采用结构自适应块匹配的非局部均值去噪算法_钟莹
基于自适应阈值的curvelet医学超声图像去噪算法
基于自适应阈值的curvelet医学超声图像去噪算法
庄哲民;姚伟克;杨金耀;李芬兰;袁野
【期刊名称】《中国医疗器械杂志》
【年(卷),期】2014(38)6
【摘要】传统的超声图像去噪算法在抑制斑点噪声的同时,会丢失图像中的大量细节和微弱的边缘信息。
该文基于curvelet变换提出一种新的自适应阈值去噪声算法,该算法利用各层curvelet系数局部方差在超声图像纹理与平滑度的差异,分别定义模糊区域和隶属度函数,并根据隶属度函数确定相关curvelet系数的自适应阈值,通过该阈值实现对超声图像的去噪。
实验测试表明,该方法在保留原有图像细节信息的基础上有效地降低了超声图像的斑点噪声,极大地提升B超仪器的性能。
【总页数】4页(P398-401)
【关键词】超声图像;斑点噪声;去噪;curvelet变换;自适应阈值
【作者】庄哲民;姚伟克;杨金耀;李芬兰;袁野
【作者单位】汕头大学电子工程系;汕头市超声仪器研究所有限公司
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于贝叶斯估计自适应软硬折衷阈值 Curvelet 图像去噪技术 [J], 杨国梁;雷松泽
2.改进的自适应阈值软硬折中Curvelet图像去噪技术 [J], 杨国梁;王全;王亚文
3.基于 NSCT 和自适应模糊阈值遥感图像去噪算法 [J], 黄涛;薛丰昌;钱洪亮;周明
4.基于Curvelet变换的自适应阈值图像去噪方法 [J], 王海珍;吴爱弟
5.基于幂次变换的自适应超声医学图像去噪算法 [J], 王绍波;梁振
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应噪声抵消技术的研究
自适应噪声抵消技术的研究一、概述自适应噪声抵消技术是一种重要的信号处理技术，旨在从含噪信号中提取出有用的信息。
在现代通信、音频处理、语音识别等领域中，噪声往往是一个不可避免的问题，它可能来自于外部环境、设备本身的干扰或传输过程中的失真等。
研究并应用自适应噪声抵消技术，对于提高信号质量、增强系统性能具有重要意义。
自适应噪声抵消技术的基本原理是，利用噪声信号与有用信号之间的统计特性差异，通过设计合适的滤波器或算法，实时调整滤波器的参数，使得滤波器输出的噪声信号与原始噪声信号相抵消，从而得到较为纯净的有用信号。
这一过程中，滤波器的参数调整是自适应的，即根据输入信号的变化而自动调整，以实现最佳的噪声抵消效果。
随着数字信号处理技术的发展，自适应噪声抵消技术得到了广泛的研究和应用。
已有多种算法被提出并应用于不同领域的噪声抵消任务中，如最小均方误差算法、归一化最小均方误差算法、递归最小二乘算法等。
这些算法各具特点，适用于不同的应用场景和噪声类型。
自适应噪声抵消技术仍面临一些挑战和问题。
当噪声信号与有用信号在统计特性上较为接近时，滤波器的设计将变得更为复杂；在实际应用中，还需要考虑实时性、计算复杂度以及硬件实现等因素。
未来的研究方向之一是如何进一步提高自适应噪声抵消技术的性能，同时降低其实现的复杂度和成本。
自适应噪声抵消技术是一种具有广泛应用前景的信号处理技术。
通过深入研究其基本原理、算法实现以及应用挑战，有望为现代通信、音频处理等领域提供更加高效、可靠的噪声抵消解决方案。
1. 背景介绍：阐述噪声抵消技术在现代通信、音频处理等领域的重要性和应用广泛性。
在现代通信和音频处理领域，噪声抵消技术的重要性日益凸显，其应用广泛性也随之扩展。
随着科技的快速发展，通信设备和音频系统的使用越来越广泛，噪声干扰问题也愈发严重。
无论是移动通信、语音识别，还是音频录制、音乐播放，噪声都可能对信号质量产生严重影响，甚至导致信息丢失或误判。
基于字典学习的非局部均值去噪算法
基于字典学习的非局部均值去噪算法崔学英;张权;桂志国【期刊名称】《计算机应用》【年(卷),期】2013(33)5【摘要】Concerning the measurement of the similarity of non-local means, a method based on dictionary learning was presented. First, block matching based local pixel grouping was used to eliminate the interference by dissimilar image blocks. Then, the corrupted similar blocks were denoised by dictionary learning. As a further development of classical sparse representation model, the similar patches were unified for joint sparse representation and learning an efficient and compact dictionary by principal component analysis, so that the similar patches relevency could be well preserved. This similarity between the pixels was measured by the Euclidean distance of denoised image blocks, which can well show the similarity of the similar blocks. The experimental results show the modified algorithm has a superior denoising performance than the original one in terms of both Peak Signal-to-Noise Ratio (PSNR) and subjective visual quality. For some images whose structural similarity is large and with rich detail information, their structures and details are well preserved. The robustness of the presented method is superior to the original one.%针对非局部均值中相似度的衡量问题,提出了一种基于字典学习的度量算法.首先利用局部像素群块匹配方法消除不相似的图像块带来的干扰,然后对含有噪声的相似块采用字典学习的方法降噪.与经典的字典学习不同的是,对相似块采用联合稀疏编码的思想,利用主成分分析法学习一个高效紧字典,保留相似块间的相关性信息.采用降噪后的图像块间的欧氏距离计算像素间的相似度,能更好地反映相似块的相似性.实验结果表明,所提出的方法在峰值信噪比和视觉效果方面都优于传统算法,尤其对含有较多细节且结构相似性强的图像,细节和纹理部分的保持效果更好,算法的鲁棒性也优于传统算法.【总页数】3页(P1420-1422)【作者】崔学英;张权;桂志国【作者单位】中北大学电子测试技术国防重点实验室,太原030051;太原科技大学应用科学学院,太原030024;中北大学电子测试技术国防重点实验室,太原030051;中北大学电子测试技术国防重点实验室,太原030051【正文语种】中文【中图分类】TP317.4【相关文献】1.基于梯度特征的双核非局部均值去噪算法 [J], 张玉征;杨词慧;林泉2.基于局部边沿方向的非局部均值图像去噪算法 [J], 贾丽娜;焦枫媛;刘瑞强;桂志国3.基于直觉模糊散度的自适应非局部均值去噪算法 [J], 张宁; 宋小鹏; 刘祎; 张鹏程; 桂志国4.基于3维轴距与非局部均值的无人机巡检图像去噪算法 [J], 唐丽丽;马宪民;商立群5.基于边缘检测的非局部均值图像去噪算法 [J], 李向前因版权原因，仅展示原文概要，查看原文内容请购买。
采用通道和空间注意力的真实噪声盲去噪算法
2噪声图像的灰度直方图分布
图像去噪属于典型的低层视觉任务，其中底层像素级特 征起着至关重要的作用，目前大多数研究中AWGN水平b 通常在10-50范围内因此本文设定= 10代表低水平 噪声和¢7=50代表高水平噪声,并对比了其灰度直方图分布 与真实噪声图像的分布，如图1所示.
