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.     

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.     

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.     

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。     

椒盐噪声图像的非局部平均滤波算法

针对非局部平均(NLM)方法对椒盐噪声图像滤波效果较差的问题,通过引入噪声检测结果扩展NLM方法去除图像中椒盐噪声。在噪声检测阶段,利用图像的两个极值Lmin和Lmax把图像像素点分为非噪声点和噪声点。在滤波阶段,非噪声点的灰度值保持不变。对于噪声点,如果以该噪声点为中心的自适应滤波窗口内均为噪声点,则认为该噪声点位于图像自身灰度值为Lmin或Lmax的区域内,使用两个极值的统计结果进行恢复。否则,采用改进的NLM方法滤除噪声。构造联合噪声检测模板避免噪声点对相似权计算的干扰,噪声点的恢复值由非噪声点的灰度值加权平均得到。此外,采用迭代滤波策略对高密度噪声图像噪声点进行恢复。相关去噪实验结果证实了算法去噪的有效性,不足之处是算法的时间复杂度较高。     

基于非局部均值化的医学图像去噪

基于非局部均值的方法,先对CCD摄像机获得的医学视频图像截取感兴趣帧进行噪声方差估计,然后进行去噪.实验表明,将非局部均值图像去噪算法运用于医学图像去噪能获得较好效果.     

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。     

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。     

一种改进的非局部均值图像去噪算法

传统非局部均值滤波算法中使用指数型加权核函数,容易导致图像细节因过度平滑而变得模糊。为此,在指数型加权核函数的基础上,采用余弦系数加权的高斯核函数,设计一种改进的非局部均值图像去噪算法,并将其应用于加权系数计算中。实验结果表明,该算法的去噪性能优于传统算法,且能更好地保留原图像的细节信息,峰值信噪比最大可以提升1.6 dB。     

基于多参数小波阈值函数的图像去噪

针对图像中的强高斯噪声提出了一种新的小波阈值降噪函数。传统的软阈值法对图像去噪有明显的效果,但对强高斯噪声效果不甚理想,于是构造出一种新的小波阈值函数,此函数包含阈值[λ],调节因子[t]和[n]三个参数,能够自适应地调节阈值的变化。实验以噪声图像与去噪后图像之间的峰值信噪比（PSNR）最大化为准则,采用PSO粒子群算法优化阈值函数中参数[n]和[t]的选取。仿真实验结果表明该方法不仅可以有效地去除噪声,又能避免有用高频信息的损失,提高了图像的信噪比;尤其在强高斯噪声下,相对软阈值法PSNR可提高6~7 dB,表明了此改进阈值法对于强高斯噪声图像降噪的有效性。     

一种阈值改进的邻域小波系数法图像去噪

图像去噪是图像处理领域的一个经典话题,也是一个难点问题。基于邻域小波系数收缩的NeighShrink法比经典的VisuShrink法去噪效果要好,但是NeighShrink法在所有的分解层使用次优的通用阈值,致使去噪效果不甚理想。在分析小波系数变化规律的基础上,针对NeighShrink法的不足,提出了一种阈值改进的新方法,该方法具有较好的阈值自适应性。实验表明,该方法正确有效,去噪后的视觉效果得到改善,在客观指标PSNR和MSE上均优于NeighShrink法和经典的VisuShrink法。     

一种改进的小波去噪方法在红外图像中应用

针对小波软阈值去噪函数会产生恒定误差导致图像边缘模糊的缺点,提出了一种改进阈值函数的去噪算法。该算法中当小波系数较大时,阈值函数趋向于硬阈值函数;当小波系数较小时,趋向于软阈值函数,具有自适应性。采用维纳滤波消除图像小波变换中低频频带中残留的噪声。实验结果表明,改进后的阈值函数结合贝叶斯阈值的方法与传统小波软阈值去噪相比,能够有效去除红外图像中的噪声,同时保持红外图像热差细节,具有较高的峰值信噪比,非常适用于去除红外图像中的噪声。     

