改进的非局部均值图像去噪算法

合集下载

基于马氏距离的改进非局部均值图像去噪算法

基于马氏距离的改进非局部均值图像去噪算法

第28卷第3期 2016年3月计算机辅助设计与图形学学报Journal o f Computer-Aided Design & Computer GraphicsVol.28 No.3M ar.2016基于马氏距离的改进非局部均值图像去噪算法阴盼强义路东明 '袁渊2)南京理工大学电子工程与光电技术学院南京210094)2>(微光夜视技术重点实验室西安710065)(yinpanqiang@)摘要:通过对原非局部均值(NLM)图像去噪算法进行改进,提出一种利用马氏距离作为衡量图像像素点相似性的 非局部均值图像去噪算法.首先针对样本空间中马氏距离不稳定的特点计算特征空间中的马氏距离;然后对图像数 据进行相关性分析和降维处理,提取数据主成分,简化特征空间中马氏距离的计算方法;最后利用此马氏距离生成 高斯加权核函数,对图像进行去噪.采用一系列加有噪声的典型图像对文中算法进行实验,证明了该算法可获得比 原NLM图像去噪算法更好的去噪效果;利用多组数据对文中算法中的滤波参数A进行分析,得到噪声方差与滤波参 数A的关系式,可以获得接近于改进图像去噪算法的最佳去噪性能.关键词:非局部均值算法;马氏距离;图像去噪中图法分类号:TP751.1An Improved Non-local Means Image De-noising Algorithm Using Mahalanobis DistanceY in Panqiang1),Lu Dongm ing1),and Yuan Yuan2)^ (School o f E lectronic and Optical Engineering, Nanjing University o f S cience & Technology, Nanjing210094)2) (Science and Technology on Low-Light-Level Night Vision Laboratory, Xi 'an710065)A bstract:An improved non-local means(N LM)image denoising algorithm is proposed,which uses Mahal­anobis distance to measure the sim ilarity between the image pixels.Firstly,calculating the Mahalanobis dis­tance between the image pixels in the eigenspace since the Mahalanobis distance is not robust in the sample space.Secondly,the image data is analyzed w ith the principal component analysis method,thus the Maha­lanobis distance equation is sim plified.F inally,the improved N LM image denoising algorithm is obtained w ith the Gaussian weighted kernel function which is composed o f the sim plified Mahalanobis distance.The experimental results on several typical images show that the improved N LM algorithm can achieve better denoising effect than the original N LM algorithm w ith a variety o f image quality evaluation method.The filte r parameter in the improved N LM denoising algorithm is analyzed in details and the equation be­tween the filte r parameter and the image noise variance is estimated.Based on the equation,the experi­mental results achieve nearly best denoising performance o f the improved filte rin g algorithm.Key words:non-local means algorithm;Mahalanobis distance;image de-noising收稿日期:2015-03-06;修回日期:2015-07-24.基金项目:微光国家重点实验室基金.阴盼强(1990_),男,硕士研究生,主要 研究方向为红外微光数字图像处理;路东明(1976—),男,硕士,讲师,主要研究方向为光电探测与图像工程;袁渊(1986—),男,硕士研究生,主要研究方向为微光器件总装集成技术.第3期阴盼强,等:基于马氏距离的改进非局部均值图像去噪算法405图像是人类感知世界、获取信息、传递信息的 重要手段,图像信息在获取、传递和记录的过程中 会受到大量噪声的干扰[1].图像中广泛存在的一类 噪声是完全随机叠加在图像中的近似呈高斯分布 的白噪声,去除这类噪声是图像去噪研究的基础. 因为去除高斯白噪声的研究不仅会对去除其他类 噪声有重要的借鉴作用,而且对大多数噪声的处 理最终会归结到对高斯白噪声处理的问题上[2].对图像中髙斯白噪声的处理已经有许多经典 算法,如高斯滤波、均值滤波和中值滤波等算法. 但这些算法会造成图像中细节信息的丢失,并且 在噪声较大时并不能获得令人满意的去噪效果.近 年来,浦现出一些新型的去噪算法,如小波阈值去 噪(也称小波萎缩法)[3]、全变法(total variation,TV)图像去噪、基于偏微分方程(partial differential equation, PDE)的非线性扩散图像去噪、非局部均值(non-local means,N LM)滤波、三维块匹配(block matching3D, B M3D)去噪等[4].其中,由8仙(168等[5-6]于2005年提出的N L M图像去噪算法是一种与其他去噪方法 截然不同的图像去噪方法,它充分利用白噪声均 值为零的性质和图像内的图像块存在局部相似性 的性质,通过对相似像素进行加权平均来估计像 素的真实值,获得了良好的图像去噪效果.然而,N L M图像去噪算法的一个不足之处是 计算量较大,它同时计算了2个像素的像素值相似 度和结构相似度,需要考虑2个像素周围一定区域 内多个像素;另外一个不足来自于利用2个像素间 的欧氏距离计算像素权值.欧氏距离是一种对不 同样本数据进行相似性度量的方法,该方法虽然 简单,但也有明显的缺陷:它没有考虑不同样本分 布的不同,也不能排除数据间相关性的干扰,因此 影响了 N L M图像去噪算法获得更好的图像去噪效果[7-9]本文针对N L M图像去噪算法的第二个不足,提 出了一种基于马氏距离的改进N L M图像去噪算法 (improved non-local means,IN L M),获得了 明显优 于原N L M图像去噪算法最佳性能的图像去噪效果. 根据仿真实验数据,对所提算法中的滤波参数办进行 分析,得到了滤波参数A与图像噪声方差的关系式.1 N L M图像去噪算法N L M图像去噪算法是在图像全域内搜索与目 标点相似的所有像素,通过加权平均估算像素点的方法.相似像素之间不仅像素值相似,邻域结构 也相似[1<)].其具体处理过程如下:给定一幅带噪声的图像rC/},经过N L M图像去噪算法滤波后得到图像 N L M.对图像中某个像素i,按坐标M的窗 口邻域内的像素的灰度值对f进行加 权平均,为窗口邻域内其他像素的坐标.其中,是坐标为的像素的灰度值,w(x,■,乃,',。

