基于小波包变换的非局部均值去噪方法

在非局部均值滤波的基础上,为了更有效地去除图像噪声,提出一种基于小波包变换的非局部均值去噪算法。首先对图像进行小波包变换,通过小波域系数估计图像的高斯噪声参数,然后计算经小波包分解后高频子带内小波系数的相似度,并以此作为权值来对小波系数进行调整,最后通过小波包逆变换对图像进行重建。实验结果表明与传统的非局部均值去噪算法相比较,该算法能在去噪的同时有效地保持图像的边缘细节等信息,取得更好的去噪效果。     

煤矿视频监控图像的改进非局部均值滤波算法

针对井下光线较差、粉尘大而导致视频监控图像清晰度不佳的问题,提出了一种改进非局部均值滤波算法。首先采用Log边缘检测算子对图像进行边缘提取,获得边缘和非边缘图像;然后分别从相似图像块获取方法以及权重值计算方法2个方面对非局部均值滤波算法进行改进,用于去除非边缘图像中的噪声点;最后将边缘图像与滤波后的非边缘图像进行融合。分别采用该算法与中值滤波算法、均值滤波算法、非局部均值滤波算法对现场采集的图像进行测试,结果表明该算法的图像处理效果明显优于其他算法。     

基于梯度特征的双核非局部均值去噪算法

针对传统非局部均值（NLM）滤波算法中邻域间相似性计算易受噪声干扰的问题，提出了一种基于梯度特征的双核非局部均值滤波算法。通过图像块之间的欧氏距离及梯度特征度量邻域间相似性，采用双核函数代替传统指数核函数计算相似性权值，并通过衡量搜索区域中的邻域块与当前像素邻域的相似程度，对像素点的权值进行重分配，在此基础上，重估像素点去噪值并得到滤波图像。实验结果表明，提出的滤波算法与传统的NLM滤波算法及分别含有高斯核和正弦核的改进NLM滤波算法相比，可以更准确地反映邻域间的相似度，保存图像的细节及边缘信息，从而有效提升图像的去噪效果。     

基于图像分割的非局部均值去噪算法

针对传统非局部均值（NLM）算法的滤波参数非自适应及去噪后边缘易模糊的缺点,提出一种基于图像分割的非局部均值去噪算法。该算法分为两个阶段：第一阶段根据噪声大小及图像纹理自适应确定滤波参数的值,并采用传统非局部均值算法得到去噪结果图;第二阶段根据像素点方差的不同,将该去噪结果图分为细节区域和背景区域,再对属于不同区域的图像块分别去噪,同时为了更有效地去除噪声,还采用了反向投影的方式,充分利用了第一阶段方法噪声中残留的结构信息。实验结果表明,与传统非局部均值算法及其三种改进算法相比,所提算法的峰值信噪比（PSNR）及结构相似性（SSIM）更高,纹理细节和边缘结构更完整,图像更清晰,本真信息保留更完整。     

一种基于优化参数的非局部均值滤波算法

针对非局部均值滤波算法中难以找到一个全局最优的滤波参数h的问题,给出一种新的该参数的优化方法,并将其应用于传统非局部均值滤波算法的改进。首先基于SUSAN算法提取噪声图像的边缘信息,然后在大量实验的基础上,利用线性回归和非线性回归分析方法建立h与边缘信息、噪声方差之间的优化模型。最后,将基于该优化模型的非局部均值算法应用于多幅图像的去噪处理中。实验结果表明,新算法改善了传统非局部均值算法的去噪性能,取得了良好的滤波效果。     

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.     

混合鲁棒权重和改进方法噪声的两级非局部均值去噪

传统非局部均值去噪算法采用指数型函数计算相似性权重,不能准确反映图像块之间的相似性;现有两级非局部均值去噪算法对方法噪声的获取以及方法噪声中所含信息的利用不够充分。针对上述问题,提出一种混合鲁棒权重和改进方法噪声的两级非局部均值去噪算法。首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造新的方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和改进的方法噪声应用到两级非局部均值去噪方法中。实验结果表明,该算法既能准确地反映图像块之间的相似性,也能充分利用方法噪声的信息,且在去噪性能与结构细节保持能力方面均优于传统算法。     

混合相似性权重的非局部均值去噪算法

针对传统非局部均值(NLM)滤波在噪声标准差较大时,加权欧氏距离不能真实反映邻域块相似度的问题,提出一种新的混合相似性权重的非局部均值去噪算法。首先,利用平稳小波变换的特点对噪声图像进行分解,并利用滤波函数对细节子带进行预去噪处理;然后,根据预去噪图像计算块间相似性参考因子,并使用其替换传统NLM算法中高斯核函数;最后,为使相似性权重更符合人眼视觉系统(HVS)特点,使用基于图像结构感知的块奇异值分解(SVD)方法定义邻域间相似性度量,与传统NLM算法相比能更为真实地反映邻域间相似度。实验结果表明,混合相似性权重的非局部均值去噪算法较传统NLM算法在视觉上能更好地保留纹理细节及边缘信息,而且结构相似度(SSIM)指标较传统NLM算法也有一定提高,在噪声标准差较大情况下具有有效性和鲁棒性。     

改进型Q-NLM算法在医学图像去噪中的应用

将像素离群度与传统非局部均值算法相结合提出一种改进型的非局部均值滤波Q-NLM算法,针对传统非局部均值算法不适应脉冲噪声去噪的问题,提出了像素离群度Q的概念,像素离群度Q值用于判断原像素与脉冲噪声的相似度,依据像素离群度Q值划分像素区域,调整不同区域阈值且引入中值滤波去除脉冲噪声点,进一步降低医学图片中混合噪声对滤波的影响。仿真实验结果显示,这种结合离群度与非局部均值算法在去除混合噪声的情况下,能较好提高图像信噪比,有效保留CT图像细节。     

基于超像素分割的非局部均值去噪方法

针对非局部均值(NLM)去噪算法在变化丰富的纹理区域采用平移窗口的方法选择相似块的不足进行了研究,提出一种基于超像素分割的非局部均值去噪算法。该方法充分考虑非局部均值去噪算法中相似性对噪声去除的影响,利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点,在超像素分割块基础上优化纹理区域相似窗口的选择策略,提高图像块与中心像素块之间的相似性,从而达到提升非局部均值算法的去噪水平、边缘纹理不被模糊的目的。在多幅经典自然图像上的实验结果表明,该方法能够有效的去除图像中包含的噪声信息,相比于传统的非局部均值方法,保留了更多的纹理信息。