医学图像的自适应非局部均值去噪算法
一种基于区域自适应的非局部均值(Nonlocal Means)图像去噪方法
Region-based non-local means algorithm for noise removalW.L.Zeng and X.B.LuThe non-local means (NLM)provides a useful tool for image denoising and many variations of the NLM method have been proposed.However,few works have tried to tackle the task of adaptively choos-ing the patch size according to region characteristics.Presented is a region-based NLM method for noise removal.The proposed method first analyses and classifies the image into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method and demonstrate its superior-ity to the state-of-the-art methods.Introduction:The use of the non-local means (NLM)filter for noise removal has been extensively studied in the past few years.The NLM filter was first addressed in [1].The discrete version of the NLM is as follows:u (k ,l )=(i ,j )[N (k ,l )w (k ,l ,i ,j )v (i ,j )(1)where u is the restored value at pixel (k,l )and N (k,l )stands for theneighbourhood of the pixel (k,l ).The weight function w (k,l,i,j )is defined asw (k ,l ,i ,j )=1exp −||T k ,l v −T i ,j v ||22,a(2)where T k,l and T i,j denote two operators that extract two patches of sizeq ×q centred at pixel (k,l )and (i,j ),respectively;h is the decay para-meter of the weights; . 2,a is the weighted Euclidean norm using a Gaussian kernel with standard deviation a ,and Z (k,l )is the normalised constantZ (k ,l )= (i ,j )exp −||T k ,l v −T i ,j v ||22,ah 2(3)The core idea of the NLM filter exploits spatial correlation in the entireimage for noise removal and can produce promising results.This method is time consuming and not able to suppress any noise for non-repetitive neighbourhoods.Numerous methods were proposed to accel-erate the NLM method [2–4].Also,variations of the NLM method have been proposed to improve the denoising performance [5–7].In smooth areas,a large matching window size could be used to reduce the influ-ence of misinterpreting noise as local structure.Conversely,a small matching window size could be used for the edge /texture region,which means not only the local structure existing within a neighbour-hood can be effectively used but can also speed up the matching process.To the best of our knowledge,few works have tried to tackle the task of adaptively choosing the patch size according to region characteristics.To overcome the disadvantage of the NLM method and its variances,in this Letter we present an adaptive NLM (ANLM)method for noise removal.The proposed method first analyses and classifies the image into several region types based on local structure information of a pixel.