【摘要】：圖像在獲取和傳輸過程中,不可避免地受到外部和內(nèi)部的干擾,常常因為各種因素的影響而被加入很多噪聲,這十分嚴重的影響了人們對傳輸后圖像信息的讀取。因此通過一定方法將被噪聲污染的圖像進行去噪處理一直是現(xiàn)代圖像研究中重要的問題,受到越來越多研究者的關(guān)注與重視。A.Buades等基于各經(jīng)典去噪算法,如領(lǐng)域濾波、全差分濾波、異性擴散等提出非局部均值濾波(Non-Local means,NLM)算法的模型,同時該算法引入圖像去噪。實踐證實該模型去噪效果佳。NLM的原理是運用圖像內(nèi)部冗余信息,結(jié)合權(quán)重系數(shù)加權(quán)平均計算各相似鄰域像素灰度值,估計噪聲圖像像素點灰度值。本文通過研究非局部均值濾波的算法,改進了算法的兩個關(guān)鍵問題:加權(quán)核函數(shù)的選定和相似度的衡量。非局部均值濾波算法中的相似度衡量是由像素鄰域之間的高斯加權(quán)歐氏距離決定的,同時在加權(quán)核函數(shù)的選擇上使用的是指數(shù)型函數(shù)。這使得該算法僅能夠有效的去除平滑區(qū)域的噪聲,而未能有效去除紋理、邊緣區(qū)域噪聲。因此高斯加權(quán)距離確定權(quán)重系數(shù)和指數(shù)型加權(quán)核函數(shù)具有一定的局限性。針對加權(quán)核函數(shù)與相似度衡量兩個方面問題本文進行了改進。對于原始的指數(shù)型加權(quán)核函數(shù)存在的權(quán)值分配不均問題,提出了更加合適的權(quán)值分配函數(shù),使得新的權(quán)值分配在相似度高的地方獲得較高的權(quán)值,相似度低的地方獲得較小,甚至是為零的權(quán)值,并且保證了在相似度高向相似度低的過度區(qū)域,權(quán)值迅速衰減。而針對相似性衡量的問題,引入了結(jié)構(gòu)相似度算法,結(jié)合原有的歐氏距離判斷相似度,使得相似性的衡量更加的準確。通過對測試圖像的加噪與對比去噪實驗,仿真實驗結(jié)果說明,改進算法有效提高了原算法的去噪性能,而且在邊緣紋理部分也能更好的保持圖片原始信息。
【學位授予單位】：哈爾濱理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TN713
【圖文】：

NLM權(quán)值分布

圖 3-2 lena 標準測試圖像Fig.3-2 lena standard test image表 3-1 舊算法峰值信噪比對比Tab.3-1 old algorithm peak signal to noise ratio comparison

圖 3-3 核函數(shù)響應(yīng)曲線圖Fig.3-3 lernel function response graph由圖 3-3 可以看加權(quán)核函數(shù)是一個單調(diào)遞減函數(shù)。由圖可以觀察到該函減速度較快。所以當兩個圖像塊的相似程度比較低，即高斯加權(quán)的歐氏

【相似文獻】

相關(guān)期刊論文 前10條

1 郭茜;王國余;邱俊峰;;數(shù)字化智能液體汽化熱測量系統(tǒng)研制[J];物理通報;2017年04期

2 孫妤U

本文編號：2753296