基于Contourlet的图像PCA去噪方法

提出了一种通过主分量分析(PCA)对Contourlet域中噪声能量的估计来实现去噪的新方法。Contourlet变换是一种结合多分辨率分析和方向性滤波的小波变换,它除了具有一般小波变换的多尺度、时频局域性外,还具有多方向性、各向异性等特征。因此,Contourlet能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示。目前使用的小波去噪方法基本上都是建立在对噪声方差估计的基础上,而在Contourlet变换系数中,通过建立数学模型对噪声方差进行精确的估计是很困难的。算法无需对噪声方差进行估计,更具有实用价值。实验结果显示,与小波软、硬阈值去噪算法和基于小波的图像PCA去噪方法比较,该算法不仅提高了图像的信噪比,而且图像视觉效果也明显改善。     

张量场理论在图像去噪中的应用研究

利用张量场能体现图像各个局部的朝向信息的特点,提出利用张量场局部朝向信息控制滤波器对图像进行去噪处理的方法。以达到最大限度地保持图像中原有的边缘、线条等机构信息的目的。实验结果表明,该算法在去除噪声的同时很好地保持了图像中的细节特征,去噪后的图像在峰值信噪比和主观视觉效果上都有显著提高。     

基于小波变换的多阈值图像去噪改进方法

图像去噪就是在保留图像边缘及其他特征的基础上去除噪声,小波变换域的阈值去噪方法是图像去噪众多方法中最有效的方法之一,本文对多阈值图像去噪方法进行了改进,得到一种新的图像多阈值图像去噪方法,实验证明该方法可以有效地提高图像去噪效果。     

特征保留的稀疏表示图像去噪

稀疏表示理论认为在合适的冗余字典下,图像存在最为稀疏的表示,字典的过完备性,使得通过提取很少量的大系数便能捕获到图像中的重要信息,而且对噪声更加鲁棒。针对图像去噪,为了更好地保留图像特征信息,考虑人眼视觉特性,研究过完备字典对噪声图像特征和边缘信息的有效表示,提出以结构相似为信息保真度的特征保留的稀疏表示去噪算法。实验结果表明,该算法能更好地对图像去噪,对特征和边缘等信息的保留能力更强,得到的图像视觉效果更佳。     

基于平衡区间多小波理论的图像去噪研究

多小波在实际应用中需要对信号进行预滤波,这破坏了多小波的特性.提出了一种基于平衡区间多小波变换的综合闽值图像去噪方法.该方法通过对含噪图像进行区间多小波变换,一方面,克服了单小波变换中无法同时满足正交性和对称性的缺点,且因为区间多小波能够直接适应信号空间,所以不需要像普通小波信号处理那样进行信号的边界延;另一方面,因为平衡区间多小波的平衡性,因此在应用中不需要对图像进行预滤波.将综合阀值处理方法与平衡区间多小波变换相结合,根据多小波分解后的能量分布特性,在不同尺度的子带选择不同的最佳阈值,有效地提高了重构图像质量.实验结果表明,相对于非平衡多小波阈值处理方法,文中的去噪方法在输出信噪比扣主观视觉效果上都有明显改善.     

一种优选移动平均预测模型的Min-Min算法

为使移动平均法预测技术的应用从专业化向大众化、人工化向智能化转变,在对一次移动平均模型进行改进之后,以预测的局部残差平方和最小为原则,设计出一种优选移动平均预测模型的Min-Min算法:首先,分别选出一次移动平均模型和二次移动平均模型各自的最优移动项数;然后,在最优的一次模型与最优的二次模型之间作出最优次数的选择;最后,基于优选出的移动平均模型对未来一期开展点预测和区间预测.同既有算法相比,本算法对移动平均法预测技术的进步性主要体现在:a)以先选定移动项数、后选定移动次数的程序算法取代先选定移动次数、后选定移动项数的专家做法,从而将移动平均法的实施从半自动化的人工预测提升至全自动化的智能预测;b)对现行的一次移动平均模型进行改进,从而大幅提高一次移动平均法的预测能力;c)在移动平均模型现行只有点预测的基础上进一步提出区间预测,从而起到完善和丰富预测报告的作用.     

基于自适应边缘检测的小波包图像去噪

为了在滤除图像噪声的同时能很好地保持图像的细节，提出了一种基于自适应边缘检测的小渡包图像去噪方法，先用自适应滤波多尺度边缘检测方法检测出图像的边缘，小波包去噪时就可选用全局闽值而不必担心损害图像的边缘特征。实验结果表明，谊方法不但可以保持图像的边缘信息，而且能够提高去噪后图像的信噪比。