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method.Proposed NLM algorithm:The adaptive patches based non-local means algorithm is conducted according to the region classification results,owing to the fact that the structure tensor can obtain more local structure information [8].Therefore,we use it to classify the region.For each pixel (i,j )of the region,the structure tensor matrix is defined asT s =t 11t 12t 12t 22 =G s ∗(g x (i ,j ))2G s ∗g x (i ,j )g y (i ,j )G s ∗g y (i ,j )g x (i ,j )G s ∗(g y (i ,j ))2where g x and g y stand for gradient information in the x and y directions,G s denotes a Gaussian kernel with a standard deviation s .Theeigenvalues l 1and l 2of T s are given byl 1=12t 11+t 22+ (t 11−t 22)2+4t 212 and l 2=1t 11+t 22− (t 11−t 22)2+4t 212 For a pixel in the smooth region,there is a small eigenvalue difference;for a pixel in an edge /texture region,there is a large eigenvalue differ-ence.Therefore,region classification can be achieved by examining the eigenvalue difference of each pixel.Let l (i ,j )=|l 1(i ,j )−l 2(i ,j )|.We propose the following classifi-cation scheme to partition the whole image region into n classes {c 1,···,c n }:(i ,j )[c 1,if l (i ,j )≤l min +(l max −l min )n c 2,if l (i ,j )≤l min +2(l max −l min )n ...c n ,if l (i ,j )≤l min +n (l max −l min )n ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎩where l min and l max are the minimum and maximum of {l (i ,j ):(i ,j )[V },respectively.To exploit the local structure information and reduce noise in different regions,we adaptively choose the matching window based on the region classification result.The scheme for selecting the matching window is asfollows:if (k ,l )[c r ,T k ,l :=T r k ,l ,where T rk ,l denotes an operator of the r-type region that extracts one patch of size q r ×q r .To reduce the influ-ence of misinterpreting noise as local structure,a larger patch size is adopted for a smooth region.In contrast,a small patch size is employed for the edge /texture region.Intuitively,the number of the class n should be as big as possible.In practice,the gain is insignificant for n greater than 4.Therefore,we choose n ¼4in our experiments.Table 1:PSNR performance comparison of ‘Lena’,‘Barbara’,‘Peppers’imagesFig.1Comparison of results with additive Gaussian noise of s ¼35a Original image b Noisy image c NLM d WUNLM e ANLMExperimental results:In this Section,we compare our proposed ANLM method with the NLM method [2]and the weight update NLM (WUNLM)method [3].We test the proposed method on ‘Lena’,‘Barbara’,and ‘Peppers’,which were taken from the USC-SIPI Image Database (/database/base).The performance of the method was evaluated by measuring the peak signal-to-noise ratio (PSNR).In general h corresponds to the noise level and is usuallyELECTRONICS LETTERS 29th September 2011Vol.47No.20,1125-1127fixed to the standard deviation of the noise.The size of the search window