發(fā)布時(shí)間：2020-07-13 09:50

【摘要】：圖像在獲取和傳輸過(guò)程中,不可避免地受到外部和內(nèi)部的干擾,常常因?yàn)楦鞣N因素的影響而被加入很多噪聲,這十分嚴(yán)重的影響了人們對(duì)傳輸后圖像信息的讀取。因此通過(guò)一定方法將被噪聲污染的圖像進(jìn)行去噪處理一直是現(xiàn)代圖像研究中重要的問(wèn)題,受到越來(lái)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?yàn)V波、全差分濾波、異性擴(kuò)散等提出非局部均值濾波(Non-Local means,NLM)算法的模型,同時(shí)該算法引入圖像去噪。實(shí)踐證實(shí)該模型去噪效果佳。NLM的原理是運(yùn)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(jì)算各相似鄰域像素灰度值,估計(jì)噪聲圖像像素點(diǎn)灰度值。本文通過(guò)研究非局部均值濾波的算法,改進(jìn)了算法的兩個(gè)關(guān)鍵問(wèn)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(shí)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(duì)加權(quán)核函數(shù)與相似度衡量?jī)蓚�(gè)方面問(wèn)題本文進(jìn)行了改進(jìn)。對(duì)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(wèn)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(guò)度區(qū)域,權(quán)值迅速衰減。而針對(duì)相似性衡量的問(wèn)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(zhǔn)確。通過(guò)對(duì)測(cè)試圖像的加噪與對(duì)比去噪實(shí)驗(yàn),仿真實(shí)驗(yàn)結(jié)果說(shuō)明,改進(jìn)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(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TN713
【圖文】：

NLM權(quán)值分布

圖 3-2 lena 標(biāo)準(zhǔn)測(cè)試圖像Fig.3-2 lena standard test image表 3-1 舊算法峰值信噪比對(duì)比Tab.3-1 old algorithm peak signal to noise ratio comparison

圖 3-3 核函數(shù)響應(yīng)曲線(xiàn)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(gè)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(dāng)兩個(gè)圖像塊的相似程度比較低，即高斯加權(quán)的歐氏

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 孫妤U

本文編號(hào)：2753296