图像去噪仍然是图像后续操作中最基本和最重要的任务之一,如图像复原、视觉跟踪和图像分割等。非局部均值(Nonlocal Means,NLM)图像去噪根据像素空间域中图像的冗余信息规律来减少噪声,其去噪效果较好。传统NLM图像去噪仍然存在一些问题,譬如其采用相同大小的搜索窗口来去噪,忽略了像素处于平滑区和纹理区的区别,而且对于NLM权值核函数以及图像结构相似性的改进已经相对成熟,去噪效果的提升空间有限。针对原始NLM存在的以上问题,提出了两种NLM图像去噪的改进方案,具体内容如下:(1)简要介绍了图像去噪算法的发展过程与国内外的研究近况;通过数学模型来表示图像去噪的核心算法;详细介绍了几种经典图像去噪算法;解释NLM图像去噪的算法原理;对噪声进行分类并用数学模型描述;对噪声进行分类,并用数学模型来描述;将图像的评价标准分成主观和客观;为本文后续的研究提供理论基础。(2)对于NLM权值核函数以及图像结构相似性的改进已经相对成熟,去噪效果的提升空间有限。针对此问题,以去噪效果较好的传统NLM算法为基础,提出一种基于正则化模型的NLM图像去噪算法。通过贝叶斯最大后验概率估计(MAP)推导出正则化去噪模型,并通过交替方向乘子法(Alternating Direction Method of Multipilers,ADMM)思想将正则化模型优化求解分块来进行优化。通过对传统的NLM算法和提出的算法添加不同等级的噪声进行实验,实验结果可得出,相比传统的NLM算法,本文提出的算法不仅在视觉方面保有更多的图像特征,而且在去噪性能上得到了进一步的提升。(3)传统的NLM算法使用相同大小搜索区域(Region Of Search,ROS)对图像去噪,其性能随着噪声方差增加而降低。如果像素位于平滑区域,考虑平均过程中更多相似像素的贡献,则搜索窗口的大小应该很大。类似地,如果像素在非平滑区域中,则搜索窗口区域应该小。因此,总结出了一种基于图像搜索区域的自适应NLM图像去噪算法研究。该方法利用小波域的鲁棒性中值估计法来估计图像噪声,通过噪声估计来对应三种不同搜索区域,将搜索窗口分为大、中和小三个级别。实验结果可得出,该算法在客观评价以及图像视觉效果上均要优于传统的NLM图像去噪方法。
暂无评论