is21×21.Table1shows results obtained with three methods across four noise levels.Figs.1a and b,show the‘Barbara’image and the corresponding noisy image generated by adding Gaussian white noise with variance s¼35,respectively.Figs.1c–e show denoised images by using the NLM,WUNLM,and ANLM methods,respectively.From the standpoint of perceptual view and PSNR values,the proposed ANLM method produced the best quality. Conclusions:An adaptive NLM(ANLM)method for noise removal is presented.In the method,an image isfirst analysed and classified into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region. Experimental results show the effectiveness of the proposed method and demonstrate its superiority to the state-of-the-art methods. Acknowledgments:This work was supported by the National Natural Science Foundation of China under grant60972001,the National Key Technologies R&D Program of China under grant2009BAG13A06 and the Scientific Innovation Research of College Graduate in Jiangsu Province under grant CXZZ_0163.#The Institution of Engineering and Technology20115August2011doi:10.1049/el.2011.2456W.L.Zeng(School of Transportation,Southeast University,Nanjing 210096,People’s Republic of China)X.B.Lu(School of Automation,Southeast University,Nanjing210096, People’s Republic of China)E-mail:xblu2008@References1Budades,A.,Coll,B.,and Morel,J.M.:‘A review of image denoising algorithms,with a new one’,Multiscale Model Simul.,2005,4,(2), pp.490–5302Mahmoudi,M.,and Sapiro,G.:‘Fast image and video denoising via nonlocal means of similar neighborhoods’,IEEE Signal Process.Lett., 2005,12,(12),pp.839–8423Vignesh,R.,Oh,B.T.,and Kuo,C.-C.J.:‘Fast non-local means(NLM) computation with probabilistic early termination’,IEEE Signal Process.Lett.,2010,17,(3),pp.277–2804Brox,T.,Kleinschmidt,O.,and Cremers,D.:‘Efficient nonlocal means for denoising of textural patterns’,IEEE Trans.Image Process.,2008, 17,(7),pp.1083–10925Kervrann,C.,and Boulanger,J.:‘Optimal spatial adaptation for patch-based image denoising’,IEEE Trans.Image Process.,2006,15,(10), pp.2866–28786Ville,D.V.D.,and Kocher,M.:‘SURE-based non-local means’,IEEE Signal Process.Lett.,2009,16,(11),pp.973–9767Park,S.W.,and Kang,M.G.:‘NLM algorithm with weight update’, Electron.Lett.,2010,16,(15),pp.1061–10638Brox,T.,Weickert,J.,Burgeth,B.,and Mrazek,P.:‘Nonlinear structure tensors’,Image put.,2006,24,pp.41–55ELECTRONICS LETTERS29th September2011Vol.47No.20。
非局部均值NLM进行图像去噪
使用双边和非局部均值滤波进行医学图像去噪摘要医学图像的瓶颈之一是信噪比很低，因此需要对同一对象进行长时间和重复性的获取来降低噪声和模糊。
为了获取一个高信噪比而不需要长时间重复性的扫描，数据的后期处理（例如去噪）就具有重要意义。
双边滤波和非局部均值滤波经常被用来进行医学图像去噪。
本文提出了一种阈值方案即通过对通用的阈值引入比例因子进行小波和轮廓波变换的去噪。
同时本文提出的轮廓波阈值方案也可作为双边和NLM滤波的预处理步骤。
仿真实验表明本文提出的单个实体包括预处理步骤和双边或NLM去噪步骤，在PSNR和感觉质量方面明显优于单个的双边滤波或单个的NLM去噪。
1、介绍先进医学图像技术的快速发展例如磁共振成像（MRI），正电子发射断层扫描（PET）和CT技术在病人体内进行无创性诊断提供了新的方式。
