频域小波矩的非局部均值图像去噪

非局部均值滤波是一种典型的图像去噪技术.然而该算法只定义了平移不变性,没有考虑方向和图像块的尺度问题,进而影响了去噪的效果.为了有效地去除噪声,获得细节清晰的图像,对非局部均值(NL-Means)滤波算法进行了改进,提出一种在非下采样小波域中基于小波矩的非局部均值图像去噪方法.小波矩具有较强旋转不变性,具有更好的抗噪声能力.因此利用小波矩与非局部均值相结合的方法,能够得到更多具有较高相似性的像素或图像块.实验结果表明,该算法不仅能有效地去除噪声,而且能保持图像的边缘信息,获得比传统的非局部均值更好的去噪效果.     

基于马氏距离的改进非局部均值图像去噪算法

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h进行分析,得到噪声方差与滤波参数h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.     

快速非局部均值图像去噪算法

智能手机等移动设备受电池续航及计算能力的限制,在面向图像/视频处理应用时需要进行特定的算法设计和优化.为此提出一种快速的非局部均值图像去噪算法.首先利用像素点权值计算的对称性原理减少像素权值的计算量;然后根据实验确定的优化步长对图像进行下采样,并利用权重公式和双线性插值算法分别对采样点和非采样点的权值进行计算;最后应用NEON指令对部分C语言代码进行汇编级优化.实验结果表明,与传统非局部均值图像去噪算法相比,该算法在轻微图像质量损失的情况下大幅减少了图像的去噪时间,能够满足手机等移动终端上的实时图像处理要求.     

基于图像亮度局部约束的总变分图像去噪法

为了解决总变分图像去噪方法易产生虚假边缘这一不足,结合总变分理论和图像亮度局部约束的优点,提出了一种新的图像去噪方法。在总变分图像去噪的数值求解过程中,利用局部均值和局部方差对迭代过程中所获得的结果进行局部约束。实验结果表明,本文方法具有良好的图像去噪能力,在高噪声水平下,其峰值信噪比(Peak signal-noise ratio,PSNR)至少提高了1dB左右,图像视觉效果也有了很大改善。     

NSCT域分类预处理的改进非局部均值去噪算法

针对图像去噪领域非局部均值算法存在着计算量过高、复原图像过于平滑等问题,提出一种基于非下采样轮廓波变换(NSCT)域系数分类预处理的改进型非局部均值去噪算法.首先利用NSCT获得图像的高频系数,通过模糊支持向量机将系数分为无噪和含噪2类,只保留含噪系数进行后续非局部均值处理,降低整体算法的计算复杂度;然后利用极谐波变换分解系数取代传统非局部均值中的像素值参与相似度计算,使得计算过程对方向改变具有更好的抵抗能力;最后引入改进双平方函数作为相似度计算的核函数,可以更加符合极谐变换分解系数间的残差特性,使相似度计算得到的权重值更加精确.在标准灰度图像和遥感图像上的实验结果表明,与经典的去噪算法相比,该算法提高了计算速度,拥有更好的边缘和结构保持能力,整体去噪效果也得到了显著的提高.     

片相似性各项异性扩散图像去噪

提出了一种基于片相似性的各项异性扩散图像去噪方法.传统的各项异性图像去噪方法都是基于单个像素点的灰度相似性(或梯度信息),不能很好地保持弱梯度边缘和纹理等细节信息.基于片相似性的非局部图像去噪方法由于利用了邻域像素的灰度相似性,而能够很好地保持纹理等细节信息.将片相似性思想引入到各项异性扩散中,利用片相似性构造扩散函数,同时将片相似性各项异性扩散模型扩展到彩色图像的去噪.实验结果表明,提出的改进方法能很好地保持纹理等细节信息,不存在各项异性扩散普遍存在的明显的阶梯效应,同时比非局部图像去噪方法速度快.医学图像去噪实例也表明所提出方法具有很好的应用前景.     

多模图像联合非局部滤波快速算法

提出一种新的基于非局部均值的多模图像滤波方法。在该方法中,对于噪声图像 滤波采用非局部均值方法,其中对于噪声图像块之间灰度相似测度权重由另一幅图像引导计算。 实验结果表明,该方法比基于局部的图像去噪方法如双边滤波算法有更好地去噪效果。通过构 造联合积分图像对提出算法进行加速,与原始算法相比其显著提速两个数量级,加速算法的复 杂度不受滤波器大小影响,易于在并行系统中实现。     

利用无参考图像内容量度优化非局部均值去噪方法的参数

目的 非局部均值NLM（non-local means）方法是一种有效的数字图像去噪方法。然而,在实际去噪过程中,非局部均值的衰减参数通常是固定的而且无法随着图像的变化而作适应性的调整。为了使非局部均值方法更加有效, 提出一种将适用于多种噪声分布的无参考图像内容量度（表示为Q）引入NLM的迭代方法,来优化固定的衰减参数。方法 首先,针对普通图像的去噪,利用量度Q来测量每一次调整衰减参数后所对应的去噪结果的图像质量,凭借该迭代机制找到Q的最大值,从而获得最优的图像去噪结果;其次,将该量度用于MRI（magnetic resonance imaging）图像的去噪,利用Q来度量图像所含结构信息（如纹理和边缘）,进而调整用于MRI图像去噪的无偏非局部均值法的衰减参数。结果 实验结果显示,本文方法提升了去噪结果的峰值信噪比（PSNR）,并且本文方法的去噪结果在视觉上看起来比用传统方法得到的结果更清晰。结论 利用无参考图像内容量度Q来优化NLM方法的衰减参数,使得NLM方法能够针对不同的图像自适应地调整衰减参数以取得最优的去噪效果。实验结果表明用图像内容量度Q来优化非局部均值法的参数是有效的。     

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。     

基于多尺度相似先验的非局部图像去噪算法

图像去噪是图像处理领域的一个基础研究课题,利用正则化建模方式解决图像去噪问题的关键在于正则化约束项的选择。通过分析图像结构信息,文章假定图像存在多尺度的结构特征,提出了以多尺度相似先验作为正则化约束项的非局部图像去噪模型。该算法利用奇异值分解和硬阈值方法对获得的多尺度相似矩阵进行协同去噪,通过数值实验表明,可以获得性能较好的去噪效果。