倉3®蓿
灰度值
(a)真实噪声图像
小型微 型计算 机系统
Journal of Chinese Computer Systems
2021年7月第7期
Vol. 42 No. 7 2021
采用通道和空间注意力的真实噪声盲去噪算法
肖娟I,李小霞吕念祖I,周颖胡"，王学渊.2
乂西南科技大学信息工程学院，四川绵阳621010） 气特殊环境机器人技术四川省重点实验室，四川绵阳621010）
收稿日期:2020-07-05 收修改稿日期:2021-01-04 基金项目：国家自然科学基金项目（61771411）资助；四川省科技计划项目 （2019YJ0449.2020YFSY0062）资助;西南科技大学研究生创新基金项目（18ycxl21）资助.作者简介：肖娟，女，1994年生,硕士研究生,CCF
非局部平均滤波噪声压制方法及其在VSP资料逆时偏移中的应用
F + % : ' + / & '. & % ) , * ' 4 1 * % % + * ) * % 1 + & / 5& % 3 * 4 )& ' * / & 4 * + % * % 23 2& < < < < C D E1 0 1 ) 4 * . -. * 1 & 4 * + %) * ) . * /3 & 4 & 2
第& '卷第#期 # $ % &年 F月
石!油!物!探 C Y Z E -[ W M J : PE \ Z W E Y J Q M ] C2 Z \E Y Q \ Z P Y ^R
! N 1 9 ! & ' ] 1 ! # ! R * A ! # $ %非局部平均滤波噪声压制方法及其在 N # 石油物探! ! $ % & W E资料逆时偏移中的应用" " ! # $ % & & ' # % I & ( % G % ! ! ! C . 15 . 3 V * 1 W 0 6[ 6 + ! ] 1 + ( 9 1 ? * 9> 3 * + < = 6 9 8 3 A 6 + 3 + 1 6 < 6 + A 1 * ? 0* + B 6 8 < * 9 6 ? * 8 6 1 + 6 +N W EA 3 @ 3 A < 3 8 6 > 3 ) * + 3 6 0 1 + , ,B ,* D D D D ,) , " # ! ! $ % & > 6 A * 8 6 1 +< 3 6 < > 6 ?B * 8 *" ! C 3 1 0 < 6 ? * 9 E A 1 < 3 ? 8 6 + = 1 AE 3 8 A 1 9 3 . ># $ % && '# % I & ( % G % ! , D ; D ,
太赫兹成像NLM_去噪算法优化研究
引用格式：方灿, 方波, 宋志平, 等. 太赫兹成像NLM 去噪算法优化研究[J]. 中国测试，2024, 50(1): 18-23. FANG Can, FANG Bo,SONG Zhiping, et al. Research on optimization of NLM denoising algorithm for terahertz imaging[J]. China Measurement & Test,2024, 50(1): 18-23. DOI: 10.11857/j.issn.1674-5124.2023030018太赫兹成像NLM 去噪算法优化研究方 灿1， 方 波1， 宋志平2， 王 震3， 黎雅恬1， 蔡晋辉1(1. 中国计量大学计量测试工程学院，浙江 杭州 310018; 2. 浙江省新华书店集团信息技术有限公司，浙江 杭州 310002;3. 杭州大华仪器制造有限公司，浙江 杭州 311400)摘 要: 太赫兹透射式成像具有对人体无害，对非金属材料有较高的穿透性等特点。
但成像图片信噪比较低，因此文章提出一种改进的非局部均值滤波算法，该算法先利用结构张量对图像进行分区处理。
对平坦区域进行中值滤波，对非平坦区域采用改进的非局部均值滤波算法，该算法引入结构相似指标，图像通用质量指标，特征相似指标的高斯加权距离作为图像相似准则。
为探索该算法在太赫兹透射成像图片的效果，文中根据太赫兹探测器类型的不同分为单点、线阵、面阵扫描成像实验，并展开成像研究发现线阵相机中存在坏点导致成像图片存在暗条纹，可利用高斯加权中值的方式消除暗条纹。
单点扫描成像和面阵扫描成像由于运动平台移动因素和像元响应不一致性的干扰，成像图片具有噪声。
将成像图片分别运用不同的去噪算法进行降噪重建，结果表明，与传统的非局部均值滤波算法相比，改进的非局部均值滤波算法对太赫兹透射成像图像处理后所得的峰值信噪比值有1~9 dB 的提升，且和其他传统的去噪算法比较发现改进的非局部均值滤波算法处理后图像的峰值信噪比值也有2~8 dB 的提升，去噪效果较好。
采用自适应字典学习的InSAR降噪方法
采用自适应字典学习的InSAR降噪方法罗晓梅;索志勇;刘且根【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2016(000)001【摘要】提出了一种基于字典学习的干涉合成孔径雷达相位降噪算法。
首先利用字典学习，建立了干涉相位滤波的优化模型。
鉴于该模型非凸难以求解，采用分裂技术和增广拉格朗日框架，获得松弛后的基于 l1范数正则化的优化模型，然后引入交替方向乘子法对松弛后的问题求解，获得最终的相位滤波结果。
通过InSAR 复相位数据训练字典，从稀疏表达式重建所需的复相位图像。
对仿真数据和实测数据的处理显示这种新的 InSAR 相位降噪方法在残点数、均方误差和边缘完整性保持方面优于现有的经典滤波方法。