基于成像模式的一些先进技术仍在研究阶断，但是从没有达到常规的临床应用中。
瓶颈之一就是由于信噪比低，对于同一对象需要进行长时间和重复性的获取来降低噪声和模糊。
例如，一个高信噪比的扩散张量成像数据集需要一个小时获取数据。
一个高信噪比的高角分辨率扩散成像数据的获取需要13个小时。
为了从噪声和模糊图像中恢复高信噪比图像，而不需要长时间重复性扫描，数据的后处理在以下两个方面具有置关重要的角色：（1）自动去噪和去模糊算法恢复数据能降低时间消耗；（2）计算目标的分割技术能够从噪声观测值中直接、自动地将数据提取出来。
在医学图像中我们经常会面临一个相对较低信噪比或者与一个较好的SNR有一个较低对比度情况，庆幸的是人类视觉系统在结构识别（甚至存在相当大的噪声）都是卓有成效的。
但是如果SNR太小或对比度太低就很难检测解剖结构。
定义整体图像质量包括实际和感觉标准。
此外，它在很大程度上取决于特定的诊断任务。
在某些情况下，需要一个高的空间分辨率和一个高的对比度，然而，在其它情况下，更多是是需要知觉的标准。
对于一个医学图像的视觉分析，细节的清晰（主要包括边缘信息和对象的可见度）是很重要的。
核磁共振图像归一化互相关非局部自适应去噪
核磁共振图像归一化互相关非局部自适应去噪师黎;许晓辉;陈立伟【摘要】为了更好地去除核磁共振(MR)图像中莱斯(Rician)分布的噪声,首先提出使用图像局部归一化互相关(NCC)作为几何结构相似性的一个表征,对传统非局部算法中使用灰度计算像素相似性权值的方法进行有效补充;然后,将改进方法分别应用于非局部均值算法和非局部最小线性均方误差估计算法,并根据局部信噪比(SNR)动态自适应地计算非局部算法中待滤波像素自身的加权值或者像素之间相似性阈值,达到对核磁图像自适应降噪的目的.实验结果表明,该算法可以更好地抑制核磁图像中的莱斯噪声,有效保留图像中细节信息,对核磁共振图像进一步的分析研究以及应用于临床诊断等具有非常重要的应用价值.【期刊名称】《计算机应用》【年(卷),期】2014(034)012【总页数】5页(P3609-3613)【关键词】归一化互相关;莱斯噪声;非局部算法;自适应加权【作者】师黎;许晓辉;陈立伟【作者单位】郑州大学电气工程学院,郑州450001;郑州大学电气工程学院,郑州450001;郑州大学电气工程学院,郑州450001【正文语种】中文【中图分类】TP391.41;TN911.730 引言核磁共振(Magnetic Resonance，MR)成像是一种非侵入式的医学成像技术，是根据水含量不同的结构对能量衰减程度的不同而有效区分组织结构，在医学影像诊断、生物学和考古学研究、石油化工检测分析等方面具有重要的应用价值［1-3］。
在实际应用中，核磁共振图像的视觉质量好坏对于组织精确定位具有非常重要的作用，而图像获取过程中生物组织自身以及电路元器件引入的噪声会严重影响图像的质量。
所以，降噪是核磁共振图像应用于医学诊断、自动分割计算、分类和三维重建等其他研究前不可或缺的预处理步骤，对于核磁共振图像的进一步分析研究利用具有非常重要的意义。
核磁共振图像成像过程中的噪声主要呈现莱斯分布［4］，传统的降噪方法如均值滤波［5］、维纳滤波［6］和各项异性扩散滤波等，主要是去除图像中的高斯噪声，对于核磁共振图像不能达到很好的效果。
医学图像均值去噪方法思索
医学图像均值去噪方法思索1概述医学图像在获取与传输的过程中，会受到各种形式噪声的干扰。
近年来，一些新的滤波技术逐渐受到相关学者的重视并被应用到医学图像的降噪中[1-3]。
文献[3]提出的非局部均值(Non-localMean,NLM)滤波算法考虑了尽可能多的相似性结构信息，但该算法存在耗时、搜寻相似像素不充分的不足。
相关文献报道了一些改进的NLM滤波算法，如鲁棒的快速算法[4]、基于核回归的改进算法[5]、基于奇异值分解和K-均值聚类的自适应改进算法[6]、基于矩的改进算法[7-8]。
这些改进算法均取得了较好的去噪效果。
为提高NLM算法的去噪性能，本文提出一种基于梯度信息的自适应的医学图像去噪NLM改进算法(ANLM)，并通过实验验证了算法的有效性和可行性。
2经典的非局部均值滤波算法文献[3]中提出的经典NLM算法原理为：含噪图像f{f(i)|iI}的任一像素点i处被滤波的灰度值()fi为：()(,)()jIfi算法的核心思想是在一个称为搜索窗的大的像素范围内搜寻尽可能多的、与被滤波像素相似或匹配的其他像素参与到滤波过程中，以改善滤波效果。
搜索窗内2个像素点i和j的相似性通过称为相似窗的2个邻域Ni和Nj中所有像素点的加权欧氏距离来度量。
该距离越小，则i和j的相似程度越高，权重)。
显然，CNLM算法中相似窗的平移操作只能找到位置不同的相似像素，数量相对较少。
若能同时对相似窗进行平移和旋转操作，则能找到更多的位置匹配或方向匹配的像素，从而提高算法的性能。
本文基于这一思想，利用梯度信息，提出一种自适应的非局部均值滤波算法(AdaptiveNL-mean,ANLM）。
3自适应非局部均值滤波算法3.1算法原理所提出的ANLM算法将待滤波图像的梯度幅度信息和方向信息引入到了CNLM算法中。
对于图像f，像素点i处的梯度定义为：3.1.1基于梯度幅度的滤波参数选择对于式(2)中滤波参数h的选择，国内外研究者已做了一系列研究[7,9-10]。
核磁共振图像归一化互相关非局部自适应去噪
龙源期刊网
核磁共振图像归一化互相关非局部自适应去噪
作者：师黎许晓辉陈立伟
来源：《计算机应用》2014年第12期
摘要：为了更好地去除核磁共振（MR）图像中莱斯（Rician）分布的噪声，首先提出使
用图像局部归一化互相关（NCC）作为几何结构相似性的一个表征，对传统非局部算法中使用灰度计算像素相似性权值的方法进行有效补充；然后，将改进方法分别应用于非局部均值算法和非局部最小线性均方误差估计算法，并根据局部信噪比（SNR）动态自适应地计算非局部算法中待滤波像素自身的加权值或者像素之间相似性阈值，达到对核磁图像自适应降噪的目的。
实验结果表明，该算法可以更好地抑制核磁图像中的莱斯噪声，有效保留图像中细节信息，对核磁共振图像进一步的分析研究以及应用于临床诊断等具有非常重要的应用价值。
关键词：归一化互相关；莱斯噪声；非局部算法；自适应加权
0引言
核磁共振（Magnetic Resonance， MR）成像是一种非侵入式的医学成像技术，是根据水
