基于梯度方向的非局部均值图像去噪算法

传统非局部均值去噪算法忽略了像素点邻域灰度值之间的差异,导致图像边缘模糊及细节丢失.因此,利用两个像素点邻域之间的梯度方向在添加噪声前后仍具有相似性的特点,提出一种基于梯度方向的非局部均值图像去噪算法.首先,对含有噪声的图像进行高斯滤波预处理;其次,充分利用区域的梯度信息和邻域块之间的灰度值共同确定权重,对邻域块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,相比传统的非局部均值算法,本文算法可保留更多的图像细节信息,得到更优的去噪性能.     

基于差分曲率的非局部均值图像降噪算法

传统非局部均值滤波算法忽略了图像块之间的结构相似性,造成搜寻相似像素不充分,使得一些图像细节被滤除.因此,利用差分曲率对图像边缘和斜坡等结构信息的良好检测性能,提出了一种基于差分曲率的非局部均值降噪算法.该方法充分利用图像块之间灰度值和差分曲率的欧氏距离共同确定权重,对图像块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,与传统的非局部均值降噪算法相比,新算法能有效地保持图像边缘细节等信息,改善了传统非局部均值算法的去噪性能,取得了良好的降噪效果.     

基于改进权重非局部均值图像滤波方法与实现

图像滤波是计算机图像处理领域中极为重要的预处理环节,目的是消除混杂在图像中的干扰因素,改善图像质量,强化图像表现特征。在传统非局部均值滤波算法基础上,提出了基于改进权重的非局部均值图像滤波算法,以欧式距离高斯加权为基础,配以图像之间的自相似性,在图像领域灰度值的矩阵间使用,充分地将图形领域间的自相似性发挥出来。实验结果表明,基于改进权重的非局部均值图像去噪算法比传统的非局部均值去噪算法保持更有效的图像结构信息。     

基于余弦相似度的非局部均值滤波方法

为了解决非局部均值滤波(N L M)中会出现过度滤波,模糊了边缘结构信息等问题,提出了一种基于余弦相似度非局部均值滤波方法.该方法用余弦相似度改进非局部均值滤波中子块相似度的度量,能利用结构信息,对图像边缘结构信息进行更好的保持,同时可以减少图像明暗程度对去噪效果的影响.通过多个典型图像和不同的滤波参数h的实验表明,该算法与经典非局部均值滤波算法、基于积分图像的非局部均值滤波算法、Adaptive Wavelet Thresh?old算法、2VAR-BMWP-MAP算法、减小斑点扩散算法相比,实验结果表明:该算法能在有效去除噪声的同时更好保持边缘结构信息.另外,针对少有图像评价指标能在反映图像去噪程度的同时反映去噪算法的细节保持程度,在方法噪声的基础上提出了一种新的图像去噪评价指标,定义为方法噪声差(C B).结论表明:方法噪声差的确能反应去噪程度的同时反应图像细节的保持程度,且比误差的均方差(M S E)更符合人的主观视觉感受.     

基于非局部均值算法的图像去噪方法研究

针对图像中存在的噪声问题,利用非局部均值算法去除图像噪声,通过图像自身的冗余性和领域相似性,增强图像的几何空间结构信息,进而得到了较好的去噪效果。实验结果表明,在信噪比方面,非局部均值算法优于中值滤波算法。     

基于引导核聚类的非局部均值图像去噪算法

为改善非局部均值(NLM)算法对不规则纹理图像的去噪效果,提出了一种基于引导核聚类和自适应搜索窗的NLM图像去噪算法。首先使用基于引导核的模糊C均值(FCM)聚类算法对相似窗进行预筛选,划分其类别;然后根据相似窗的类别计算每个像素点对应的搜索窗大小,保证相似性较高的相似窗数量;最后分别对每一类进行自适应搜索窗的NLM图像去噪。实验结果表明:与基于Zernike矩、基于主邻域字典(PND)、基于均值方差预筛选等3种NLM改进算法相比,该NLM改进算法对强噪声污染或不规则纹理的图像,其去噪效果更为有效,并更好地保持了图像的纹理、边缘,在峰值信噪比(PSNR)和结构相似性测度(SSIM)等客观定量评价指标上优于其他NLM改进算法。     

基于余弦高斯核函数的非局部均值煤尘图像去噪

煤尘是引发煤矿事故的主要诱因,煤尘颗粒的分类测量对煤尘浓度的在线检测至关重要。近几年,颗粒图像分析处理技术的应用越来越广泛,但是煤矿井下环境复杂,煤尘图像在采集和传输的过程中,不可避免的会受到噪声的干扰,对后续的颗粒检测产生影响。因此,煤尘颗粒图像的去噪处理就显得十分重要。非局部均值去噪算法(Non-Local Means,NLM)在图像去噪方面效果显著,但是对于经典NLM,使用指数函数作为核函数会造成图像细节的缺失。为了改进这一缺陷,本文采用余弦加权的高斯核函数对传统的非局部均值算法进行改进,能够更好的保留去噪后图像的细节。通过实验结果表明,该算法的去噪性能明显优于经典NLM算法,能更好地保留煤尘图像中的细节信息。     

跨模态空域自适应联合均值滤波器

非局部均值滤波器通过欧氏距离来衡量非局部区域内像素块之间的相似性,取得了较好的去噪效果. 但其对局部性考虑不足,易导致一些非周期性的有用细节在图像去噪过程中被光滑掉. 针对此问题,引入空域局部、非局部联合自适应方法,对原滤波器进行改进; 同时,考虑到多模态图像在实际中的应用愈加广泛,将所设计滤波器推广至跨模态场景,得到了跨模态空域自适应联合均值滤波器. 经典图像实验的主观视觉效果与客观的量化指标均表明,所设计的滤波器较原算法取得了更好的滤波性能.     