【总页数】6页(P18-23)【作者】罗晓梅;索志勇;刘且根【作者单位】西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西西安 710071; 南昌大学信息工程学院，江西南昌 330031;西安电子科技大学雷达信号处理国家重点实验室，陕西西安 710071;南昌大学信息工程学院，江西南昌 330031; 中国科学院劳特伯生物医学成像研究中心，广东深圳 518055【正文语种】中文【中图分类】TN957.51【相关文献】1.InSAR干涉相位图的多级降噪滤波方法 [J], 卢护林;陈潜2.采用背景提取和自适应滤波的视频降噪算法 [J], 崔建伟;谷源涛;唐昆3.一种基于字典学习的含有多类型噪声的合成图像降噪方法研究 [J], 段佳蕙;段新涛4.基于字典学习的超宽带信号稀疏表示与降噪方法 [J], 尹学忠;樊甫华5.基于自适应字典学习降噪改进的脑MRI图像分水岭精确分割算法研究 [J], 苗加庆因版权原因，仅展示原文概要，查看原文内容请购买。
DCT子空间的非局部均值去噪算法
DCT子空间的非局部均值去噪算法一、引言A. 研究背景B. 研究目的与意义C. 国内外研究现状D. 本文主要内容和结构二、相关知识和理论A. DCT变换及其应用B. 非局部均值去噪算法C. DCT子空间去噪算法三、算法设计和实现A. DCT子空间去噪算法流程B. 非局部均值去噪算法流程C. 算法实现细节处理D. 模型选择和参数调整四、实验与分析A. 实验设计与数据集介绍B. 算法实验结果分析C. 算法比较与评估D. 实验结论与分析五、总结与展望A. 工作总结B. 工作不足与展望C. 算法优化方向参考文献一、引言A. 研究背景随着数字图像的广泛应用，图像降噪成为了图像处理中的一个重要问题。
在数字图像的采集、传输、处理等过程中，图像可能会受到各种噪声的影响，这些噪声会导致图像质量下降和信息含量丢失，影响图像的观感和识别准确率，如何去除这些噪声成为了图像处理中的研究重点。
B. 研究目的与意义针对图像降噪问题，传统的滤波方法在一定程度上可以有效地去除噪声，例如均值滤波、中值滤波等。
但是，这些方法都会对图像的细节信息进行一定程度的破坏，导致图像有模糊的现象，且这些方法只能对一定噪声进行去除，对于一些复杂噪声的去除效果并不理想。
因此，如何保持图像的细节信息，同时去除噪声，是当前图像处理中的一个难点问题。
C. 国内外研究现状目前，在图像去噪方面，非局部均值去噪算法和DCT子空间去噪算法是应用比较广泛的方法。
非局部均值去噪算法能够有效保留图像的细节信息，但是其时间复杂度较大，导致其应用于图像处理中存在一定的困难；DCT子空间去噪算法是在DCT变换域上进行去噪，能够较好地平衡处理速度和去噪效果，适用于实际图像处理。
综合以上考虑，本文基于DCT子空间的非局部均值去噪算法，对图像去噪问题进行深入研究。
D. 本文主要内容和结构本文主要研究了DCT子空间的非局部均值去噪算法，其主要结构包括引言、相关知识和理论、算法设计和实现、实验与分析、总结与展望五个部分。
一种去除椒盐噪声的自适应非局部均值滤波
一种去除椒盐噪声的自适应非局部均值滤波
张劲松;陈明举;熊兴中;王鸿;李兰
【期刊名称】《四川轻化工大学学报:自然科学版》
【年(卷),期】2022(35)3
【摘要】非局部均值利用图像的非局部相似信息实现图像噪声的消除,但未考虑到噪声之间的差异性与特殊性,其去除噪声与修复图像详细信息能力有限。
为了有效去除图像的椒盐噪声,提出一种充分利用椒盐噪声特性与图像的非局部相似信息的自适应非局部均值滤波算法。
该算法通过自适应均值实现对椒盐噪声点的检测,进而采用与图像局部方向一致的长方形相似窗口进行非局部均值滤波与信息的重建。
对比实验表明,提出的自适应非局部均值滤波算法有效地利用椒盐噪声的特性与图像的自相似信息,在消除椒盐噪声的同时,更好地重构图像的结构信息,峰值信噪比与结构相似度高于目前其它非局部均值滤波,图像去噪性能更优。
【总页数】7页(P59-65)
【作者】张劲松;陈明举;熊兴中;王鸿;李兰
【作者单位】四川轻化工大学自动化与信息工程学院;人工智能四川省重点实验室【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.快速高效去除图像椒盐噪声的均值滤波算法
2.去除椒盐噪声的自适应开关加权均值滤波
3.去除图像椒盐噪声的自适应迭代均值滤波算法
4.去除图像椒盐噪声的自适应迭代均值滤波算法
5.去除高密度椒盐噪声的自适应加权均值滤波算法
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应的快速非局部图像去噪算法
自适应的快速非局部图像去噪算法
王志明;张丽
【期刊名称】《中国图象图形学报》
【年(卷),期】2009(014)004
【摘要】文章对非局部均值(NL-Means)图像去噪算法进行了改进,提出一种定量估计算法滤波参数最优值的方法,由噪声图像估计噪声方差,进而由噪声方差与图像方差估计滤波参数h.另外,根据局部区域加权欧氏距离的对称性,将算法中复杂度最高的两像素间距离计算由两次降为一次,从而在不损失性能的条件下使计算复杂度降低到原来的一半左右.在多个典型图像上的实验结果表明,提出的自适应非局部均值算法(ANL-Means)可达到近似最优性能,且处理时间只有标准NL-Means算法的一半左右.