含量不同的结构对能量衰减程度的不同而有效区分组织结构，在医学影像诊断、生物学和考古学研究、石油化工检测分析等方面具有重要的应用价值[1-3]。
在实际应用中，核磁共振图像的视觉质量好坏对于组织精确定位具有非常重要的作用，而图像获取过程中生物组织自身以及电路元器件引入的噪声会严重影响图像的质量。
所以，降噪是核磁共振图像应用于医学诊断、自动分割计算、分类和三维重建等其他研究前不可或缺的预处理步骤，对于核磁共振图像的进一步分析研究利用具有非常重要的意义。
医疗影像分析中的图像处理算法改进
医疗影像分析中的图像处理算法改进随着医学影像技术的广泛应用，医疗影像分析在现代医学诊断中发挥着越来越重要的作用。
而图像处理算法的改进对于提升医学影像分析的准确性和效率起着关键性的作用。
本文将探讨医学影像分析中图像处理算法的改进，并讨论其对临床诊断和治疗的潜在影响。
一、图像预处理算法的改进医学影像预处理是医学影像分析的重要步骤，旨在通过去噪、增强、边缘检测等处理手段，提取出有助于医学诊断的显著特征。
在图像预处理中，有几个关键的算法可以改进。
首先，去噪算法是图像预处理中的一项重要任务。
传统的去噪算法如中值滤波和高斯滤波，对图像质量的影响较大，容易导致图像细节的丢失。
因此，近年来出现了一些新的去噪算法，如基于非局部均值（NL-means）方法的去噪算法。
该算法利用图像中相似区域的像素值进行噪声估计和去除，能够更好地保留图像的细节信息。
第二，图像增强算法的改进对于提升医学影像分析的结果也至关重要。
目前，主要的图像增强算法包括直方图均衡化和自适应直方图均衡化。
然而，这些算法容易引起图像过度增强或局部对比度不足的问题。
为了解决这些问题，一些新的图像增强算法被提出。
例如，双曲正切变换（Tanh）算法能够更好地保持图像的全局和局部对比度，在提升图像细节可见性的同时，保持图像的自然感觉。
第三，边缘检测算法在医学影像分析中具有重要的应用。
传统的边缘检测算法如Sobel和Canny算法，在噪声较大的情况下容易产生大量的虚假边缘。
为了解决这个问题，一些改进的边缘检测算法被提出，如基于超像素的边缘检测算法。
该算法在边缘检测之前先进行超像素分割，然后通过重新计算每个超像素的边缘强度来检测边缘。
这样能够减少噪声对边缘检测结果的干扰，提高边缘检测的准确性。
二、图像分割算法的改进医学影像分割是医学影像分析的关键任务之一，旨在将医学影像中感兴趣的区域从背景中分割出来。
目前主要的医学影像分割算法包括阈值分割、区域生长和图割算法。
然而，这些算法在复杂的影像场景或者存在亮度不均匀的情况下，分割结果往往不准确。
改进的非局部均值图像去噪算法
邓志全等：改进的非局部均值图像去躁算法_______________________________基金项目: 国家自然科学基金资助(10572154)第一作者简介:邓志全(1983-)，男，中山大学科学计算与计算机应用系硕士研究生，主要研究方向为信息计算科学、数字图像处理与分析。
改进的非局部均值图像去噪算法邓志全1） 关履泰1） 朱庆勇2）（1）中山大学 科学计算与计算机应用系，广州 510275，lnsglt@ 2）中山大学工学院海洋研究中心，广州 510275）摘 要: 图像去噪一直以来都是计算机图像处理和计算机视觉中的一个研究热点，其中非局部化均值算法是近年来去噪效果比较出色并引起广泛研究讨论的算法之一。
本文在非局部均值算法的基础上提出改进方案，针对图像自身的特点自适应的取最优参数，同时大大的减低其运算量和时间。
并从理论和算法程序等方面详细阐述了该加速算法的具体实现过程。
最后论文给出加速算法在实际应用中的处理结果和优越性 关键词: 图像去噪; 非局部均值;整体变分法; PDE 去噪模型;自适应求参;各向异性扩散Improved Non-local Means Image Denoising MethodDENG Zhi-quan 1）, GUAN Lutai 1）, ZHU Qing-yong 2)(1）Department of Scientific Computing&Computer Application ,Sun Yet-sen University, Guangzhou 510275) (2)Ocean Engineering Research Certre,School of Engineering, Sun Yet-sen University ,Guangzhou510175)Abstract: Image denoising technology is one of the forelands in the field of Computer Graphic and Computer Vision; Non-local Means method is one of the great performing methods which arouse tremendous research. In this paper, we propose a novel improved Non-local Means algorithm which can select the optimal parameters and decrease the computational complexity. We also give the mathematical theory embedded and implementation in details. In the end, we present the main experiment results and its superiority in application.Keywords: Image denoising; Non-local Means;Total Variation Method;PDE denoising model;Adaptive Parameterize; Anisotropic diffusion1 引言随着电子计算机和数码成像设备的日益普及，数字图像处理越来越受到人们的重视。
课程设计：自适应的快速非局部医学图像去噪算法
中北大学课程设计说明书学生姓名：陈杰学号：1005084122学院：信息与通信工程学院专业：生物医学工程题目：自适应的快速非局部医学图像去噪算法指导教师：张权职称: 讲师2013 年 6 月 28 日中北大学课程设计任务书12/13 学年第二学期学院：信息与通信工程学院专业：生物医学工程学生姓名：陈杰学号：1005084122课程设计题目：自适应的快速非局部医学图像去噪算法起迄日期：2013年6 月7 日～2013年6月28 日课程设计地点：201、503指导教师：张权系主任：王浩全下达任务书日期: 2013 年6月7 日课程设计任务书1．设计目的：综合运用医学图像处理的相关知识，基于理论推导，设计一种自适应的快速非局部医学图像去噪算法，利用MATLAB作为编程工具进行计算机实现，从而加深对所学知识的理解。
