论文部分内容阅读
数字图像一般都会含有噪声，噪声会给图像的视觉质量以及后续处理带来影响。已经存在许多经典的图像去噪算法以及基于这些算法的改进算法。但是这些算法并没有达到理想的效果，它们都有一定的局限性。A. Buades等在2005年提出了非局部均值图像去噪算法(NLM,Non-local Means)，取得了比传统图像去噪算法更好的去噪效果。但是NLM算法存在着很严重的缺点，由于它是利用整幅图像中所有像素点的加权平均来还原每个像素点，所以算法复杂度特别大，而且许多不相似像素参与加权平均会引入不可忽视的累加误差。针对NLM的缺点，已经存在许多改进方法，其中很重要的一个改进方法是预分类。预分类不可避免的会出现误分类，这将对去噪结果带来较大的影响。为了减少误分类带来的影响，本文在参考M. Mahmoudi和P.Coupé提出的预分类法的基础上，提出了利用相似窗的方差和相似窗四个子部分的均值进行预分类的方法。精确的预分类可以排除不相似像素点参与加权平均，减少权值的计算量而提高计算速度，同时可以减少不相似像素点引入的累加误差，提高去噪效果。本文最后进行了实验验证，通过峰值信噪比和计算时间对比了原始NLM方法，利用P. Coupé等提出的预分类法的改进NLM和本文的改进方法，实验结果表明本文提出的方法总是能够得到最高的信噪比，且去噪时间比原始NLM算法更少。接着通过视觉效果和方法噪声对比了全变差方法，原始NLM方法，利用P. Coupé等提出的预分类法的改进NLM和本文提出的方法，实验结果表明，全变差方法和原始NLM对应的方法噪声中含有比较明显的图像信息，利用P. Coupé等提出的预分类法的改进NLM得到的图像中含有比较明显的噪声，而本文提出的方法能够在保留图像细节的同时更比较彻底的去除噪声。可以说，本文提出的改进NLM能够在比原始NLM更短的时间里更好的去除高斯加性噪声。