非局部均值图像去噪算法

非局部均值图像去噪算法

若需要附件请联系: QQ:2013198460 E_mail:juefeiimage@
式中, I 为受噪声污染的图像; NL 为经过 NL-means 图像去噪后的图像; ni (i 1, 2,3) 表示图像 的第 ni ( ni 为像素点坐标)个像素点, I (ni ) 为其对应灰度值, R(ni ) 和 S (ni ) 分别为以 ni 为中心的相 似窗和搜索窗; (n1 , n2 ) 和 d (n1 , n2 ) 分别表示 R(n1 ) 与 R(n2 ) 相似程度和欧氏距离(两个图像块的欧 式距离为两图像块差的平方和) , h 为衰减参数。 (2)非局部均值算法中参数设置 非局部均值一共有 3 个参数:相似窗 R(ni ) 的大小、搜索窗 S (ni ) 的大小、衰减参数 h 的取值。 这三个参数取值是相互影响,共同作用于 NL-means 的去噪效果:相思窗 R(ni ) 的取值决定使用多大 的窗口进行相似性度量,相似窗过小时大部分相似窗之间的欧氏距离相近,无法区分是否相似,过 大时计算复杂度过高;搜索窗 S (ni ) 的取值决定使用多大的窗口寻找相似窗, 搜索窗过小时可能找不 到足够的相似窗,过大时则计算复杂度过高,理论上,搜索窗为全图时去噪效果最好,但事实并非 这样,搜索窗过大反而会使去噪精度下降(欧氏距离度量相似性的原因) ;衰减参数 h 实际是一个阈 值的作用,当两个相似窗的欧式距离小于 h 时则判定为相似(占得权重 (n1 , n2 ) 较大) ,否则判定为 不相似 (占的权重 (n1 , n2 ) 较小) 。 因此, 增大相似窗 R(ni ) 的大小, 减小 h 的大小, 增大搜索窗 S (ni ) 的大小, 三者对 NL-means 去噪精度的提升可达到同样的效果。 前人大量实验得到三个参数的取值:

非局部均值图像去噪算法研究

非局部均值图像去噪算法研究

摘要 : 图像去噪一直都是计算机 图形处理和计算机视 觉中的一 个研 究热点, 中非局部化均值算 法是近年 来去噪 效果 出 色的算法 其 之一 , 是非局部 均值 算法容 易导致细节模糊 , 但 该文基 于指数加权函数的基础 上引进 了余 弦函数 , 出了一种改进的非局部均值 图 提
像去噪方法 , 通过 实验表明 , 该文的改进 算法比传统的算法更能保持 细节。 关键词 : 图像 处理 ; 非局部均值算法; 图像去噪 ; 高斯噪声
Ab t a t I g e o s g h sa y e n ah ti u n Co u e a h c a d Co u e s n No — o a M e n t o so e o sr c ma e d n i n a l i i wa sb e o s e i mp tr Gr p i n mp trVi o . s i n lcl a smeh d i n f
t e tpe o m i g e h swhih a o ete e hegr a r r n m t od f c r us r m ndo e e r h. m i g a hepr blm fb u st e al n org n on—l c lm e n l usr s ac . Ai n tt o e o l r he d ti i i i a n s l o a a sa—
中图分类号 : P 8 文献标识码 : 文章编号 :0 9 3 4 (0 22 — 4 8 0 T 13 A 10 - 042 1 )2 5 — 2
Th n c l e n n ii g Re e r h eNo Lo a a sDe o sn s a c M
LI uo—ya U Zh
I N 0 9 3 4 SS 1 0 - 0 4

一种改进的非局部均值图像去噪算法

一种改进的非局部均值图像去噪算法

一种改进的非局部均值图像去噪算法刘晓明,田 雨,何 徽,仲元红(重庆大学通信工程学院,重庆 400030)摘 要:传统非局部均值滤波算法中使用指数型加权核函数,容易导致图像细节因过度平滑而变得模糊。

为此,在指数型加权核函数的基础上,采用余弦系数加权的高斯核函数,设计一种改进的非局部均值图像去噪算法,并将其应用于加权系数计算中。

实验结果表明,该算法的去噪性能优于传统算法,且能更好地保留原图像的细节信息,峰值信噪比最大可以提升1.6 dB 。

关键词:图像处理;图像去噪;非局部均值;加权平均;高斯噪声;加权核函数Improved Non-local Means Algorithm for Image DenoisingLIU Xiao-ming, TIAN Yu, HE Hui, ZHONG Yuan-hong(College of Communication Engineering, Chongqing University, Chongqing 400030, China)【Abstract 】Aiming at the problem of the over-smoothness and blurs the details, which are caused by exponential kernel function used in original non-local means algorithm, this paper proposes a cosine Gaussian kernel function based on exponential kernel function and combined with a cosine coefficient and Gaussian kernel. It is used in the weight-computing of the improved algorithm. Experimental results show the algorithm has a superior denoising performance than the original one, especially with detail information in the image, and PSNR can be improved by 1.6 dB at most.【Key words 】image processing; image denoising; non-local means; weighted average; Gaussian noise; weighted kernel function DOI: 10.3969/j.issn.1000-3428.2012.04.065计 算 机 工 程Computer Engineering 第38卷 第4期 V ol.38 No.4 2012年2月February 2012·图形图像处理· 文章编号:1000—3428(2012)04—0199—03文献标识码:A中图分类号:TP3911 概述图像去噪是图像处理领域中最基础和广泛研究的热点问题。

一种用于图像去噪的非局部算法

一种用于图像去噪的非局部算法

一种用于图像去噪的非局部算法摘要我们提出了一种新的方法噪声方法来评估和比较数字图像去噪方法的性能。

我们首先计算和分析这种方法噪声的一大类去噪算法,即局部平滑滤波器。

其次,基于图像中所有像素的非局部平均,我们提出了一种新的算法- 非局部均值(NL-means)。

最后,我们介绍一些比较NL均值算法和局部平滑滤波器的实验。

1.介绍图像去噪方法的目标是从噪声测量中恢复原始图像,其中v(i)是观测值,u(i)是“真”值,n(i)是像素i处的噪声扰动。

模拟噪声对数字图像影响的最简单方法是添加高斯白噪声。

在那种情况下,n(i)是i.i.d. 具有零均值和方差σ2的高斯值。

已经提出了几种方法来消除噪音并恢复真实的图像。

尽管它们在工具上可能有很大不同,但必须强调的是,广泛的类别具有相同的基本评论:去噪是通过平均来实现的。

这种平均可以在本地进行:高斯平滑模型(Gabor [7]),各向异性过滤(Perona-Malik [11],Alvarez等人[1])和邻域过滤(Yaroslavsky [16],Smith 等人。