2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）：设计一种自适应的快速非局部医学图像去噪算法，以改善图像的视觉效果、利于临床诊断。
3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕：（1）查阅文献资料，了解相关知识；（2）确定设计方法；（3）编写MATLAB程序，并上机调试；（4）撰写课程设计说明书。
课程设计任务书4．主要参考文献：要求按国标GB 7714—87《文后参考文献著录规则》书写，例：1 傅承义，陈运泰，祁贵中.地球物理学基础.北京：科学出版社，1985（5篇以上）5．设计成果形式及要求：提供课程设计说明书一份；MATLAB程序；6．工作计划及进度：6月7日~ 6 月12 日：查资料；6月13日~ 6 月 19 日：确定设计方案；6月20 日~ 6月25 日：编写程序，上机调试；6月 26 日~ 6 月27 日：完成课程设计说明书；6月 28日：答辩。
系主任审查意见：签字：年月日目录摘要 (1)一课题题目及背景 (2)1.1 课题题目 (2)1.2 课题背景 (2)二课题目的及意义 (2)三算法简介 (2)3.1 非局部图像去噪算法 (3)3.2 噪声与滤波参数h的关系 (4)3.3 最佳滤波参数h的确定 (5)3.4 高斯噪声标准差的估计 (6)3.5 计算复杂度的降低 (8)四 matlab程序简介 (9)4.1 程序实现概要 (9)4.2 具体参数的确取值 (9)五图像处理结果及分析 (9)5.1 图像处理结果 (9)5.2 结果分析 (11)六课题总结及心得体会 (12)七参考文献 (12)八附录 (12)摘要由于图像获取、传输等过程中常常会产生噪声,造成图像质量下降, 因此图像去噪作为图像处理的基本技术之一。
基于自适应非局部稀疏编码图像去噪方法
基于自适应非局部稀疏编码图像去噪方法王萌萌;屈红伟;孙燕;尚振宏【摘要】Due to the degradation property of the observedimage,traditional sparse coding models may not be accurate enough for a faithful representation of the original image.To improve the performance of sparse coding-based image denoising,a simple yet effective framework for adaptive nonlocal sparse coding for image denoising was proposed.With the enhancement of sparse level and image local features,an adaptive learning dictionary was proposed.Meanwhile,the image nonlocal self-similarity was integrated into regularization term,and an adaptive regularization term was proposed to further improve the quality of image denoising.To enhance the computational efficiency of the proposed method,a fast implementation using iterative shrinkage thresholding method technique was developed.Experimental results demonstrate that the proposed method can effectively reconstruct the fine structures and edge preserve,and suppress the visualartifacts,outperforming many current state-of-the-art methods(i.e.,BM3D,EPLL) in terms of PSNR and FSIM and extensive practical application values.%由于图像的降质属性,传统的稀疏表示方法并不能如实的重建原图像.为提升基于稀疏编码方法图像去噪能力,提出一种非局部自适应稀疏编码图像去噪算法.为改进稀疏水平以及图像的局部属性,提出一种自适应学习字典;图像的非局部自相关先验融入到正则项中,提出一种自适应非局部正则项,进一步提升图像的去噪能力;为提高算法的有效性,利用一种迭代阀值算法进行优化.实验结果表明,该方法相对于BM3D、EPLL等方法具有较高的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(feature similarity,FSIM),在图像细节、边缘保持和抑制视觉块效应方面具有比较好的重建效果,具有广泛的实际应用价值.【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)008【总页数】6页(P2178-2183)【关键词】稀疏编码;图像重建;字典学习;非局部自相关;迭代阀值【作者】王萌萌;屈红伟;孙燕;尚振宏【作者单位】南京师范大学计算机科学与技术学院,江苏南京210046;南京师范大学计算机科学与技术学院,江苏南京210046;南京师范大学计算机科学与技术学院,江苏南京210046;江苏省信息安全保密技术工程研究中心,江苏南京210097;昆明理工大学信息工程与自动化学院,云南昆明650500【正文语种】中文【中图分类】TP391.1一般来说，图像去噪的目的是从噪声图像y中重建一幅高质量的图像x，即y=x+v，其中v假设为加性高斯白噪声。