联合双边滤波和非局部滤波的图像去噪算法

针对非局部滤波去噪算法计算复杂度高的问题,提出联合双边滤波和非局部滤波的图像去噪算法。分析非局部滤波和双边滤波的各自优势,根据边界点和平滑区域的滤波系数,确定利用半局部均值滤波对图像边界去噪,平滑部分用双边滤波去噪。实验结果表明,该算法在保证去噪性能的同时,提高了计算速度,降低了计算复杂度。     

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对MRI图像中的莱斯( Rician)噪声直接采用高斯白噪声去噪算法仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行的实验结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对直接采用高斯白噪声去噪算法去除MRI图像中的莱斯(Rician)噪声仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行实验,其结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。       

微生物图像的非局部主成分分析稀疏泊松去噪

针对微生物显微图像去噪,提出一种基于图像稀疏块表示和字典学习的泊松去噪算法。根据微生物图像内在相关性进行分块处理,采用Poisson K-均值法对图像块进行聚类;运用主成分分析法实现非局部稀疏字典表示,完成簇内去噪;经融合重建,获得完整去噪图像。结果表明:通过稀疏块表示和字典学习直接对泊松噪声去噪,可减少噪声模型转换误差;改进的分块和聚类方法可提高去噪图像的信噪比;与其他去噪算法对比,本文算法不仅取得更好的去噪效果,且可改善去噪后图像模糊现象,最大程度地保留图像细节信息。     

基于非局部正则化的乘性噪声去除模型及Split-Bregman算法

针对全变分去噪模型会模糊图像边缘和纹理部分的问题,提出一种改进的去除乘性噪声的非局部正则化模型,并利用Split-Bregman算法进行求解。对观测图像取对数变换,将乘性噪声转化为加性噪声,利用全变分思想,以非局部TV范数作为正则项,通过图像区域与区域的灰度相似性来确定权重系数,进而更好地保持图像的纹理结构;在模型中加入紧凑项来保证去噪图像的紧凑性。对模型求解并进行数值仿真实验,结果表明:改进的去除乘性噪声的非局部正则化模型能够去除图像噪声且较好地保持其纹理部分。     

高阶非局部变分模型

为了更好地描述图像的非局部结构并抑制噪声,通过定义新的权函数,提出了一个高阶非局部变分模型.理论分析和实验结果表明,相比于非局部平均去噪算子和非局部变分模型,提出的高阶非局部变分模型在去噪结果上有更高的信噪比和更好的视觉效果． 因此,新模型保持了非局部变分模型的优点,同时能够更好地保留图像特征．     

L1范数约束的非局部均值正则图像去模糊模型

为了保护图像边缘、细节等信息,建立了l₁范数约束的非局部均值正则模型.首先通过实验证明了非局部均值去噪算法余项的概率密度函数具有较强的拖尾性质,符合Laplace分布的特点.基于此,使用l₁范数约束的非局部均值去噪算法余项作为新的正则项,提出了新的正则模型.然后利用Bregman算子分裂算法求解得到相应的优化算法,并且可将新算法看成Plug-and-Play Priors算法的推广.实验结果表明,新模型在去除模糊,保护图像边缘、细节等信息方面的性能都优于l₂范数约束的非局部均值正则模型和Plug-and-Play Priors模型.     

选择性计算的快速非局部均值图像去噪

针对非局部均值(NLM)图像去噪算法度量像素间的相似性计算强度高的问题,提出了一种选择性计算的快速NLM去噪方法。在图像块像素灰度值向量空间距离计算时,利用L2范数逐次消元法,只需在图像积分图上通过少量加法运算即可剔除大量相似性低的像素点,有效地减少计算强度。根据图像空间相关性强的特点,提出了基于patch测地线距离的动态调整搜索区域的方法。实验结果表明,与其他经典算法相比,该方法获得了较好的加速,也提升了NLM算法的去噪性能。     

使用中值-各向异性扩散的超声图像去噪算法

针对超声图像的散斑噪声,提出一种基于多方向中值滤波和改进各向异性扩散的去噪算法.该算法利用多方向中值滤波的良好边缘保持能力,在滤除噪声的同时注重边缘细节的保持.使用归一化局部方差和图像梯度组成的扩散系数,避免了传统各向异性扩散算法中梯度阈值为常数带来的鲁棒性差等问题.通过多组仿真实验,综合滤除散斑噪声能力、保持边缘能力...     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

结合边缘检测和非局部均值的地震数据降噪

油气采集过程给地震数据带来大量高斯随机噪声,非局部均值降噪算法降噪后同相轴边缘过度平滑。为此提出一种结合边缘检测和非局部均值的地震数据降噪算法（Sobel8-NLM）,通过八方向Sobel算子准确提取同相轴边缘,并改进非局部均值算法的权值函数,使地震数据中结构相差小的邻域权值不变,结构相差大的邻域权值变小,在降噪的同时有效提升信噪比及结构相似度。对合成地震数据及实际地震数据分别降噪,并与非局部均值算法（NLM）、结合Sobel算子的非局部均值算法（Sobel2-NLM）、结合Canny算子的非局部均值算法（Canny-NLM）进行对比,采用峰值信噪比、均方误差、平均结构相似度指标,验证了算法的有效性和可行性。