在信息技術(shù)和互聯(lián)網(wǎng)技術(shù)日新月異以及網(wǎng)絡(luò)社交軟件快速普及的今天,數(shù)字圖像已經(jīng)成為人們?nèi)粘Ｉ钪兄匾男畔⑤d體。然而,在實際工程應(yīng)用中,由于拍攝設(shè)備、拍攝環(huán)境、傳輸處理等一系列原因,圖像經(jīng)常會受到不同類型的噪聲污染,導(dǎo)致圖像質(zhì)量下降。噪聲的存在嚴(yán)重影響著圖像信息的獲取以及圖像后續(xù)的處理和分析。因此,去除圖像中的噪聲在圖像處理和計算機視覺領(lǐng)域顯得尤為重要。如何在濾除噪聲的同時盡可能多地保持圖像結(jié)構(gòu)信息是圖像去噪研究的核心問題。一直以來,國內(nèi)外眾多研究學(xué)者投身于圖像去噪領(lǐng)域,提出了許多優(yōu)秀的圖像去噪算法。其中非局部平均（Non-local Means,NLM）去噪算法是圖像處理領(lǐng)域具有里程碑意義的算法,NLM算法的提出開啟了影響深遠(yuǎn)的非局部方法。與傳統(tǒng)的局部去噪方法相比,NLM算法利用自然圖像存在的自相似冗余信息去除噪聲,獲得了更好的圖像細(xì)節(jié)保持能力和去噪效果。本文對NLM算法進(jìn)行了深入研究,并針對算法中存在的運算復(fù)雜度高、強噪聲條件下結(jié)構(gòu)保持能力有限這兩個問題進(jìn)行研究。本文的工作主要包括以下兩個方面:（1）采用傳統(tǒng)的NLM算法對一幅含噪圖像進(jìn)行處理,當(dāng)計算一個像素點處的像素值時,首先計算以該... 

【文章來源】：陜西科技大學(xué)陜西省

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２兩種算法的濾波結(jié)果??

行卷積運算，可以表示為：??彥（〇＝Ｚ?ｇ（Ｉ?卜＿?－?ｙ｜｜）ｇ（ｙ）?（２－５）??ｙｅｎ，??＾Ｉ＇－ｖＩｈ＾－ｒｅｘｐｌ－ｔｐｉ）?（２－６）??ＬｎｃＴ?１Ｃ??其中，表示二維高斯函數(shù)，ｎ，表示以像素／為中心的方形區(qū)域，ｇ〇＿）表示方形區(qū)域??內(nèi)像素點Ｊ處的像素值，蒼（〇表示濾波后像素點的灰度值，式（２－５）中｜｜／－＿／｜｜表示的是??鄰域內(nèi)其他像素到鄰域內(nèi)中心像素的距離，〇表示截止頻率到頻域中心的距離，決定著??高斯濾波器的寬度，控制著濾波的平滑程度。??圖２－４中的ａ）和ｂ）分別表示ｃｒ＝３和ｃｒ＝１０的高斯濾波器，二維高斯濾波器的形狀??和〇的大小密切相關(guān)。由圖可以看出〇越大，濾波器的形狀就越胖矮，即高斯濾波器的??頻帶越寬，尖峰越小，高斯函數(shù)的曲面就越平緩；〇越小，濾波器的形狀就越瘦高，即??高斯濾波器的頻帶越窄，尖峰越尖，高斯函數(shù)的曲面就越陡峭。??１?＞?１飛??０８?．??０．８?ｖ??０．６、?＾?Ｖ??。＋４、?／?ｋ?０６?ｙ?＼??－１０－１０?－１０?－ｉ〇??ａ）?ａ＝３?ｂ）?ａ＝１０??圖２－４高斯低通濾波器形狀??Ｆｉｇ．?２－４．?Ｔｈｅ?ｓｈａｐｅ?ｏｆ?ｇａｕｓｓｉａｎ?ｌｏｗ?ｐａｓｓ?ｆｉｌｔｅｒ??１５??