【总页数】7页(P669-675)
【作者】王志明;张丽
【作者单位】北京科技大学信息工程学院,北京,100083;清华大学工程物理系,北京,100084
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于自适应非局部稀疏编码图像去噪方法 [J], 王萌萌;屈红伟;孙燕;尚振宏
2.自适应非局部数据保真项和双边总变分的图像去噪模型 [J], 郭黎;廖宇;李敏;袁
海林;李军
3.基于非局部自相似的Shearlet自适应收缩图像去噪 [J], 许志良;邓承志
4.基于时域自适应滤波及非局部平均的夜视图像去噪算法 [J], 刘小园;衣扬;杨磊
5.快速自适应非局部空间加权与隶属度连接的模糊C-均值噪声图像分割算法 [J], 王小鹏;王庆圣;焦建军;梁金诚
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进非局部均值的CPMG信号去噪算法
基于改进非局部均值的CPMG信号去噪算法赵彬;周小龙;张英力;杨培强;聂生东【摘要】Echo signals obtained on low-field NMR spectrometer are often weak, and have low signal-to-noise ratio, such that the signals are easily to be buried in background noise. Aiming at solving this problem, an improved non-local means (NLM) algorithm for filtering CPMG echo signals was proposed. First, based on analysis of parameter selection methods, an adaptive damping parameter selection method with Stein unbiased risk estimation was selected for the NLM algorithm. According to the characteristics of the echo signal, an improved method using different signal point data variance was employed to find the width of the neighborhood window for the NLM algorithm. Lastly, the NLM algorithm was implemented with optimized parameters. The results on simulated and experimental data sets were reported. Compared with the existing NLM algorithm, the improved NLM algorithm was shown to be able to produce better results concerning both the filtered signals and inversed spectra.%采用低场核磁共振技术进行检测时，接收到的回波信号微弱且信噪比低，真实的信号容易淹没在背景噪声中，严重影响到后续的反演等操作的准确性。
一种灵活的图像频谱分割与去噪方法_钟微
收稿日期:2007-06-10基金项目:国家自然科学基金资助(60672125);国家部委预研基金资助作者简介:钟 微(1981-),女,西安电子科技大学博士研究生.一种灵活的图像频谱分割与去噪方法钟 微,谢雪梅,石光明(西安电子科技大学电子工程学院,陕西西安 710071)摘要:针对图像变换域分割不灵活的问题,提出了一种图像傅里叶谱灵活分割与去噪的简单方法.根据输入图像的频谱能量分布和实际应用的需要,设计具有合适采样因子的线性相位非均匀滤波器组并将其应用于对图像行、列的处理中,实现对整个图像按照频谱能量的高低进行灵活分割的过程.若干扰噪声的功率谱集中分布在图像的低能量部分,且其谱值高于原始图像的低能量谱值,应用这一频谱分割思想,可以很容易地将噪声检测出来并加以去除.实验结果表明,该方法实现简单,尤其是在原始图像的频谱分布比较集中时非常有效.关键词:图像频谱分割;去噪;频谱分布;非均匀滤波器组中图分类号:T P751 文献标识码:A 文章编号:1001-2400(2007)06-0935-04Image spectrum segmentation and de -noising based onmulti -channel nonuniform filter banksZ HONG Wei ,X I E X ue -mei ,S H I Guang -ming(Scho ol of Electr onic Eng ineering ,Xidia n U niv .,Xi ′an 710071,China )A bstract : A simple me tho d for image spectrum seg menta tion and de -no ising is propo sed ,due to the facttha t the input image canno t be decom po sed f lexibly in a tr ansfo rm do main .M ulti -channe l linear -phaseno nunifo rm filter banks w ith pro per sampling facto rs are desig ned which are applied to r ow s and columnsof the input image ,respectively ,acco rding to its pow er spectr um distributio n .By this procedure ,theimage can be segmented no nunifor mly in the frequency do main .In addition ,pr ovided that the po we rspectrum of the noise inv olved concentrates o n the low pow er pa rt o f the original image ,it can bedetected and removed ea sily by using the pro po sed idea o f spectrum seg me ntation .T his metho d perfo rmsefficiently w he n the pow er spectrum of the o rig inal imag e is distributed concent ratedly .A desig n ex ampleis given to demo nst rate the simplicity and effectiveness o f the pr oposed method .Key Words : imag e spectrum segmentatio n ;de -noising ;spectrum distribution ;no nunifor m filte r banks随着信号处理技术的不断发展,较之于空域,人们更倾向于在变换域对图像进行处理.