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。     

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。     

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。     

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。     

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。     

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.     

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。     

无监督多重非局部融合的图像去噪方法

非局部均值去噪(Non-local means,NLM)算法利用图像的自相似性,取得了很好的去噪效果.然而,NLM算法对图像中不相似的邻域块分配了过大的权重,此外算法的搜索窗大小和滤波参数等通常是固定的且无法根据图像内容的变化做出自适应的调整.针对上述问题,本文提出一种无监督多重非局部融合(Unsupervised m...     

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。     

邻域加窗的非局部均值CT成像去噪方法

为了进一步提高CT图像的质量以利于工业CT图像后处理,对CT成像过程中高斯噪声的去除方法进行了研究。针对NLM算法的不足,提出了一种基于邻域加窗的非局部均值CT成像去噪方法。主要是对CT投影图像数据采用非局部均值技术中相似性计算不准确的问题进行改进,在计算相似性权值时加上高斯窗函数。与其他去噪方法进行对比实验。实验结果表明：采用了邻域加窗非局部均值去噪方法,比其他的去噪方法效果更好。基本满足在CT成像去噪的同时更好地保留工件的细节信息的要求。     

基于改进NLM的PCB图像去噪算法

针对工业生产中的PCB图像边缘信息缺失且携带有大量噪声,现有去噪算法效果不佳、计算量庞大、复杂度高等问题,提出了一种基于改进NLM的PCB图像去噪算法,旨在提高PCB图像的去噪质量.首先,采用基于形态学的权重自适应算法对PCB图像进行图像增强,使PCB图像保留较好的边缘信息;其次,引入特征匹配模型对增强后的PCB图像与原始PCB图像进行特征点匹配融合;最后,通过改进NLM算法的权重值对PCB图像进行去噪,得到最终的去噪图像.实验结果显示,与现有算法相比,所提算法更好地保留了PCB图像的边缘信息,去噪效果佳,显著改善了图像质量,增强了图像的鲁棒性,且提高了计算速度,降低了算法复杂度.     

基于改进的非局部均值去噪算法

非局部均值(Non-Local Means,NLM)利用图像块之间灰度值的欧式距离确定权重,距离越小权重越大。不过,这种权重计算方法忽略了图像块之间的结构相似性。为解决这个问题,提出了一种结合图像结构信息的非局部均值去噪方法。该方法同时利用图像块之间的灰度距离、结构相似性来确定权重。实验结果表明该方法在PSNR、SSIM标准下均优于NLM及其一些改进算法。     

一种利用局部块相似均值去噪的方法

非局部平均（NLM）是一种基于图像块之间相似性的加权平均去噪算法,对高斯噪声具有很好的抑制作用,但是在平滑区域的去噪效果并不是很好。从相似块的搜索区域和相似性度量函数两个方面对NLM算法进行了分析,指出其在平滑区域容易产生极值点的原因。提出了一种结合图像块特征的阈值方法,用于消除搜索区域中的无关图像块,提高了图像相似结构的利用率。实验表明,新算法对光滑区域和细微结构的去噪能力要优于NLM算法。     

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。     

椭圆窗口和参数自适应的非局部均值算法

对于传统的非局部均值(NLM)算法,方形搜索窗口会将大量低相似度的图像块引入去噪图像的加权平均计算过程中,导致去噪图像的细节轮廓变得模糊.针对此问题,提出了利用控制核函数来获取椭圆窗口和图像块参数的自适应NLM算法.首先,根据图像的局部梯度信息和结构张量获得可描述图像局部边缘结构的椭圆方程,并由此确定搜索窗口的形状,从而将搜索窗口的搜索范围限制在与图像局部结构相一致的区域内;然后采用控制核函数获得和搜索窗口形状一致的椭圆形图像块,并结合平滑参数自适应的思想进一步增强算法效果.通过在不同噪声等级的经典灰度图中进行实验,实验结果表明,该算法相比于传统NLM算法和参数自适应的NLM算法,在客观的图像评价指标上,有着更高的PSNR和SSIM值;而在主观视觉上,随着噪声等级的提升,该算法在抑制噪声的同时,能够更好地保留住图像的高频纹理信息.     

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.     

基于随机采样的快速非局域均值图像去噪算法

在图像去噪的过程中,针对非局域均值滤波(NLM,non-local mean)去噪方法中存在的运算效率低下问题,提出了一种改进的快速去噪算法.首先,基于蒙特卡罗重要性采样思想,采用Metropolis方法在搜索窗口中对图像的像素点进行随机采样,取代NLM算法在搜索窗口中逐一像素遍历进行加权平均的方法,从而实现了加速.其次,算法在实现加速的过程中一般会影响去噪效果,为了仍保持较好的去噪效果,提出一种改进的权重函数.最后,进行了对比实验,对实验结果从峰值信噪比、运行时间及与原无噪声图像的相似度三个方面进行分析,结果表明,本方法在保持较高信噪比的基础上,处理时间只有标准NLM算法的1/3左右.