[14],Tomasi等人[15])通过变分计算:总变差最小化(Rudin-Osher-Fatemi [13])或频域中:经验维纳滤波器(Yaroslavsky [16] )和小波阈值法(Coiffman-Donoho [5,4])。

在形式上,我们定义了一个降噪方法Dh作为分解其中v是噪声图像,h是通常取决于噪声标准偏差的滤波参数。

理想情况下,Dhv比v更平滑,n(Dh,v)看起来像是白噪声的实现。

光滑部分与非光滑部分或振荡部分之间的图像分解是当前研究的主题(例如Osher等人[10])。

在[8]中,Y.Meyer研究了适合这种分解的功能空间。

后一个研究的主要范围不是去噪,因为振动部分包含噪音和纹理。

去噪方法不应改变原始图像u。

现在,大多数去噪方法会降低或消除u的细节和纹理。

为了更好地理解这种移除,我们将介绍和分析方法噪声。

一种改进权重的非局部均值图像去噪方法

一种改进权重的非局部均值图像去噪方法

一种改进权重的非局部均值图像去噪方法黄玲俐【期刊名称】《计算机技术与发展》【年(卷),期】2016(026)006【摘要】非局部均值( Non-Local Means,NLM)去噪采用图像邻域间的自相似性构造权重,进而达到图像恢复的效果。

文中对非局部均值去噪模型进行了介绍说明,尤其是对原始非局部均值去噪算法中的核函数—指数函数进行了描述,并且通过对几种新的加权核函数的分析说明,综合几种的优缺点,提出了一种新的加权核函数。

然后又对双边滤波算法进行了研究说明,借鉴双边滤波的优点,再结合之前提出的新的加权核函数,进而得到了一种改进的权重函数,提出了一种新的权重计算公式,得到了一种改进的非局部均值去噪算法。

通过对添加不同噪声水平的噪声图像进行实验,结果表明,与传统的非局部均值滤波算法相比,文中算法保护了恢复图像的边缘,突出了几何特征和纹理,去噪效果比原有算法有所提高,在去噪性能和结构信息上均有显著效果。

%The NLM denoising uses self-similarity of image between neighborhood to construct weight,thus to achieve the effect of image restoration. The non-local means denoising model is introduced in this paper,especially for the exponential function which is the kernel function in the original non-local means denoising algorithm. And through the analysis of several new weighted kernel function,integrat-ed the advantages and disadvantages of them,a new weighted kernel function is put forward. Then research on the bilateral filtering algo-rithm,reference of its advantages,and combined with new previous kernel function,animproved weighted function is obtained,proposing a new formula of weight,getting an improved non-local means denoising algorithm. The proposed method has been evaluated on testing images with various levels noise. Numerical results show that compared with the traditional non-local means algorithm, the improved method can protect the edges,highlight the geometry features and texture,make the denoising image become more clear and result in a better effect. The proposed method improves the denoising performance as well as the preservation of structure information.【总页数】4页(P16-19)【作者】黄玲俐【作者单位】电子科技大学数学科学学院,四川成都 611731【正文语种】中文【中图分类】TP301【相关文献】1.一种快速非局部均值图像去噪方法 [J], 伍世虔;杨超;蒋俊;曾良才2.一种基于多通道联合估计的非局部均值彩色图像去噪方法 [J], 王翔;干宗良;陈昌红;刘峰3.非局部均值的彩色图像去噪方法改进 [J], 张丽红;焦韶波4.一种快速非局部均值图像去噪方法 [J], 伍世虔;杨超;蒋俊;曾良才;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。

图像去噪的改进迭代非局部平均滤波方法

图像去噪的改进迭代非局部平均滤波方法

图像 处理 中图像 去噪是 人们一 直致力 于研究 的 问题 . 常 , 通 一个 较好 的去噪方 法应该 是在 去除噪声 的同 时又能较 好地保 留 图像 的原有 信息 以及对 比度 的清晰. 统 的图像去 噪方法 , 中值 滤波 、 传 如 高斯滤 波等 , 主要 是 将 图像 的高频 成份滤 除 , 以得 到的重构 图像细 节 以及 纹理 区域 比较模糊 . 所 偏微 分方程 ( D )1] P E [2以及总 变分[ ] - 3 的方 法近 些年 来 在数 学 图像 处理 中得 到 了广泛 应 用. 典 型 的为 最
21 0 0年 8 月 第 3 7卷 第 4期
西 安 电子 科 技 大 学 学 报 ( 自然 科 学 版 )
J0URNAL 0F XI AN UNI DI VER S TY I
Au . 0 0 g 2 1
V0 . 7 NO 4 13 .
图像 去 噪 的 改进 迭 代 非 局部 平 均滤 波 方 法
( c o l fS in e S h o ce c ,Xii n Un v. o d a i ,Xi n 7 0 7 ,C i a ’ 10 1 a hn )
Hale Waihona Puke Ab t a t An ie a i en n l c l a sf t rf ri g e o sn sp o o e .F rt e p o o e t o sr c : t r t o -o a v me n i e o l ma ed n ii g i r p s d o h r p s dme h d,
p o o e i r tv n n lc l r p s d t a i e o -o a me n fl r Nu rc l x mp e i u t a e h t h p o o e me h d e as ie. t me ia e a l s l s r t t a t e r p s d l to r mo e o s l wh l r s r i g i g d e n ie d t i . e v sn ie wel i p e e v n ma e e g s a d f e al e n s Ke o d : n n l c lme n i e ;weg t d a e a i g;d fu i n e u t n;i g e n ii g y W r s o - a a s f t r o l ih e v r g n i s q ai f o o ma e d s o sn