对图像进行适当的变换可使其能量仅仅集中在少数的变换系数上,为进一步的处理提供了方便.小波变换在时间和频率上都具有信号局部特征的分析能力,因而广泛应用于图像去噪、增强等领域[1～5].Now ak 等[2]提出了一种应用于光子成像系统的小波域图像滤波新技术,利用统计交叉验证方法所设计的滤波器不仅能去除图像中的泊松噪声,还能避免图像细节的过渡平滑.M itrovski 等[5]针对核医学图像的预处理问题,提出利用近似完全重构的正交镜像滤波器组代替小波变换对特定图像进行分解,并指出滤波器的截止频率应根据图像的频谱选取.然而,这些方法大都基于二进小波多尺度分级的思想进行图像分解,并不能真正实现图像变换域的灵活分割.就窄带干扰抑制问题而言,Xie 提出了一种新颖的频域处理算法[6].他设计了完全重构滤波器组作为自适应频率切除器,分析加噪信号的能量分布特点,将窄带干扰检测出来并加以去除.但该算法基于树型结构实现,其对采样因子选择的限制同样约束了分割的灵活性,且分级越多,系统的延时越长.因此,仍然需要一2007年12月第34卷 第6期 西安电子科技大学学报(自然科学版)JOUR NAL OF XIDI AN UNIV ER SI TY Dec .2007Vol .34 No .6种划分灵活,实现简单、直接,且系统延时较低的图像变换域分割方法.笔者提出一种利用直接结构非均匀滤波器组对图像傅里叶谱进行灵活分割与去噪的方法,并从理论上给出图像的频谱分割思想.该方法所设计的非均匀滤波器组实现简单、直接,不仅具有线性相位特性,还具有较大的阻带衰减和较低的系统延时.根据输入图像的频谱能量分布和实际应用的需要,设计具有合适采样因子的非均匀滤波器组并将其应用于对图像行、列的处理中,实现对整个图像按照频谱能量的高低进行灵活分割,这在信号处理领域中有助于具有不同能量的各个子带采用不同的方法进行处理.将这一频谱分割思想应用到去除特定噪声的处理中,若干扰噪声集中分布在图像的低能量部分,且其谱值高于原始图像的低能量谱值,噪声就能很容易地被检测和去除.1 多通道线性相位非均匀滤波器组的设计笔者所提出的图像频谱分割与去噪的思想是基于具有线性相位特性的直接结构非均匀滤波器组实现图1 M 通道非均匀滤波器组的结构框图的.因此,这里先介绍一种采用直接结构设计多通道线性相位非均匀滤波器组的有效方法[7].1.1 多通道线性相位非均匀滤波器组的设计原理M 通道非均匀滤波器组的结构框图如图1所示.这里只考虑采样因子n k (k =0,1,…,M -1)为整数,且满足临界采样条件∑M -1k =0n k =1的情况.H k (z ),F k (z )分别表示其分析和综合滤波器.输出信号 X (z )与输入信号X (z )的关系为X (z )=T (z )X (z )+∑M -1k =0∑n k -1l =1X (zW l n k )H k (zW l n k )F k (z ) ,(1)其中T (z )=∑M -1k =0H k (z )F k(z )为系统无失真时的传输函数,X (zW l n k ),l =1,2,…,n k -1,为混叠失真项.若分析滤波器H k (z )和综合滤波器F k (z )满足时间翻转关系:F k (z )=z -N H k (z -1) 或者 f k (n )=h k (N -n ),k =0,1,…,M -1,N 为滤波器的阶数,(2)则系统的相位失真被消除.在滤波器长度相等的情况下,若分析滤波器H k (z ),k =0,1,…,M -1,满足正反交替对称特性,则系统的主要混叠失真被消除.而对于幅度失真的消除问题,要求相邻的两个分析滤波器满图2 采样因子为(6,3,2)的非均匀滤波器组足功率互补关系:H k (ex p (j ω))2+H k +1(exp (j ω))2=1 ,∑k -1i =0πn i +π2n k ≤ω≤∑k i =0πn i +π2n k +1 .(3)运用Parks -McClellan 算法进行设计,指定每个滤波器的频率响应满足上述条件,这样,整个滤波器组的设计问题就转化为一系列单个滤波器的设计问题,且整个设计过程不需要进行非线性优化,所得到的分析和综合滤波器还具有较大的阻带衰减.1.2 设计举例为后续小节中图像频谱分割与去噪的例子做准备,这里给出一个采样因子为(6,3,2)的线性相位非均匀滤波器组的设计实例.选取分析和综合滤波器的阶数N 为96.运用Parks -McClellan 算法,指定分析滤波器的频率响应满足公式(3),以此作为设计目标,得到其幅频响应如图2所示.实验结果表明,其幅度和混叠失真的最大值分别为E pp =2.3×10-3,E a =1.4×10-3,保证整个系统满足近似完全重构特性.滤波器的阻带衰减约为109.6dB .936 西安电子科技大学学报(自然科学版) 第34卷2 基于多通道非均匀滤波器组的图像频谱分割思想这一节,着重描述如何按照图像的频谱分布特点和实际应用的需要,设计多通道线性相位非均匀滤波器组对图像的频谱进行分割.这一思想适用于图像的频谱呈集中分布的情况.给定一幅M 0×M 1的图像x (m 0,m 1),对其进行二维傅里叶变换,相应的频率响应X (ω0,ω1)为X (ω0,ω1)=1M 0M 1∑M 0-1m 0=0∑M 1-1m 1=0x (m 0,m 1)ex p -j2πω0m 0M 0+ω1m 1M 1 .(4)从而可得该图像的二维傅里叶谱X (ω0,ω1)=R (ω0,ω1)2+I (ω0,ω1)21/2 ,(5)其中R (ω0,ω1)为其频率响应X (ω0,ω1)的实部,I (ω0,ω1)为它的虚部.以512×512的Lena 图像为例,如图3(a )所示,对其进行二维傅里叶变换,得到其傅里叶谱如图3(b )所示.很容易看出,Lena 图像的频谱能量集中分布在低频部分,并随着频率的增高而逐渐降低.由于输入为实信号,其频谱分布关于ω0,ω1轴对称,因此只需考虑它们的正半轴部分.在ω0的正半轴方向,根据应用的具体要求选取所需的分割比例,将其频谱划分为能量高低分布不同的各个子带.类似地,在ω1的正半轴方向,可以根据需要选取不同于ω0方向的分割比例进行处理,从而实现对整个图像按频谱能量的高低进行分割.这里,为简单示范起见,选取相同的分割比例分别将ω0,ω1的正半轴频谱能量分为3段:[0,π/6]为高能量区,[π/6,π/2]为中能量区,[π/2,π]为低能量区.这样,根据Lena 图像的频谱分布情况,将它的频谱分割为9个子带,依次编号为子带1～9,如图3(c )所示.为进一步说明,与图3(c )中子带1～9相对应的各个子带分割示意图如图3(d )所示.图3 Lena 图像的二维傅里叶谱及其频谱分割图利用多通道非均匀滤波器组可以很容易地实现这一图像频谱分割思想.以三通道为例,处理过程如下:根据输入图像x (m 0,m 1)的频谱分布特点和实际应用的需要,在ω0(行)方向上选取具有适当采样因子(n 0,n 1,n 2)的一组非均匀滤波器组对其进行分割;再在ω1(列)方向上选取另一组(n ′0,n ′1,n ′2)进行分割,从而实现对整个图像按频谱能量的高低进行分割的过程.经过处理后,在接收端,分割的各个子带又分别在列、行方向重构出原图像 x (m 0,m 1).相应的系统框图如图4所示.图4 利用三通道非均匀滤波器组进行图像频谱分割的系统框图937第6期 钟 微等:一种灵活的图像频谱分割与去噪方法将图像按照其频谱能量高低的分布进行分割是非常必要的.这是因为,具有不同能量的各个子带往往需要采用不同的方法进行处理.例如,在量化处理中,由于高能量子带信号所蕴含的信息往往更丰富、更重要一些,它们的量化精度就比低能量的要高.而根据不同应用场合的具体要求,设计具有合适采样因子的多通道非均匀滤波器组进行这一操作,为图像的频谱分割提供了简便、灵活的工具.