中心的方形区域，ｇ〇＿）表示方形区域??内像素点Ｊ处的像素值，蒼（〇表示滤波后像素点的灰度值，式（２－５）中｜｜／－＿／｜｜表示的是??邻域内其他像素到邻域内中心像素的距离，〇表示截止频率到频域中心的距离，决定着??高斯滤波器的宽度，控制着滤波的平滑程度。??图２－４中的ａ）和ｂ）分别表示ｃｒ＝３和ｃｒ＝１０的高斯滤波器，二维高斯滤波器的形状??和〇的大小密切相关。由图可以看出〇越大，滤波器的形状就越胖矮，即高斯滤波器的??频带越宽，尖峰越小，高斯函数的曲面就越平缓；〇越小，滤波器的形状就越瘦高，即??高斯滤波器的频带越窄，尖峰越尖，高斯函数的曲面就越陡峭。??１?＞?１飞??０８?．??０．８?ｖ??０．６、?＾?Ｖ??。＋４、?／?ｋ?０６?ｙ?＼??－１０－１０?－１０?－ｉ〇??ａ）?ａ＝３?ｂ）?ａ＝１０??图２－４高斯低通滤波器形状??Ｆｉｇ．?２－４．?Ｔｈｅ?ｓｈａｐｅ?ｏｆ?ｇａｕｓｓｉａｎ?ｌｏｗ?ｐａｓｓ?ｆｉｌｔｅｒ??１５??
陕西科技大学硕士学位论文?????ｎｔ?＼．?ｍｌ１?Ａ＜＾＇??ａ）原始图像?ｂ）噪声图像??ｊ＾Ｖ?＿?＾ＰＶｉ??ｃ）高斯滤波?ｄ）双边滤波??图２－７双边滤波与高斯滤波的效果对比??Ｆｉｇ．?２－７?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｆｉｌｔｅｒｉｎｇ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｂｉｌａｔｅｒａｌ?ｆｉｌｔｅｒ?ａｎｄ?ｇａｕｓｓｉａｎ?ｆｉｌｔｅｒ??２．４引导滤波??２．４．１引导滤波??（１）算法描述??双边滤波中像素点处的滤波输出由相邻像素的加权平均计算，在保持图像边缘细节??信息的同时平滑图像，但在图像的边缘处会产生梯度翻转伪影。在这样的情况下，滤波??后图像的边缘处会出现光晕，因为当边缘附近的一个像素周围有多个相似像素时，高斯??加权平均的权重是不稳定的。另一个是效率问题，该算法的运行效率低，运行起来相当??费时。针对以上问题，２０１０年何凯明等人在文献［３７］中提出了一种引导滤波的方法。该??方法是由局部线性模型演化而来的，与双边滤波一样可保持图像边缘的细节信息，并且??在边缘附近引导滤波获得了更好的性能。解决了梯度翻转伪影对图像的影响，还提高了??算法的运行效率，使其在很多种计算机视觉及图形学的应用中有很好的作用及效率。??引导滤波在滤波过程中，它会引入一张引导图像／，然后通过引导图像对输入图像ｐ??进行滤波，使得最后的输出图像＾大体上与输入图像ｐ相似，但纹理部分与引导图像／??２０??
【参考文献】：
期刊论文
[1]一种改进的非局部均值去噪算法[J]. 闫涵,张旭秀,丁鸣艳. 电子测量技术. 2019(22)
[2]一种中值滤波图像去噪的改进算法[J]. 王红宇,游敏娟,李琪,周广明,于智睿,何乐民,王世刚. 中国科技信息. 2019(01)
[3]基于分组字典与变分模型的图像去噪算法[J]. 陶永鹏,景雨,顼聪. 计算机应用. 2019(02)
[4]基于小波变换的舰船雷达图像去噪方法研究[J]. 王继成. 舰船科学技术. 2018(14)
[5]一种改进K-奇异值分解稀疏表示图像去噪算法[J]. 孔英会,胡启杨. 科学技术与工程. 2018(01)
[6]一种改进的非局部平均图像去噪算法[J]. 许光宇,李玲. 计算机应用与软件. 2017(07)
[7]一种基于小波分析的改进阈值图像去噪方法[J]. 唐普英,耿浩然,郝豫鲁,李薿. 实验科学与技术. 2018(05)
[8]边缘检测中的改进型均值滤波算法[J]. 彭宏,赵鹏博. 计算机工程. 2017(10)
[9]快速非局部均值图像去噪算法[J]. 周兵,韩媛媛,徐明亮,李炜,裴银祥,吕培,周力为. 计算机辅助设计与图形学学报. 2016(08)
[10]混合相似性权重的非局部均值去噪算法[J]. 黄智,付兴武,刘万军. 计算机应用. 2016(02)
硕士论文
[1]卷积神经网络在图像去噪中的应用研究[D]. 柴华荣.安徽理工大学 2019
[2]基于深度卷积神经网络的图像去噪[D]. 陈曦.合肥工业大学 2019
[3]基于GPU的Directionlet域SAR图像相干斑噪声抑制并行算法研究[D]. 张勤.安徽大学 2019
[4]基于Curvelet变换和全变分的图像去噪方法研究[D]. 张建明.南京邮电大学 2018
[5]基于非下采样Contourlet变换和统计建模的图像去噪算法研究[D]. 葛新哲.南昌航空大学 2018
[6]基于深度学习的图像去噪算法研究[D]. 邓正林.电子科技大学 2018
[7]非局部平均图像去噪算法研究[D]. 李淑国.西安电子科技大学 2012
本文编号：3076072
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3076072.html
最近更新
教材专著