一种改进的非局部平均图像去噪算法

一种改进的非局部平均图像去噪算法

一种改进的非局部平均图像去噪算法许光宇;李玲【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)007【摘要】传统非局部平均NLM(Non-Local Means)图像去噪算法的像素相似性度量可靠性较差,其关键滤波参数选取与优化值偏差较大.针对上述问题,提出一种改进的NLM图像去噪算法.首先,滤除方法噪声中的噪声分量,保留有用图像信息;然后,联合去噪结果与处理后的方法噪声重新定义NLM算法的相似权函数,更好地利用原图像的信息;最后,采用噪声标准差二次函数的方式设置滤波参数,相比于传统的线性正比方式选取参数,这种选取方式在不同噪声强度下均能获得较优的参数值.对几个标准测试图像的去噪结果表明,提出的改进NLM算法获得了较好的去噪效果,优于相比较的其他几种方法.%The pixel similarity measure of the traditional NLM image denoising algorithm is less reliable, and its key filter parameter selection and optimization value deviation is larger.Aiming at the above problems, an improved NLM image denoising algorithm is proposed.First, noise component in method noise is filtered, meanwhile preserving useful image information.Secondly, combined denoising result and the processed method noise, it is redefined the similarity function of the NLM algorithm to make better use of the original image information.Finally, the filter parameters are set by the noise standard deviation quadraticpared with the traditional linear proportional mode, the selection method can obtain better parameter values under different noiseintensity.The denoising results of several standard test images show that the improved NLM algorithm achieves better denoising effect, which is superior to the comparison method.【总页数】6页(P149-153,197)【作者】许光宇;李玲【作者单位】安徽理工大学计算机科学与工程学院安徽淮南 232001;安徽理工大学计算机科学与工程学院安徽淮南 232001【正文语种】中文【中图分类】TP391【相关文献】1.图像去噪的改进迭代非局部平均滤波方法 [J], 冯象初;郝彬彬;朱见广2.一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.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.渐近非局部平均图像去噪算法 [J], 邢笑笑;王海龙;李健;张选德因版权原因,仅展示原文概要,查看原文内容请购买。

一种改进权重的非局部均值图像去噪算法

一种改进权重的非局部均值图像去噪算法

关键词 :图像去噪 ; 1 F 局 部均值 ;高斯噪声 ;加权平 均 ; 相关 系数
中图分类号 : T P 3 9 l ; T N 9 1 1 . 7 3 文献标识码 : A 国家标准学科分 类代码 : 5 2 0 . 6 0 4 0
I mp r o v e d we i g h t e d n o n - l o c a l me a n a l g o r i t h m il f t e r f o r i ma g e d e n o i s i n g
相似性, 将其廊用到图像邻域灰度矩阵 的相似性度量 l , 更好地利用了网像邻域间的相似性质。通过对添加不 噪声水
平的噪声 陶像 进, 7 7 N试 , 实验结 果表明 , 与传统 的非局部均值 滤波 算法 相 比, 所 提 …的算 法在 去噪性 能 I 尤其 是结 构信 息
保持 I 均有 显著提高 。
第2 8 卷 第3 期

电子测星 与仪器学报
1 0U R NA L O F E L E CT RO NI C ME A S U R E ME NT A N D I NS T RU ME NT A T I O N
f . 2 8 No . 3
3 3 4.
2 0 l 4年 3月
w i t h c o r r e l a t i o n c o e f i c i e n t i s p r o p o s e d t o d e s c r i b e t h e s i mi l a r i t y b e t we e n t h e i ma g e p a t c h e s we l 1 . F h e p r o p o s e d me t h o d h a s h e e n e v a l u a t e d o n t e s t i n g i ma g e s wi t h v a r i o u s l e v e l s n o i s e .C o mp a r e d t o t h e t r a d i t i o n a l n o n — l o c a l me a n s

非局部均值的彩色图像去噪方法改进

非局部均值的彩色图像去噪方法改进

非局部均值的彩色图像去噪方法改进张丽红;焦韶波【摘要】Gaussian weights Euclidean distance between pixel blocks with a high degree of similarity in the neighborhood is calculated to estimate current pixel value in fast non-local means algorithm,which achieves good results in the low-frequency part of the image,but loses partial edge information in the high-frequency part of the image because similarity between pixel blocks cannot be reflected by Gaussian weights Euclidean distance effectively. In order to retain more information in the high-frequency part of the image, a new weighting function is constructed,in which feature similarity color index composed of phasecongruency,gradient and chrominance infor-mation is introduced into Gaussian weights Euclidean distance of fast non-local means algorithm and a denoising method is proposed based on it. Similarity between pixel blocks is computed by this new weighting function. Thus the estimated points are acquired with all pixels in three channels of color image filtering with block-by-block and averaged to obtain the entire filtered image. The experimental results show that compared with fast non-local means algorithm,it has improved the PSNR,FSIMC and retained more detail.%快速非局部均值算法利用像素邻域内具有高相似度的像素块之间的高斯加权欧氏距离来估计当前像素值,对于低频图像部分可取得较好的效果,而对于图像的高频部分,因计算获得的高斯加权欧氏距离不能很好地反映图像块间的相似性,会导致图像部分边缘信息的丢失.为了保留图像中更多的高频信息,在快速非局部均值算法中高斯加权欧氏距离的基础上,引入由相位一致性、梯度及色度特征组成的彩色图像特征相似(FSIMC)指数,提出并构建了基于一种新权重函数的去噪算法.该算法利用新的权重函数计算图像块与图像块之间的相似性,分别对RGB三通道内图像中所有的像素点进行逐块滤波得到估计值,只要平均这些估计值就得到去噪后的整幅图像.实验结果表明,相对于快速非局部均值算法,所提出的算法在PSNR和FSIMC方面均有提高,同时也保留了图像更多的细节信息.【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)010【总页数】4页(P39-42)【关键词】非局部均值算法;彩色图像去噪;彩色图像特征相似指数;权重函数【作者】张丽红;焦韶波【作者单位】山西大学物理电子工程学院,山西太原030006;山西大学物理电子工程学院,山西太原030006【正文语种】中文【中图分类】TP301图像是人类获取信息、表达信息和传递信息的重要手段。