这里使用的是具有近似完全重构特性的多通道非均匀滤波器组,因此,它更适用于有损处理.3 基于频谱分割思想的图像去噪实验结果将上节提出的图像频谱分割思想应用到去噪处理中.假若原始图像的频谱是集中分布的,而干扰噪声的频谱集中分布在图像的低能量部分,且其谱值高于原始图像的低能量谱值,在这种情况下,根据加噪图像的频谱分布特点对其进行分割,噪声就能很容易地被检测和去除.依然以Lena图像为例.基于图3(c)中给出的频谱分割比例,将一个中心频率为(0.8π,0.8π)的二维噪声加入到Lena图像中,使它的频谱集中分布在图像的低能量部分.笔者采用将一维窄带噪声扩展到二维的方法,先构造一个中心频率为0.8π的一维窄带噪声,再将它和它本身张成一个中心频率为(0.8π,0.8π)的二维噪声,其幅频响应如图5(a)所示.将这个二维噪声加到Lena图像中去,加噪图像的幅频响应如图5(b)所示.很容易看出,所加噪声的二维频谱分布也是聚集的,且它仅仅出现在原始图像的低能量子带9内,其谱值高于原始图像的低能量谱值.这样,根据加噪Lena图像的频谱分布特点,选取行、列方向非均匀滤波器组的采样因子均为(n0,n1,n2)=(n′0,n′1,n′2)=(6,3,2),利用图2所示的三通道线性相位非均匀滤波器组分别对其行、列进行分割,得到子带1～9.然后在重构时,删去噪声集中分布的子带9,就可以完成整个去噪的过程.实验结果如图5所示.由于篇幅的限制,这里只给出了子带1,5,9的分割图.图5 利用三通道非均匀滤波器组(6,3,2)对加噪L ena图像进行频谱分割与去噪的过程经比较可得,加噪图像与原始图像的峰值信噪比(PSN R)约为19.63dB.而去除噪声后,重构图像与原始图像的PSN R为43.43dB,提高了23.80dB.可以看出,这一图像频谱分割的思想对某些特定噪声的去除效果还是比较明显的.(下转第952页)Socie ty of Londo n,1971,324(1):301-313.[9]Der jag uin B V,M uller V M,To prov Yu P J.Effect of Contact Defo rmation o n the Adhe sion o f P ar ticles[J].Jour nal o fColloid and Inte rface Science,1975,53(2):314-326.[10]M augis D,G authie r-M anuel B.JK R-DM T T ransitio n in the P resence of a Liquid M eniscus[J].Jour nal o f AdhesionScience and T echnology,1994,8(11):1311-1322.[11]H amake r H C.T he Lo ndon-van De r W aals A tt raction Between Spherical Par ticles[J].Phy sica,1937,(10):1058-1072.[12]M uller V M,Yushchenko V S,Der jag uin B V.On the I nfluence of M olecula r F orces o n the Defo rmatio n of an ElasticSpher e and its Sticking to a Rig id Plane[J].Jour nal of Colloid and Interface Science,1980,77(1):91-101.[13]Y u Ning,Po ly carpou A A.Adhesive Co ntact Based on the L ennard-Jones Po tential:a Cor rectio n to the V alue of theEquilibrium Dista nce as U sed in the Po te ntial[J].Journal o f Colloid and I nte rface Science,2004,278(2):428-435.[14]Johnso n K L.Contact M echa nics[M].Cambridg e:Cambridge U niv ersity P ress,1985:11-80.[15]James Q F.Co ntact Behavio r of Spherica l Elastic P ar ticles:a Computatio nal Study o f P article A dhesio n and Deforma tions[J].Colloid a nd Surface s(A),2000,172(3):175-198.[16]T abo r D.Surface F orces and Surface Inte ractio ns[J].Journal o f Colloid and I nter face Science,1977,58(1):2-13.[17]樊康旗,贾建援,王卫东.AF M针尖“突跳”研究[J].中国机械工程,2007,18(3):339-343[18]A ttard P,Pa rker J L.Defo rmatio n and Adhe sion of Elastic Bo die s in Contact[J].Physical Review A,1992,46(12):7975-7971.(编辑:齐淑娟) (上接第938页)4 结束语笔者提出了图像傅里叶谱灵活分割的思想,研究了基于直接结构多通道线性相位非均匀滤波器组的图像频谱分割与去噪的方法.根据实际应用的要求,设计具有合适采样因子的非均匀滤波器组对图像的频谱进行分割,为图像的频谱分割提供了简便、灵活的工具.将这一频谱分割思想应用到去除特定噪声的处理之中,效果也比较明显.实验结果表明该方法实现简单,尤其是在原始图像的频谱分布比较集中时非常有效.参考文献:[1]Chambolle A,DeV o re R A,Lee N Y,et al.N o nlinear W avele t Image Pr ocessing:Va riatio na l P ro blems,Compressio n,a nd No ise Remov al thro ugh Wav elet Shrinkage[J].I EEE T rans o n Imag e Pr ocessing,1998,7(3):319-355.[2]N owak R D,Baraniuk R G.Wav elet-domain Filtering fo r Pho to n Imaging Sy stems[J].IEEE T r ans on Imag e P rocessing,1999,8(5):666-678.[3]T urkheimer F E,A sto n J A D,Bana ti R B,e t al.A Linea r W avele t Filte r fo r Par ame tric Imaging w ith Dynamic PET[J].I EEE T rans o n M edical Imaging,2003,22(3):289-301.[4]Erce lebi E,K oc S.Lifting-based Wavelet Do main A daptiv e Wiene r Filte r fo r Image Enhancement[J].IEE P roc o fVision,Imag e and Sig nal P rocessing,2006,153(1):31-36.