基于图像多特征融合的非局部均值去噪方法技术
【技术实现步骤摘要】
本专利技术涉及图像去噪的
，特别涉及一种基于图像多特征融合的非局部均值去噪方法。
技术介绍
图像在形成、传输以及记录过程中，不可避免地会受到噪声的干扰。噪声的引入，不仅降低了图像的质量，而且严重影响图像的后续处理工作。因此，图像去噪成为图像处理中一个基础而重要的步骤，在预处理的基础上，提高图像质量，可以为后续图像处理提供更可靠并真实的依据。图像去噪的最终目的是要在去除噪声的同时，可以更好地保持图像中的边缘、纹理等重要结构信息。那么，如何更好保持图像的边缘、纹理等重要结构信息，成为图像去噪中的重要研究内容。近年来，国内外研究表明，图像中的像素点并不是独立存在、互不相干的，而是同它的周围像素点一起组成图像的几何结构，也就是说像素点的结构特征可以通过以像素为中心的图像块很好的体现出来；另外，在一幅图像中，不仅仅是周围像素，位于不同位置的像素之间常常也是相关联的，即图像具有自相似性。基于图像具有自相似性的原理，Buades等人提出了非局部均值去噪算法。NLM算法用图像块来描述中心像素点的特征，并以图像块之间特征的相似性来代替单个像素点之间灰度值的相似性，此图像块称为相似窗。理论上，参与加权平均的像素点不再局限于待处理像素的周围邻域，而是扩展到整个图像空间。与传统空间域图像去噪算法比较，非局部均值去噪算法更好地保持了图像的结
构信息，取得了更加显著的去噪效果。传统的NLM算法中采用高斯加权欧氏距离来计算权值函数中的相似度，主要有两个优势：第一，由于待处理图像是污染后的噪声图像，若直接取值计算，会影响结果的准确性。而高斯加权具有去噪效果，在一定...
【技术保护点】
基于图像多特征融合的非局部均值去噪方法，其特征在于，根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配，包括如下步骤：1)建立自适应非局部均值去噪的模型：给定离散域I上的一幅噪声图像V＝{v(i)|i∈I}，像素点i的相似窗Ni为以像素点i为中心的一个图像子块，去噪后的像素复原值为则利用非局部均值去噪算法，图像中像素的复原值通过求得，其中，权值w(i,j)取决于相似窗Ni和Nj之间的相似程度可由得到，Z(i)是归一化因子，是为了满足0≤w(i,j)≤1和Σjw(i,j)＝1，h是滤波参数用于控制图像平滑程度；2)计算图像多特征融合的混合相似度，一方面采用基于灰度特征的高斯加权欧式距离来衡量相似度，另一方面采用基于LBP纹理特征的卡方距离来衡量相似度，通过结合两种特征的混合相似度来计算相似图像块的权值：定义Ni，Nj表示像素i，j所在的图像块即相似窗大小，V(Ni),V(Nj)分别表示两相似窗的灰度向量，根据计算Ni和Nj的高斯加权欧式距离，根据计算Ni和Nj基于灰度值特征的相似度，获取Ni，Nj的LBP特征，...
【技术特征摘要】
1.基于图像多特征融合的非局部均值去噪方法，其特征在于，根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。