一种改进的非局部均值图像去噪算法

一种改进的非局部均值图像去噪算法

起效率低下, 在噪声增大时去噪精度明显下降。快速非局部均值滤波 (Fast Non-Local Means , FNLM) 虽然提高了 算法的效率, 但去噪效果没有明显改善, 在噪声增大时去噪效果仍不理想。针对该问题, 提出一种新的非局部均值 滤波算法, 算法将 Turky 型函数与指数型相结合, 提出一种新的指数 -Turky 型权值核函数, 替代原 NLM 算法和 FNLM 算法中的指数型核函数, 同时综合了结构相似性 (Structural Similarity , SSIM) 和欧氏距离来衡量图像邻域间的 相似性, 从而使得权值的选取更加合理, 有效排除图像中不相似邻域的干扰, 提高了算法的去噪性能。通过对添加 不同噪声水平的高斯噪声图像进行实验, 结果表明提出的算法在去噪性能上与 NLM 和 FNLM 相比有较大提高, 尤 其对于噪声较大的图像效果更为显著, 在去噪效率上与 NLM 相比有明显提高, 与 FNLM 算法的时间复杂度相当, 时 耗接近略有降低。 关键词: 图像去噪 ; 非局部均值滤波 ; 积分图 ; Turky 函数 ; 结构相似性 文献标志码: A 中图分类号: TP391.41 doi: 10.3778/j.issn.1002-8331.1612-0472
192
2017, 53 (18)
Computer Engin 计算机工程与应用
一种改进的非局部均值图像去噪算法
祝严刚, 张桂梅
ZHU Yangang, ZHANG Guimei
南昌航空大学 江西省图像处理与模式识别重点实验室, 南昌 330063 Key Laboratory of Jiangxi Province for Image Processing and Pattern Recognition, Nanchang Hangkong University, Nanchang 330063, China ZHU Yangang, ZHANG Guimei. Improved Non- Local Means denoising algorithm. Computer Engineering and Applications, 2017, 53 (18) : 192-198. Abstract:Non-Local Means(NLM)algorithm has good characteristic for removing noise and preserving image details. But the algorithm is time consuming and the accuracy decreases significantly with the increase of noise. Fast Non-Local Means(FNLM)algorithm speeds up operation and reduces time cost, but the performance of denoising has not improved when noise increased. Aiming at the problem, this paper proposes a novel non-local means denoising method. A new exponential-Turky kernel function is put forward by combining Turky function and exponential function, which subsitutes the original exponential kernel function in both NLM algorithm and FNLM algorithm. Furthermore, both the Structure Similarity(SSIM)and Euclidean distance are introduced to measure the similarity between image neighborhood, which make the selection of weight more reasonable, and eliminate the interference of the neighborhood with dissimmilar structure in the image, as a result, the performance of denoising is approved. The experiments carried out with images in database by adding different level of Gaussian noise, the results demonstrate that the proposed method improves denoising capacity greatly, especially for image with large noise. Additionly, the efficiency of proposed method is enhanced obviously against NLM algorithm, and the time complexity is equal to FNLM algorithm and time consumption is close to FNLM algorithm too. Key words: image denoising; non-local means; integral images; Turky function; structure similarity 摘 要: 非局部均值滤波算法 (Non-Local Means , NLM) 有良好的去噪效果, 且能保持图像细节。但其复杂度过高引

基于马氏距离的改进非局部均值图像去噪算法

基于马氏距离的改进非局部均值图像去噪算法

基于马氏距离的改进非局部均值图像去噪算法第一章:引言- 研究背景与意义- 相关研究现状- 本文研究内容和目的第二章:相关理论知识- 非局部均值去噪算法原理及其缺陷- 马氏距离概念及应用- L0范数正则化在图像去噪中的应用第三章:算法设计与改进- 马氏距离在非局部均值去噪中的应用- L0范数正则化与马氏距离相结合的改进算法- 算法流程图第四章:实验与分析- 数据集介绍- 实验环境设置- 实验结果分析及对比- 实验结果分析第五章:总结与展望- 研究成果总结- 存在的不足和改进方向- 研究展望及未来工作附录:参考文献第一章:引言近年来,图像去噪技术一直是计算机视觉领域的研究热点。

由于图像噪声使得图像质量下降,因此去噪技术可以有效地提高图像的质量和可读性。

在图像去噪领域,非局部均值算法是一种广泛应用的方法,该算法利用了图像的重复性和自相似性来去除噪声,然而其本身仍存在一些缺陷,如去噪效果较差、卡顿等问题。

本文针对非局部均值图像去噪算法的不足之处进行了研究,提出了基于马氏距离的改进算法,并对其进行了实验和分析。

第一节介绍了本文的背景和研究意义。

计算机视觉领域中图像去噪一直是一个重要的研究方向。

随着图像采集设备的不断提高,图像噪声越来越严重,去噪技术的需求也越来越迫切。

其中非局部均值算法是一种获得广泛应用的方法,它可以利用图像中的自相似信息进行噪声抑制。

但由于其计算量大、去噪效果差等缺陷,因此需要对其进行改进。

第二节介绍了本文的相关研究现状。

当前,在图像去噪领域已经有了很多算法,如小波变换去噪、自适应去噪、局部二维线性度量去噪等等。

针对非局部均值去噪算法存在的问题,已有学者提出了多种改进方法,如加权非局部均值去噪、结合L0范数正则化的非局部均值去噪等等。

这些改进方法有效提高了非局部均值去噪算法的性能。

第三节介绍了本文的研究内容和目的。

本文旨在解决非局部均值去噪算法存在的问题,提出一种基于马氏距离的改进算法,通过结合L0范数正则化技术和马氏距离的概念来提高算法的去噪效果和运行效率。

非局部均值NLM进行图像去噪

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。

基于改进非局部均值的红外图像混合噪声去除方法

基于改进非局部均值的红外图像混合噪声去除方法
3. University of Chinese Academy of Sciences, Beijing 100049, China; 4. Key Laboratory of Opto-electronic Information Processing, Chinese Academy of Sciences, Shenyang 110016, China;
Infrared image mixed noise removal method based on improved NL-means
Li Fangzhou1,2,3,4,5, Zhao Yaohong1,2,4,5*, Xiang Wei1,2,4,5, Liu Haizheng1,2,4,5
(1. Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, ቤተ መጻሕፍቲ ባይዱhina; 2. Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences, Shenyang 110016, China;
收 稿 日 期 :2018-11-01 ; 修 订 日 期 :2018-12-14 基 金 项 目 : 装 备 预 研 领 域 基 金 (61404150203) 作 者 简 介 : 李 方 舟 (1993-) , 男 , 硕 士 生 , 主 要 从 事 红 外 图 像 处 理 等 方 面 的 研 究 。 Email:lifangzhou@ 导 师 简 介 : 赵 耀 宏 (1979-) , 男 , 研 究 员 , 硕 士 生 导 师 , 博 士 , 主 要 从 事 图 像 处 理 等 方 面 的 研 究 。 Email:zhaoyaohong@