[5]M itr ovski C D,K ostov M B.N M Imag es Filtering U sing NP R Q M F Filte rs Dependent o n the Image s S pectrum[C]//Pro c of T EL SIKS'05.Serbia:IEEE,2005:119-122.[6]Xie X M.A No vel M ethod fo r Desig ning Low-delay Per fect-reconstruction T ree-structured Filter Banks as A daptiv eF requency Exciser s in DSSS Co mmunicatio n Sy stems[C]//P roc o f WI RELESSCO M2005.Haw aii:IEEE,2005:475-480.[7]Xie X M,Chen X Y,Shi G M.A Sim ple Desig n M e tho d of Linear-phase N onuniform F ilter Banks w ith IntegerDecimation Facto rs[C]//Pro c of M WSCA S2005.Cincinna ti:IEEE,2005:724-727.(编辑:郭 华) 。
基于时域能量与自适应奇异值阈值的改进局放信号去噪方法
基于时域能量与自适应奇异值阈值的改进局放信号去噪方法何青霜;谢敏;周凯
【期刊名称】《电测与仪表》
【年(卷),期】2022(59)10
【摘要】局部放电(简称局放)检测是探测电力电缆绝缘缺陷的有效手段。
针对传统短时奇异值分解(STSVD)白噪声抑制方法存在的不足,文中提出了一种基于时域能
量与自适应奇异值阈值的局放信号白噪声抑制方法。
该方法利用自适应奇异值阈值估计策略对重构奇异值个数进行准确估计,并在此基础上结合时域能量准则仅对局
放脉冲区域进行去噪处理,从而极大地提升了算法的执行效率。
对仿真和实测含噪
局放信号进行处理,并将去噪结果与现有的自适应奇异值分解(ASVD)、传统STSVD及小波变换去噪结果进行对比。
研究结果表明:相比于ASVD、小波变换去噪方法,文中所提去噪方法能够取得更好的去噪效果,去噪后波形误差更小;相比于传统STSVD,文中所提方法能够有效解决去噪后存在的毛刺干扰问题,且计算速率更快。
【总页数】8页(P60-66)
【作者】何青霜;谢敏;周凯
【作者单位】四川师范大学计算机科学学院;国网无锡供电公司;四川大学电气工程
学院
【正文语种】中文
【中图分类】TM85
【相关文献】
1.基于改进量子粒子群优化稀疏分解的局放信号去噪方法
2.基于小波能量元和改进双阈值函数的微流控芯片信号去噪方法研究
3.自适应奇异值分解局放信号降噪方法
4.联合VMD与改进小波阈值的局放信号去噪
5.基于改进奇异值的局放信号窄带干扰滤除方法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的非局部均值去噪算法
一种改进的非局部均值去噪算法蔡斌;刘卫;郑重;汪增福【期刊名称】《模式识别与人工智能》【年(卷),期】2016(029)001【摘要】针对非局部均值去噪算法在图像块相似度计算方面存在的不足,提出计入图像旋转对相似度贡献的、效果更好的图像块匹配算法.为了获得与给定像素点邻域相似的图像子块,首先对给定像素点周边的相关邻域子块按灰度值大小排序,计算其与同样按灰度值大小排序的给定像素点邻域子块之间的距离,据此筛选出灰度分布相似的图像子块作为候选集,更进一步在候选集中选出结构上更为相似的图像子块.同时为了克服噪声影响,在计算子块相似度之前对输入图像进行预滤波处理.实验表明,与原始的非局部均值去噪算法相比,文中算法在峰值信噪比、平均结构相似性及主观视觉效果等方面均具有一定优势,特别是在噪声较大时,文中算法的去噪效果更好.【总页数】10页(P1-10)【作者】蔡斌;刘卫;郑重;汪增福【作者单位】中国科学技术大学自动化系合肥230027;中国科学院合肥智能机械研究所核环境遥操纵机器人研究室合肥230031;中国科学院合肥智能机械研究所核环境遥操纵机器人研究室合肥230031;中国科学院合肥智能机械研究所核环境遥操纵机器人研究室合肥230031;中国科学技术大学自动化系合肥230027;中国科学院合肥智能机械研究所核环境遥操纵机器人研究室合肥230031【正文语种】中文【中图分类】TN911.73【相关文献】1.一种基于改进非局部均值滤波算法的红外图像去噪 [J], 郭晨龙;赵旭阳;郑海燕;梁锡宁2.一种改进的非局部均值图像去噪算法 [J], 刘晓明;田雨;何微;钟元红3.一种改进的非局部均值图像去噪算法 [J], 祝严刚;张桂梅4.一种改进的非局部均值去噪算法 [J], 何春;宋国琴;郭科5.一种改进权重的非局部均值图像去噪算法 [J], 赵庆平;陈得宝;姜恩华;方振国因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第35卷第12期电子与信息学报Vol.35No.12 2013年12月 Journal of Electronics & Information Technology Dec. 2013采用结构自适应块匹配的非局部均值去噪算法钟莹杨学志*唐益明刘灿俊岳峰(合肥工业大学计算机与信息学院合肥 230009)摘要：该文提出一种具有图像结构自适应性的非局部均值去噪算法。
通过采用图像块间的多尺度匹配来描述图像中局部结构的相似性，增强非局部均值算法对复杂结构特征的辨别能力，实现去噪性能的提高。
算法首先引入变差系数(CV)特征并提出CV-Kmeans区域分类算法，将图像划分为包含边缘及纹理的结构区域和平坦区域；在结构区域进一步根据不同尺度下图像块间的平均欧氏距离来自适应选择块尺寸；在此基础上获得新的非局部均值算法，用以去除图像噪声。
实验结果表明，相比经典的非局部均值算法，基于块间概率相似性的改进型非局部均值算法以及基于区域自适应的非局部均值去噪算法提出的新算法提高了去噪性能，尤其是在纹理图像的去噪上具有明显优势。
关键词：图像去噪；非局部均值算法；自适应性；块匹配中图分类号：TN911.73 文献标识码： A 文章编号：1009-5896(2013)12-2908-08 DOI: 10.3724/SP.J.1146.2013.00099Non-local Means Denoising Derived fromStructure-adapted Block MatchingZhong Ying Yang Xue-zhi Tang Yi-ming Liu Can-jun Yue Feng(School of Computer & Information, Hefei University of Technology, Hefei 230009, China)Abstract: A distinct non-local means denoising algorithm derived from structure-adapted block matching is proposed in this paper. Multi-scale matching of image blocks is adopted to measure similarity of local structures, which can deal with complex structural characteristics effectively and subsequently improve denoising performance.To begin with, structural region (including