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...     

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。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

双边非局部均值滤波图像去噪算法

为提高图像去噪的视觉效果,本文根据自然图像通常包含较多的重复性结构这一现象,以及双边滤波器的在图像去噪中所具有的优点,提出了一种新的基于双边滤波与非局部均值（ NLM）的图像去噪算法。利用NLM思想对当前的像素灰度值进行估计。过程中,不仅考虑到了当前像素的灰度值对预测结果的影响,而且考虑到了当前像素的位置与周围像素位置之间的关系,构建了非局部邻域内的位置系数来对预测结果进行约束,最后考虑到非局部邻域内同质像素的相似性,设计了双边NLM滤波器。实验结果表明：本文算法比双边滤波算法运行时间快了0.114 s、峰值信噪比（ PSNR）提高了0.9、图像相似度（ MSSIM）提高了0.181,图像保真度（ VIF）提高了0.2147。本文提出的方法能够更好地保留图片信息的完整性,提高了图像的亮度和图像纹理的清晰度。     

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.     

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。     

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。     

Efficient non-local means denoising for image sequences with dimensionality reduction

The aim of this paper is to improve both accuracy and computational efficiency of non-local means video (NLMV) denoising algorithm. A technique of principal component analysis (PCA) is used to reduce the heavy dimensionality of patches. A pre-processing step of shot boundary detection is used to split the video sequence into different shots having content-wise similar frames. Further PCA is computed globally for these shots. To speed-up the denoising process, weights are computed in reduced subspace. In the proposed method, we modify the original histogram difference (HD) technique such that content-wise similar frames are separated more systematically and accurately. We have achieved improvement with respect to accuracy and computational speed compared to standard NLM. Moreover, qualitative and quantitative comparisons show that the proposed method is consistently superior compared to that of NLM and some of its variants.

     

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。     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

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。     

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。     

Multispectral image denoising with optimized vector non-local mean filter

Nowadays, many applications rely on images of high quality to ensure good performance in conducting their tasks. However, noise goes against this objective as it is an unavoidable issue in most applications. Therefore, it is essential to develop techniques to attenuate the impact of noise, while maintaining the integrity of relevant information in images. We propose in this work to extend the application of the Non-Local Means filter (NLM) to the vector case and apply it for denoising multispectral images. The objective is to benefit from the additional information brought by multispectral imaging systems. The NLM filter exploits the redundancy of information in an image to remove noise. A restored pixel is a weighted average of all pixels in the image. In our contribution, we propose an optimization framework where we dynamically fine tune the NLM filter parameters and attenuate its computational complexity by considering only pixels which are most similar to each other in computing a restored pixel. Filter parameters are optimized using Stein's Unbiased Risk Estimator (SURE) rather than using ad hoc means. Experiments have been conducted on multispectral images corrupted with additive white Gaussian noise. PSNR and similarity comparison with other approaches are provided to illustrate the efficiency of our approach in terms of both denoising performance and computation complexity.     

渐近非局部平均图像去噪算法

非局部平均去噪算法(Non-local means denoising algorithm, NLM)是图像处理领域具有里程碑意义的算法, NLM的提出开启了影响深远的非局部方法. 本文从以下两个方面来重新探讨非局部平均算法: 1) 针对NLM算法运算复杂度高的问题, 基于互相关(Cross-correlation, CC)和快速傅里叶变换(Fast Fourier transformation, FFT)构造了一种快速算法; 2) NLM在滤除噪声的同时会模糊图像结构信息, 在强噪声条件下更是如此. 针对这一问题, 提出了一种渐近非局部平均图像去噪算法, 该算法利用方差的性质来控制滤波参数. 数值实验表明, 快速算法较之经典算法, 在标准参数配置下运行速度可提高27倍左右; 渐近非局部平均图像去噪算法较之经典非局部平均图像去噪算法, 去噪效果显著改善.     

基于小波阈值的非局部均值去噪

非局部均值去噪算法充分利用了图像的全局信息,因此比传统的局部去噪算法有着更好的去噪效果。但是,非局部均值去噪算法计算时间复杂度较高,故利用小波阈值的方法对其进行改进,改进后使用非局部均值处理的数据量大幅减小。实验表明,改进后的算法比非局部均值算法去噪效果基本持平,且运行速度更快。     

DCT子空间的非局部均值去噪算法

在整个图像块像素灰度值向量空间中,非局部均值( nonlocal means,NLM)算法度量像素间的相似性不仅计算复杂度高,而且当噪声存在时还不能准确地计算出像素间的相似性权重值,影响了对图像冗余性质的利用,使得去噪结果图像对比度和清晰度低.针对NLM算法的这一缺陷,利用离散余弦变换(discrete cosine transform,DCT)的低数据相关性和高能量紧致性,将DCT与NLM算法相结合,对图像块进行DCT,并在DCT低频系数子空间内度量像素间的相似性.实验结果表明,与NLM算法相比,该方法能够在保护图像结构信息、对比度和清晰度的前提下更有效地去除噪声,峰值信噪比值一般可以提高1 dB以上,运行时间不到NLM算法的1/10.     

引入纹理相似性的纺织品图像增强

纺织品图像增强能够突出其纹理特性,便于纺织品的人工检测和机器视觉检测。提出一种在非局部均值滤波(NLM)框架下的纺织品图像纹理增强方法。纺织品图像具有规则周期的纹理,存在大量的冗余信息,NLM可利用这一特性来增强图像的纹理信息。但由于纺织品图像结构复杂且存在噪声,导致在NLM中相似性的度量不够准确。为解决这一问题,通过采用主分量分析(PCA)将纺织品图像分解为图像信息分量和噪声分量,并去除各分量间的相关性,来提高纺织品纹理间相似性度量的准确性。实验结果表明,本文方法比现有的纺织品图像纹理增强方法的增强效果有显著提高。     

基于联合滤波的聚类稀疏表示图像去噪算法

针对非局部均值去噪算法中噪声对结构聚类影响的问题,提出了一种基于联合滤波预处理的聚类稀疏表示图像去噪算法。利用维纳滤波和巴特沃斯滤波联合滤波处理提取含噪图像中的高频分量,同时减小了噪声对聚类的影响;利用非局部均值去噪的思想将高频图像块进行聚类,每一类图像块单独进行字典学习,增强字典的自适应性;利用多循环字典更新的K-SVD算法进行类内字典学习,增强字典的描述能力。实验结果表明,与传统的K-SVD算法相比,该算法能有效保留图像的结构信息,并且提升了图像的去噪效果。     

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.     

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.