非局部均值滤波

Gaussian noise image
3x3meanfilter image
NLM filter image
3x3meanfilter image
NLM filter image
• 基于积分图像的快速NLM
• 假设图像共N个像素点，搜索窗大小定义为D，邻域
窗口大小定义为d，计算每个矩形邻域间相似度的时
2 间为 O(d ) ,对于每个像素点要计算他的搜索窗内 D 2
个像素点的相似度，故NL_Mean filter的复杂度为
O( ND2d 2 )
• 对图像整体处理，原图像与平移 t y x [ Ds, Ds] 后的 图像的欧氏距离为：
Circuit 原始图像
加入椒盐噪声图像
3X3均值滤波后的图像
NLM滤波后的图像
Circuit 原始图像
加入高斯噪声图像
3X3均值滤波后的图像
NLM滤波后的图像
非局部均值去噪法存在的问题
• • • • • 相似性度量缺乏鲁棒性 高斯加权核各向同性性质影响 非相似像素块影响 运算量大 加权核系数选择
• 此时对于N个像素点的图像，搜索窗大小为D，计 算NL_Mean filter的复杂度为 O( ND2 )
• 积分图像算法的缺点：
• 它不直接允许的计算使用一个内核K加权范数,如 高斯。 • 当图像尺寸以及补丁距离很大, 积分图像的一些值 可能变得很大,即使使用双精度表示，最终结果的 准确性可能下降。
• 基于快速傅里叶变换的NLM加速算法 • 给出距离为t的两个相似区域的2范数的离散卷积 形式：
v( x) v( x t )
2 2, K

~
{ zZ : z d s }
2

K ( z ) v( x z ) v x t z
2 2
K * st
其中 K ( z ) K ( z )
图1. 不同噪声强度下不同平滑参数h滤波效果
• 表2. NLM 滤波优先参数选择参考

[0,7] [7,9] [9,19] [20,28] [28,47] [47,70]
ds
1 1 1 2 3 3
Ds
3 4 5 6 7 8
h
1.5 1.4 1.3 1.1 1.0 1.0
[70,87]
3
8
1.0
Original image
~
, *表示卷积算子， st v( x) v( x t )
2 2
• 卷计算法可以用傅里叶变换求解。将上式做快速 二维傅里叶变换得到：
v( x) v( x t )
2 2, K
~ F F( K )F( st )
1
表1. 原始算法与使用FFT加速算法计算时间比较 （单位：秒） 128X128 原始算法计算时间 FFT计算时间 提高倍数 130.54 10.11 12.91 256X256 667.87 44.77 14.92 512X512 2743.24 183.12 14.98
图像去噪技术
பைடு நூலகம்
图像噪声

图像噪声：图像在摄取时或传输时所受到 的随机干扰信号。
椒盐噪声

图像噪声
高斯噪声
泊松噪声
图像去噪的基本方法
空间域： 均值滤波、高斯滤波、形态学滤波、局 部滤波和非局部滤波等

频域： 维纳滤波 和小波阈值收缩等
均值滤波
—— 原理
• 在图像上，对待处理的像素给定一个模板，
st v( x) v( x t )
Sdt ( x)
2 2
• 如果我们先构造一个关于像素差值的积分图像：
{ z ( z1 , z2 )N 2 :0 z1 x1 ,0 z2 x2 }

st ( z), x ( x1, x2 )
• 上式在实际操作中可表达为：
x ( x1 , x2 ) , x1 1, x2 1, Sdt ( x) st ( x) Sdt ( x1 1, x2 ) Sdt ( x1, x2 1)
u(i)
v(i)
n(i)
v(i) u(i) n(i)
我们规定v( Ni ) 为以i为中心的矩形邻域，那 么图像v中的像素i和像素j的相似性系数 w(i, j ) 为：
w(i, j ) exp(
|| v( Ni ) v( N j ) || h
2
2 2,
)
w (P,P1) = 7.6567e-04 w(P,P2) = 1.4334e-11
25.256
47.807 30.656 50.857 46.361 61.543
30.946
44.227 32.080 41.044 27.969 37.584
36.1940 34.300
35.330 31.336 30.923 29.134 27.142
34.532
32.944 29.358 28.685 23.565 23.434
pout 原始图像
h=10 滤波后图像
h=20 h=2 滤波后图像 滤波后图像
• 表1. 去噪结果后PSNR比较

10 20 40
原始图像
噪声图像
n
0.8
NLM filter 1.4 36.384 32.382 32.058 29.296 28.139 2
Mean filter
pout
Circuit pout Circuit pout Circuit
Sdt ( x1 1, x2 1)
• 那么对于不同区域的欧式距离可以写为：
v( x) v( y )
2 2, d
1 2 [ Sd t ( x1 d s , x2 d s ) Sd t ( x1 d s , x2 d s ) d
Sdt ( x1 ds , x2 ds ) Sdt ( x1 ds , x2 ds )]
该模板包括了其周围的邻近像素。将模板中
的全体像素的均值来替代原来的像素值的方
法。



非局部均值（NL-means）是近年来提出的 一项新型的去噪技术。该方法充分利用了图 像中的冗余信息，在去噪的同时能最大程度 地保持图像的细节特征。 特点：算法简洁，性能优越，易于改进和扩 展 基本思想是：当前像素的估计值由图像中与 它具有相似邻域结构的像素加权平均得到。