edges and textures) and flat region are divided by introducing Coefficient of Variation (CV) characteristics and the CV-Kmeans region classification algorithm is proposed.Furthermore, the size of similar block is adaptively selected based on average Euclidean distance between blocks in structural regions. Finally, a new non-local means algorithm is proposed to remove noise. Compared to the classical non-local means algorithm, the improved algorithm using patch probabilistic similarity and the adapted non-local means denoising algorithm, experimental results show that the proposed algorithm increases denoising performance and especially demonstrates a distinct advantage in texture images.Key words: Image denoising; Non-local means algorithm; Adaptivity; Block matching1引言噪声的存在不仅影响图像本身的视觉效果，也影响到后续图像处理，如图像特征提取、分割、分类等，因此图像去噪是图像处理中的重要问题[1]。
图像去噪算法种类众多[2,3]，常用的去噪方法可分为统计学滤波方法、基于偏微分方程以及基于小波变换的方法等几大类[46]-。
上述方法大多基于局部或半局部的平滑模型，在去噪同时会丢失图像的2013-01-22收到，2013-05-30改回国家自然科学基金(41076120, 60672120, 61203077, 61271381)，中国博士后科学基金(2012M521218)和中央高校基本科研业务费专项资金(2012HGCX0001, 2012HGQC0011, 2012HGBZ0639)资助课题*通信作者：杨学志 hfut.cv@ 细节和结构。
Buades等人[7]利用自然图像包含众多相似结构的特性，提出非局部均值(Non-Local Means, NLM)算法。
该算法的基本思想是针对去噪像素点所在图像块在全局范围内搜索相应的相似块，对相似结构进行加权平均以减少随机噪声，达到去噪的目的。
NLM算法优于之前众多的常用去噪算法，成为当前的一大研究热点。
研究人员相继提出了很多NLM改进算法。
Tasdizen[8]将主分量分析与NLM相结合，将噪声分量与图像信息分量分离，提高抗噪声能力。
Grewenig 等人[9]通过旋转块寻找可靠相似信息，提高了NLM 算法中相似性度量的准确性。
Deledalle等人[10]提出了PPB(Probabilistic Patch-Based)滤波算法，该算第12期钟莹等：采用结构自适应块匹配的非局部均值去噪算法 2909法以NLM算法为框架，将去噪表示为一个基于块的加权最大似然估计问题。
近年来改进效果较好的是3维块匹配(Block Matching and 3-D Filtering, BM3D) 算法[11]，该算法采用图像块的相似性匹配概念，获得了较高的信噪比及良好的视觉效果。
另外，研究人员对NLM算法还做出了各种改进[1216]-，推进算法的不断完善。
经典NLM算法[7]设定相似块的尺寸为固定值(一般取7×7)，对多数图像可以获得较好的去噪结果，但对于复杂的图像类型，由于相似邻域的固定性与结构尺寸的不固定性之间的矛盾，导致遗漏不同尺寸的相似信息。
Zeng等人[17]提出一种基于区域自适应的非局部均值 (Adapted Non-Local Means, ANLM) 方法，先对图像进行区域分类，每一区域设定不同邻域尺寸，取得了较好的去噪效果。
但各区域内部仍选用固定尺寸，采用固定邻域尺寸不能充分描述结构间的复杂变化，因而无法在根本上解决上述矛盾。
本文从这一基本问题出发，在结构区域采用通过平均欧氏距离匹配相似结构从而自适应选择相似块尺寸的方法，提出了结构自适应块匹配非局部均值(Structure-adapted block Matching Non-Local Means, SMNLM)算法，与现有方法相比，其优势主要体现在以下两个方面：(1)SMNLM算法通过自适应块匹配的方法选择确定更加可靠的相似信息，提高去噪性能。
SMNLM 算法对变化复杂的结构区域逐点进行多尺度块选择，以保留更多的相似信息，达到提高去噪效果的目的。
(2)SMNLM算法结合图像局部变化特征在图像全局范围内度量相似性。
噪声可能导致部分平坦区域被误判为局部结构，SMNLM算法根据局部图像的变化特征将图像划分为平坦和结构区域，进行不同邻域选择方法，排除了噪声对于平坦区域的不利影响。
本文结构安排如下：第2节回顾经典非局部均值算法及其不足；第3节，提出了结构自适应块匹配非局部均值算法，给出其主要步骤及其实现策略；第4节，给出实验结果及讨论；第5节进行全文的总结。
2经典的NLM算法及其不足2.1经典的NLM算法首先回顾一下经典的NLM算法。
该算法的框架如下[7, 18]：设经过NLM去噪算法处理后的图像为NL[v]，去噪后的像素点值NL[v](i)可表示为[]()(,)()j INL v i w i j v jÎ=å(1) v(j)是像素点j的像素值，w(i,j)为权重。
以目标像素点i为中心的搜索邻域块I中的其它像素点j参与权重w(i,j)的计算。
w(i,j)由图像块间相似度决定，满足条件0£w(i,j)£1和∑j w(i,j)=1。
w(i,j)的定义如式(2)：()2(,)exp(,)()w i j d i j h Z i=-(2) h代表平滑参数，归一化常数()2()exp(,)/jZ i d i j h=-åd(i,j)代表邻域块间的欧氏距离，其定义如式(3)：()()22,(,)i j ad i j N N=-v v(3) N i是以i为中心的固定大小的方形邻域相似块，v(N i)为相似块中所有像素点值组成的邻域向量，a>0是高斯内核的标准偏差，两像素点的欧氏距离越小，代表像素邻域块相似程度越大。
2.2经典NLM算法在邻域相似块方面的不足经典NLM算法中，在相似性度量过程中，邻域相似块尺寸固定，这种设定对平坦区域去噪效果影响较小，而在结构区域，相似结构尺寸具有不固定性，不同尺寸的结构信息保存性较差。
在真实图像中，有些像素点在固定7×7尺寸的邻域块相似度过小，在权重计算过程中被忽略，而这些像素点在一定大小的像素块中与目标点所在的目标块实际是相似的，这一做法导致有用相似信息的丢失。
如图1所示，在Lena图1(a)上截取一部分细节放大，计算边缘处不同尺寸邻域块的平均欧氏距离。
图1中，7×7的相似邻域块(c), (d)间平均欧氏距离为6.33；而3×3的相似邻域块(e), (f)间平均欧氏距离为1.89，相比之下，后者相对含有更可靠的相似信息，能够保证图像中较细微的相似信息得以保留。
同时，复杂结构多变，大尺寸的相似块的相似度可能更大(即从小范围来看不相似，而从更大的范围来看却是相似的，这自然也是有可能的)，因此需要对图像中不同结构的尺寸进行比较，从而确定最准确的相似度。