陜西科技大學(xué)碩士學(xué)位論文?????ｎｔ?＼．?ｍｌ１?Ａ＜＾＇??ａ）原始圖像?ｂ）噪聲圖像??ｊ＾Ｖ?＿?＾ＰＶｉ??ｃ）高斯濾波?ｄ）雙邊濾波??圖２－７雙邊濾波與高斯濾波的效果對比??Ｆｉｇ．?２－７?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｆｉｌｔｅｒｉｎｇ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｂｉｌａｔｅｒａｌ?ｆｉｌｔｅｒ?ａｎｄ?ｇａｕｓｓｉａｎ?ｆｉｌｔｅｒ??２．４引導(dǎo)濾波??２．４．１引導(dǎo)濾波??（１）算法描述??雙邊濾波中像素點處的濾波輸出由相鄰像素的加權(quán)平均計算，在保持圖像邊緣細(xì)節(jié)??信息的同時平滑圖像，但在圖像的邊緣處會產(chǎn)生梯度翻轉(zhuǎn)偽影。在這樣的情況下，濾波??后圖像的邊緣處會出現(xiàn)光暈，因為當(dāng)邊緣附近的一個像素周圍有多個相似像素時，高斯??加權(quán)平均的權(quán)重是不穩(wěn)定的。另一個是效率問題，該算法的運行效率低，運行起來相當(dāng)??費時。針對以上問題，２０１０年何凱明等人在文獻(xiàn)［３７］中提出了一種引導(dǎo)濾波的方法。該??方法是由局部線性模型演化而來的，與雙邊濾波一樣可保持圖像邊緣的細(xì)節(jié)信息，并且??在邊緣附近引導(dǎo)濾波獲得了更好的性能。解決了梯度翻轉(zhuǎn)偽影對圖像的影響，還提高了??算法的運行效率，使其在很多種計算機視覺及圖形學(xué)的應(yīng)用中有很好的作用及效率。??引導(dǎo)濾波在濾波過程中，它會引入一張引導(dǎo)圖像／，然后通過引導(dǎo)圖像對輸入圖像ｐ??進(jìn)行濾波，使得最后的輸出圖像＾大體上與輸入圖像ｐ相似，但紋理部分與引導(dǎo)圖像／??２０??

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的非局部均值去噪算法[J]. 閆涵,張旭秀,丁鳴艷.  電子測量技術(shù). 2019(22)
[2]一種中值濾波圖像去噪的改進(jìn)算法[J]. 王紅宇,游敏娟,李琪,周廣明,于智睿,何樂民,王世剛.  中國科技信息. 2019(01)
[3]基于分組字典與變分模型的圖像去噪算法[J]. 陶永鵬,景雨,頊聰.  計算機應(yīng)用. 2019(02)
[4]基于小波變換的艦船雷達(dá)圖像去噪方法研究[J]. 王繼成.  艦船科學(xué)技術(shù). 2018(14)
[5]一種改進(jìn)K-奇異值分解稀疏表示圖像去噪算法[J]. 孔英會,胡啟楊.  科學(xué)技術(shù)與工程. 2018(01)
[6]一種改進(jìn)的非局部平均圖像去噪算法[J]. 許光宇,李玲.  計算機應(yīng)用與軟件. 2017(07)
[7]一種基于小波分析的改進(jìn)閾值圖像去噪方法[J]. 唐普英,耿浩然,郝豫魯,李薿.  實驗科學(xué)與技術(shù). 2018(05)
[8]邊緣檢測中的改進(jìn)型均值濾波算法[J]. 彭宏,趙鵬博.  計算機工程. 2017(10)
[9]快速非局部均值圖像去噪算法[J]. 周兵,韓媛媛,徐明亮,李煒,裴銀祥,呂培,周力為.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2016(08)
[10]混合相似性權(quán)重的非局部均值去噪算法[J]. 黃智,付興武,劉萬軍.  計算機應(yīng)用. 2016(02)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像去噪中的應(yīng)用研究[D]. 柴華榮.安徽理工大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪[D]. 陳曦.合肥工業(yè)大學(xué) 2019
[3]基于GPU的Directionlet域SAR圖像相干斑噪聲抑制并行算法研究[D]. 張勤.安徽大學(xué) 2019
[4]基于Curvelet變換和全變分的圖像去噪方法研究[D]. 張建明.南京郵電大學(xué) 2018
[5]基于非下采樣Contourlet變換和統(tǒng)計建模的圖像去噪算法研究[D]. 葛新哲.南昌航空大學(xué) 2018
[6]基于深度學(xué)習(xí)的圖像去噪算法研究[D]. 鄧正林.電子科技大學(xué) 2018
[7]非局部平均圖像去噪算法研究[D]. 李淑國.西安電子科技大學(xué) 2012



本文編號：3076072