论文部分内容阅读
图像去噪属于图像处理的预处理环节,其目的在于抑制外部环境和设备自身带来的噪声干扰,极大程度地保留图像的有用信息,增加去噪后图像的信息可靠度,提高信噪比进而提高图像质量,为后续的图像融合、图像重建、图像增强、图像分割、特征信息提取和分析等应用奠定坚实基础。在几种经典空域去噪方法的基础之上,Buades等人创造性地提出非局部均值去噪方法(Non-local means,NLM),不再针对单一像素而是对图像块进行处理,开启了空域图像去噪的又一个全新时代。论文的重点是对NLM进行研究与改进,主要内容阐述如下:(1)论文从图像去噪的理论知识、几种经典空域去噪方法入手,介绍了空域去噪的基本原理;详细阐述了NLM的去噪思想,并以峰值信噪比(PSNR)和结构相似性(SSIM)为评价指标,通过仿真结果显示了NLM相比于几种经典空域去噪方法的优势所在。(2)针对NLM直接采用高斯加权的欧氏距离度量图像子块间的相似性,忽略了不同的图像子块纹理特征的分布不同,使相似性度量不具有鲁棒性的缺陷,本文基于NLM的基本原理,改进图像子块间相似性度量的方式,进行权值重构。首先,在相似性度量时加入基于K-L变换的特征因子,充分而完整地利用K-L变换的特征提取功能,将图像子块在变换空间中的变换系数作为其特征的描述,使度量结果更为准确。其次,在相似性度量时加入基于灰色关联度的纹理因子,利用本文改进的新型灰色关联度模型能在一定程度上反映图像子块纹理结构的局部分布的优势,进一步提升权重度量的准确性,利于去噪后图像细节特征的保护,以达到提升去噪性能的目的。仿真结果表明,本文方法在强噪声条件下,能在“去噪”和“保边”上得到较好的平衡。(3)鉴于滤波参数等取值对图像噪声标准差这一先验信息的极大依赖性,基于传统分块法噪声估计的不足,将K-L变换与分块法噪声估计融合,筛选出属于同质区域的子块并进行合并计算,较为精确的得到图像噪声标准差的估计值,使所述的去噪方法参数设置等去噪过程具有整体的自适应性。仿真结果表明,改进的融合K-L变换的分块法噪声估计具有更高的准确度和稳定性。