改进的非局部均值图像去噪算法

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。

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

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。

结合高阶微分的非局部均值图像去噪算法

结合高阶微分的非局部均值图像去噪算法

结合高阶微分的非局部均值图像去噪算法彭扬【摘要】非局部均值算法是近年来去噪效果优秀并且引起广泛研究的算法,但是该算法对于弱纹理,弱边缘不能很好地保持。

在非局部均值算法的基础上,利用高阶微分可以很好地反映图像的弱边界和振荡等特征的特点,改进了非局部均值算法。

改进的算法能够在去噪的同时保留更多的细节、纹理和弱边缘。

%Non-local Means algorithm is a very effective and widely studied algorithm, but it cannot maintain the texture and weak edges of image very well. By using the characteristics of high order differential which can reflect the weak boundary and oscillation characteristics of image well, we improve theNon-local Means algorithm. The improved algorithm cannot only remove noise, but also keep more details, textures and weak edge.【期刊名称】《计算机系统应用》【年(卷),期】2014(000)001【总页数】5页(P119-123)【关键词】图像去噪;非局部均值;Hessian矩阵;高阶微分;特征方向【作者】彭扬【作者单位】重庆大学数学与统计学院,重庆 401331【正文语种】中文1 系统概述图像去噪是图像分割、图像边缘检测、图像匹配的预处理过程,因此图像去噪是图像处理中的一个重要组成部分.通常一幅图像可表示为:i为像素点,()v i为观察到的图像,()u i是真实的图像,()n i代表噪声分布.为了去除噪声,找到真实图像u,人们提出了很多方法.尽管他们在实现方法上有各自的差异,但是都遵循着一个主要的思想:利用平均思想来达到去噪目的.常见的算法包括各种自适应中值滤波算法、小波阈值算法、各向异性扩散方程算法、总变分最小化算法、非局部均值滤波算法,等等.其中,非局部均值算法(Non-local Means,NLM)[1]起源于邻域滤波算法[2],邻域滤波算法的思想是:根据像素点邻域灰度值的相似性,对当前像素点进行重新估计.NLM 算法是对邻域滤波算法的一种推广,NLM 算法不是对图像的单个像素灰度值和其他像素点灰度值作对比得到,而是对像素点周围整个区域的灰度值整体作对比,根据灰度分布的相似性决定权重,灰度分布结构越相似,权重越大,相反,则权重小.NLM算法虽然有很好的去噪性能,但是由于该算法采用的指数型加权核函数只利用了图像灰度信息,对图像大的邻域特征,如振荡、线间断等不能很好地刻画,导致图像在细节和纹理处容易因过度平滑变得模糊.近年来许多研究者提出了改进的NLM 算法[3-6],文献[7]指出高阶微分可以很好地反映图像的弱边界和振荡等特征.通过以上分析对非局部均值算法进行了改进,给出结合高阶微分的非局部均值算法.实验表明,新的非局部均值算法在去噪的同时,能很好的保持图像细节,纹理及弱边界.2 非局部均值算法(NLM)NLM 去噪算法[1]的基本思想是:当前像素点的估计由与当前像素点所在区域灰度结构相似的所有区域加权平均得到.给定一幅离散的图像v={v(i)|i∈I},I表示图像的像素集合.NLM算法表达式如下:权重定义如下:其中为归一化常数,使得权值w介于0和1之间,且满足(i,j)=1.式中ij为像素和所在邻域N(i)和N(j)基于灰度级的高斯加权欧氏距离,a为高斯加权方差,由邻域窗口大小决定.参数 h的取值与图像中的噪声强度成正比,取为hλσ=,其中σ为噪声的标准差,一般取为0.8~1.5之间.依据算法原理,像素邻域及其搜索范围应是整幅图像,但是在整幅图像中计算执行效率较低.为了提高计算效率,我们在实际执行时,选择了两个窗口,一个是像素邻域窗口K×K,也就是说N(i)和N(j)是K×K的,一个是像素搜索范围的窗口L×L,即在L×L大小的区域里面选择K×K的区域进行滑动,根据区域灰度结构相似性确定区域中心像素灰度的贡献权值.实验中发现,NLM 虽然有很好的去噪效果,但是由于图像中的纹理,弱边缘灰度分布“相似块”与邻域的平滑区域差别不大,所以图像的纹理,弱边缘容易在求均值的过程中被模糊掉.文献[7]提到,高阶微分能够较好的反映图像的震荡部分和弱边界,它强调图像中灰度的突变及灰度缓慢变化的区域,考虑到这一点,我们采用对纹理,弱边界能较好反映的图像灰度二阶微分改进NLM去噪算法.3 结合高阶微分的非局部均值算法设H为关于Iσ的Hessian矩阵,则定义:其中Iσ为图像 I的高斯滤波图像,σ为高斯滤波器的方差,使得微分对尺度小于σ的噪声不敏感.求出Hρ的两个正交的单位特征向量ϖ,ν其中ϖ,ν对应的特征值为Hρ也可以看作是关于图像的二阶张量,我们选取μ1对应的特征向量ϖ为垂直于图像边缘和纹理的方向,与ϖ垂直的向量v为图像特征的方向,μ1和μ2分别表示在这两个方向上震荡程度的大小.我们用特征值相减u=μ1-μ2来度量图像I在某点的震荡和灰度突变等特征[8].需要指出的是,本文使用二阶 sobel算子计算微分.下面用一组图来说明 u在图像平滑区域,边界和纹理区域的不同特征:图1 u图像特征从图 1可以看出,在图像的平滑区域,0u≈,在震荡或者边界区域,0u≥.说明Hessian 矩阵可以很好的刻画图像中的边界,特别是纹理特征.非局部均值算法在去噪的过程中,容易模糊掉部分纹理、细节和弱边缘.由前面分析可知,灰度二阶微分能够很好地刻画图像纹理,弱边界等特征,所以本文提出了结合高阶微分的非局部均值算法.为了避免值与图像灰度差别过大,影响其在算法中的作用,我们定义函数其中,M取图像灰度的最大值.函数U(x,y)将u的取值调整到[1,1+M]之间.改进的NLM算法离散形式如下:本文在NLM算法中引入二阶微分,使得NLM算法在求“相似块”权重时,不仅考虑了灰度值,而且考虑了灰度的二阶微分,即图像的震荡,线间断,孤立点等特征.因此提出的算法在灰度结构相同的情况下,能够让具有相同震荡特征的局部块具有更高的权重,所以对当前像素块的估计更加准确.实验表明,改进的算法能够在去噪的同时,保留更多的图像细节、纹理和弱边界.4 实验结果对本文算法进行仿真实验,并与NLM算法进行比较.程序用matlab7.4编写,实验中参数L=5,K=2.实验一图 2(a)是一幅带高斯噪声的熊猫图片.由于二阶微分对纹理和弱边缘敏感,使得图2(c)比图 2(b)保留了更多的毛发,而且熊猫的眼珠也保留了下来,如图中框出的部分所示.本实验说明相比NLM算法,改进的算法能够保留更多图像的弱细节信息.图2 细节保持对比(10h=)实验二图 3(a)是一幅既包括噪声又含有细节的图像,对于这类图像的去噪是很困难的.从图3(b)可以看出,在图像平滑的过程中,羽毛的纹理几乎已经被平滑掉.图3(c)在去噪后,仍然能保留鸟身上、尾巴上羽毛条纹的层次.本实验说明改进的算法比 NLM 算法保留了更多的纹理.图3 纹理保持对比(20h=)实验三这是一幅医学图像,由于二阶微分对于弱边缘更加敏感,由图4(b)和(c),可以看出在图上方边界处,图4(b)的边界已经有些模糊,而图 4(c)边界却很清晰.同时,4(c)保留了更多原图像的细节,出现了更多的细纹理.从实验三可以看出,提出的模型可以很好的保持图像弱边缘.图4 弱边界保持效果对比(20h=)实验四这是一幅含纹理信息较多的图片.由图5(c),(d)和表1可知,对比传统的NLM算法,本文提出的算法在去噪过程中不仅保留了图像的细节、纹理等信息,而且具有较高的峰值信噪比.图5 去噪效果对比(20h=)表1 峰值信噪比(PSNR)对比模型噪声图像 NLM算法本文算法PSNR(dB) 21.29 28.55 28.62实验五从图6(c),(d)可以看出,本文提出的算法在去噪的同时保留了更多石头的细节,并由表 2可知,本文算法具有较高的峰值信噪比.进一步表明本文提出的算法具有较好的去噪性能.图6 去噪效果对比(20h=)表2 峰值信噪比(PSNR)对比模型噪声图像 NLM算法本文算法PSNR(dB) 22.08 28.59 28.665 结语利用二阶微分改进 NLM 算法中的权重,本文提出了一个新的非局部均值算法.实验表明,相对于传统的 NLM 算法,本文算法不仅能有效去除图像噪声,而且能更好地保持图像的细节、纹理、弱边缘等重要特征.参考文献【相关文献】1 Buades A,Coll B,Morel JM.A non-local algorithm for image puter Vision and Pattern Recognition,2005,2(2):60-65.2 Yaroslavsky L.Digital Picture Processing- An Introduction.Springer Verlag,Berlin,1985.3 Lou Y,Zhang X,Osher S,Bertozzi A.Image recovery via nonlocal operators.Journal of Scientific Computing,2010,42(2):185-197.4 Ji Z,Chen Q,Sun Q,Xia D.A moment-based nonlocal- means algorithm for image rmation Processing Letters,2009,109(23-24):1238-1244.5 Gilboa G,Osher S.Nonlocal linear image regularization and supervised segmentation.Multiscale Modeling and Simulation,2007,6(2):595-630.6 Wang S,Xia Y,Liu Q,Luo J,Zhu Y,Feng DD.Gabor feature based nonlocal means filter for textured image denoising.Journal of Visual Communication and Image Representation,2012,23(7):1008-1018.7 Carmona RA,Zhong S.Adaptive smoothing respecting feature directions.IEEE Trans.on Image Processing,1998,7(3):353-358.8 喻罡,张红梅,卞正中,郭佑民.一种改进的一致性扩散图像增强方法.电子与信息学报,2005,27(9):1408-1411.。

