改进权值非局部均值超声图像去噪

目的 超声图像斑点噪声会影响诊断的准确性和可靠性。通过分析超声图像斑点噪声统计模型,结合非局部均值滤波算法,提出一种基于超声斑点噪声模型的改进权值非局部均值（NLM）滤波算法。方法 算法针对超声图像灰度信息对图像进行预处理,利用超声图像斑点噪声模型改进传统NLM算法的权值计算函数,基于图像特征确定最优采样间隔进行下采样,利用改进后的权值计算函数对图像进行NLM去噪处理。结果 分别采用人工合成与真实超声图像对本文算法性能进行测试,并与传统非局部均值滤波算法、非局部总变分（NLTV）等算法进行去噪效果比较,同时采用均方误差、峰值信噪比和平均结构相似性作为滤波算法性能的客观评价指标。本文算法能快速完成超声图像的去噪处理,峰值信噪比较其他算法可以提高0.2 dB以上,可以降低均方误差,提高平均结构相似性,缩短处理时间,并得到较好的图像质量和视觉效果。结论 根据超声图像斑点噪声模型对NLM算法的权值计算函数进行优化,使得NLM图像滤波算法能更好地适用于超声图像的去噪,基于超声斑点噪声模型的改进权值NLM算法相较于其他算法,滤波效果更佳,适合超声图像去噪。     

一种改进的非局部平均图像去噪算法

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。     

基于区域划分的非局部均值图像去噪算法的改进

为改善非局部均值(Non-Local Means,NLM)算法的去噪性能,解决NLM算法参数分配以及去噪后图像边缘模糊等问题,对基于区域划分的非局部均值图像去噪算法进行了改进。通过Canny边缘检测算子和形态学膨胀处理对图像进行区域划分,对划分后的不同区域进行参数的调整,并对欧氏距离和权重函数进行改进,提升NLM算法的去噪性能,使去噪后的图像保留更多的细节纹理信息。实验结果表明,该算法相比于传统的NLM去噪算法、参数自适应的NLM算法以及基于转动惯量的改进权重函数的NLM算法,有着更好的峰值信噪比和结构相似度值。     

改进权值函数的非局部均值去噪算法

针对非局部均值图像去噪算法在边缘处权值的不合理性,结合双边滤波算法,改进了权值函数。分析了空域中各种去噪算法中权重计算方法,指出非局部均值算法中权重计算方法不能区分边缘两边图像块对边缘处图像块的差异。为了度量这种差异,本文算法借鉴双边滤波思想,强调图像块中心像素地位,改进了权重函数。大量去噪实验结果表明,本文算法去噪后的PSNR值比经典NLM算法有较大改进,比最新改进NLM算法也有一定提高。     

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。     

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。     

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.     

广义非局部均值算法的图像去噪

NLM (non-local means)滤波成为图像去噪关注的热点.该方法利用在图像中的结构特征冗余,对消除白噪声的效果较好,但对有色噪声效果不理想.对其作了改进,引入广义高斯分布模型以及马氏距离来取代欧氏距离,并且将其推广到图像序列的去噪领域中.结果表明,相较于NLM方法,该方法能够较好地抑制有色噪声,明显地改善了去除噪声效果,在保留图像纹理边缘的同时,有效地去除了图像中的噪声信息.     

一种改进的非局部均值图像去噪算法

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。     

一种2D-VMD与NLM结合的芯片图像去噪算法研究

为了提高智能电表芯片图像的字符识别精度,需要消除芯片图像中的噪声,以减小干扰;文章提出了一种基于二维变分模态分解算法(2D-VMD)与非局部均值(NLM)滤波的芯片图像去噪算法;首先利用2D-VMD将含有噪声信号的芯片图像分解为K个模态分量;然后根据提出的结构相似(SSIM)阈值设置方法确定噪声分量并将其去除,使用剩余的有效分量重构图像;最后通过非局部均值滤波算法对重构后的图像进行处理,进一步滤除残余噪声,达到二次去噪的效果;实验结果表明,相比传统的图像去噪算法,提出的算法能在较好保留原始芯片图像的字符信息的基础上,去除不相关的噪声干扰,使去噪后的芯片图像的均方误差值变小,峰值信噪比增大,提高芯片图像质量.