改进权重函数的非局部均值图像去噪算法

改进权重函数的非局部均值图像去噪算法

改进权重函数的非局部均值图像去噪算法张娜;刘辉;尚振宏;邹滨益【摘要】经典非局部均值去噪算法在度量邻域结构特征相似性上对于旋转和平移情况下不够灵活.为此,提出一种基于归一化转动惯量的非局部均值图像去噪算法.利用归一化转动惯量作为相似权重的一部分来调节相似性度量.实验结果表明,与原始非局部均值去噪算法相比,该算法能够更好地保持图像的细节结构信息,提高峰值信噪比和结构相似度,特别当噪声强度增大时,峰值信噪比最大提高1.03 dB,结构相似度最大提高0.04.%In order to solve inflexible rotation and translation in measuring neighborhood similarity for structural characteristics in Non-local Means(NLM)denoising method,this paper presents the NLM image denoising algorithm based on Normalized Moment of Inertia(NMI).The normalized moment of inertia as a part of the similar weight is proposed to balance neighborhood patches' similarity.Experimental results show that compared with the original nonlocal mean denoising algorithm,this algorithm can keep the detail of the image structure information preferably,and can improve the Peak Signal to Noise Ratio(PSNR)and structural similarity.Especially,when the noise intensity increases,the algorithm improves the PSNR by 1.03 dB and the structure similarity index by 0.04.【期刊名称】《计算机工程》【年(卷),期】2016(042)012【总页数】8页(P254-261)【关键词】非局部均值;去噪;相似性度量;噪声图像;归一化【作者】张娜;刘辉;尚振宏;邹滨益【作者单位】昆明理工大学信息工程与自动化学院,昆明 650500;昆明理工大学信息工程与自动化学院,昆明 650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明 650500【正文语种】中文【中图分类】TP391数字图像经过获取、传输、接收等处理阶段会不可避免地产生一些噪声,这不仅影响图像本身视觉效果,也会影响图像质量评价因子[1]。

  1. 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. 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. 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)。

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。

其应用领域也越来越广泛,从最初的与成像有关的个别领域已经发展到现代工业、农业、军事、医学等涉及到国民经济和社会生活的几乎所有领域。

而目前,大多数的数字图像系统中,输入光图像都是通过扫描方式将多维图像变成一维电信号,再对其进行存储、处理和传输等,最后形成多维图像信号。

在这一系列复杂过程中,图像数字化设备、电气系统和外界影响将不可避免地产生图像噪声。

因此数字图像去噪算法的研究意义重大。

学界里面提出了很多的噪声去除算法以期尽可能真实地还原原始真实图像u 。

虽然他们在具体的算法实现上面有着各自的差异,但是他们无不例外地都遵循着一条内含的主线:利用某些点集的颜色值做平均得到一些去噪系数来求得新的颜色值。

除去一些经典去噪算法,近期讨论较多的有基于整体变分法的去噪模型,基于偏微分方程和非线性滤波算法的去噪模型,频域去噪算法,及非局部均值图像去噪算法。

本文针对非局部均值算法的不足提出两方面的改进:1.通过预选择象素点对原算法加速,减低其算法复杂度;2.通过提出去噪参数选取算法求得自适应每个图像特点的最优去噪参数。

非局部均值去噪算法的确在去噪效果上面有着良好的表现,但是我们知道要完成不同象素点之间的相似度计算以及搜索会耗费非常大的计算机时间。

同时,去噪参数的选取也对最后噪声去除的效果有着极大的影响。

因为非局部均值去噪算法更大程度上是依赖每个图像自身的特点来进行去噪。

因此对每个图像自身的最优参数选取非常的关键。

下面我们从计算复杂度和自适应选取2 第十四届全国图象图形学学术会议每个图像的最优去噪参数两方面,对原非局部均值去噪算法提出改进。

2 预选择象素点加速算法对其算法复杂度进行分析,便知道非局部均值去噪算法的时间复杂度相当地大。

我们假设算法中的相似窗大小为2(21)f +,我们把对相似窗的搜索局限于一个大小为2(21)s +的“搜索窗 ”中。

设原图像大小为2N ,则算法总的复杂度为222((21)(21))O N f s ⨯+⨯+我们在很多的实验中取3,10f s ==,所以总的时间复杂度为2(49441)O N ⨯⨯,对于一幅512512⨯的图像,大概在一台普通PC 上要运行30秒,如果用Matlab 编程则可能更慢一点。

针对非局部均值算法时间复杂度庞大的缺点我们提出预选象素加速处理改进。

我们在实际的计算中,我们可以只是找那些有最大(,)w i j 的j 点,而没必要计算搜索所有的象素点与待去噪点i 的邻域的Euclidean 距离。

因此,我们需要有一些先验知识,从而将那些预计计算出来的(,)w i j 比较小的那些j 点排除掉,这样可以达到加速的效果。

而这个预处理的设计基于如下的设想:由式子222||()()||1(,),()i j v N v N h w i j e Z i --=我们可知(,)w i j 的取值决定于i 点邻域和j 点邻域的距离,即他们之间的相似程度。

为了进行加速, 我们要取比较大的(,)w i j ,而不去计算小的那些(,)w i j 值。

所以我们可以事先取得比较相似的i 点邻域和j 点邻域。

而刻画相似程度我们可以取一个近似:首先计算整幅图像每个点周围的相似窗口内元素的局部均值和局部标准差记为该点的一个相似度指标,记为((),(()))i i I N Var I N 。

加入噪声15σ=的图像, 局部均值()i I N , 局部标准差(())i Var I N图1 Fig.1为了去除噪声造成的影响,我们把那些()i I N 和(())i Var I N 均很接近的点近似当成与待去噪点i 最为相似的点,从而只是计算他们之间的权重。

这里可以由下式表示:222||()()||221212(())1(), (,)()(())()0, otherwise i j v N vN i h j Var I N I Ni e if and w i j Z i Var I N I Nj μμσσ--⎧⎪<<<<=⎨⎪⎩3自适应选取最优去噪参数权重函数222||()()||1(,)()i j v N v N h w i j e Z i --=中参数h 控制了对噪声的平滑程度。

当h 比较大,(,)w i j 比较大,所以最后的加权平均效果会使得去噪部分比较光滑。

而如果h 比较小的话,幂函数的衰减效果比较显著,所以在各自的搜索区域内,其细节保留程度比较高,因此会保持图像本身的细节信息。

因此如何自适应的根据每个待去噪区域的特点选择一个最优的参数h ,对最后非局部均值算法去噪效果至为关键。

在Buade [5、6]的著作中他们取的h 值为10σ到15σ之间的值,但是每幅图像对应不同的最佳h 值,我们下面通过对图像进行具体考察,建立一个自适应的参数选取算法来求得最优参数。

首先我们知道h 值与邻域窗的大小||i N ,图像原来的噪声方差2σ满足一定的关系,我们可以假设其关系满足22(,||,)i h f N σβ=,其中β是一个常数。

直观上来讲,随着我们搜索相似窗||i N 的增大,必然也导致对应的22||()()||i j v N v N - 增大。

因此h 值也应该相应的增加。

同样的,当h 比较大,(,)w i j 比较大,平滑效果比较好。

而 如果h 比较小的话,细节保留程度比较高, 因此会保持图像本身的细节信息。

所以假如原图像的噪声方差2σ比较大,我们则需要一个比较大的h 去平滑噪声;假如原图像的噪声方差2σ比较小,我们则需要一个比较小的h 去保留细节。

所以直观上h 与||i N 和2σ满足同样的增减关系,我们构造其函数关系为222||i h N βσ=。

β可以看作是一个手动控制参数, 我们在实验分析那节再详细地考察它的值与去噪效果的关系。

对于任意一幅知道噪声方差2σ的图像,我们只需代入以上的函数便可以求得去噪参数h 。

但是因为一般来说,对于一幅输入的图像, 我们很多情况都不知道它的噪声3 邓志全等:改进的非局部均值图像去躁算法方差。

因此我们做一个估计,来考察一下图像原来的噪声方差2σ计算。

我们假设图像的噪声为高斯加性白噪声,我们利用一种近似算法,通过估计每个象素点的伪残差来近似图像的噪声方差2σ。

每个象素点i 的伪残差可以通过下式求得:1()()4ii j P I i I j ε∈⎫=-⎪⎭∑,其中i P 是象素点i域保证22[]i E εσ=。

因此,噪声σ可以用如下的式子来估计:221||i i II σε∈=∑,其中||I 为整幅图像的大小。

4 实验结果分析在自适应选取最优去噪参数算法中,我们要确定其中关于手动控制参数 β的值与去噪效果的关系。

用实验来确定其最优值 。

我们在不同的噪声程度下面对Einstein 头像图片进行去噪,其中输入不同的控制参数β,得到相应的峰值信噪比PSNR 的数值并将其绘图, 我们可以看到, 对不同的噪声程度,控制参数β在数值1.1左右有较好的实验结果,因此我们在实际的应用中, 取控制参数β为1.1。

另外我们也考察了不同大小的相似窗和搜索窗,在不同的噪声程度下,最后取得的去噪效果的PSNR 值。

可以看到,当相似窗大小2(21)f +中的f 取为4,即9×9的时候,对于不同的噪声程度,最后的去噪效果都有最大的PSNR 值。

相关文档
最新文档