一种基于非局部平均的PET图像去噪方法

Region-based non-local means algorithm for noise removalW.L.Zeng and X.B.LuThe non-local means (NLM)provides a useful tool for image denoising and many variations of the NLM method have been proposed.However,few works have tried to tackle the task of adaptively choos-ing the patch size according to region characteristics.Presented is a region-based NLM method for noise removal.The proposed method first analyses and classifies the image into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method and demonstrate its superior-ity to the state-of-the-art methods.Introduction:The use of the non-local means (NLM)filter for noise removal has been extensively studied in the past few years.The NLM filter was first addressed in [1].The discrete version of the NLM is as follows:u (k ,l )=(i ,j )[N (k ,l )w (k ,l ,i ,j )v (i ,j )(1)where u is the restored value at pixel (k,l )and N (k,l )stands for theneighbourhood of the pixel (k,l ).The weight function w (k,l,i,j )is defined asw (k ,l ,i ,j )=1exp −||T k ,l v −T i ,j v ||22,a(2)where T k,l and T i,j denote two operators that extract two patches of sizeq ×q centred at pixel (k,l )and (i,j ),respectively;h is the decay para-meter of the weights; . 2,a is the weighted Euclidean norm using a Gaussian kernel with standard deviation a ,and Z (k,l )is the normalised constantZ (k ,l )= (i ,j )exp −||T k ,l v −T i ,j v ||22,ah 2(3)The core idea of the NLM filter exploits spatial correlation in the entireimage for noise removal and can produce promising results.This method is time consuming and not able to suppress any noise for non-repetitive neighbourhoods.Numerous methods were proposed to accel-erate the NLM method [2–4].Also,variations of the NLM method have been proposed to improve the denoising performance [5–7].In smooth areas,a large matching window size could be used to reduce the influ-ence of misinterpreting noise as local structure.Conversely,a small matching window size could be used for the edge /texture region,which means not only the local structure existing within a neighbour-hood can be effectively used but can also speed up the matching process.To the best of our knowledge,few works have tried to tackle the task of adaptively choosing the patch size according to region characteristics.To overcome the disadvantage of the NLM method and its variances,in this Letter we present an adaptive NLM (ANLM)method for noise removal.The proposed method first analyses and classifies the image into several region types based on local structure information of a pixel.According to the region type,a local window is adaptively adjusted to match the local property of a region.Experimental results show the effectiveness of the proposed method.Proposed NLM algorithm:The adaptive patches based non-local means algorithm is conducted according to the region classification results,owing to the fact that the structure tensor can obtain more local structure information [8].Therefore,we use it to classify the region.For each pixel (i,j )of the region,the structure tensor matrix is defined asT s =t 11t 12t 12t 22 =G s ∗(g x (i ,j ))2G s ∗g x (i ,j )g y (i ,j )G s ∗g y (i ,j )g x (i ,j )G s ∗(g y (i ,j ))2where g x and g y stand for gradient information in the x and y directions,G s denotes a Gaussian kernel with a standard deviation s .Theeigenvalues l 1and l 2of T s are given byl 1=12t 11+t 22+ (t 11−t 22)2+4t 212 and l 2=1t 11+t 22− (t 11−t 22)2+4t 212 For a pixel in the smooth region,there is a small eigenvalue difference;for a pixel in an edge /texture region,there is a large eigenvalue differ-ence.Therefore,region classification can be achieved by examining the eigenvalue difference of each pixel.Let l (i ,j )=|l 1(i ,j )−l 2(i ,j )|.We propose the following classifi-cation scheme to partition the whole image region into n classes {c 1,···,c n }:(i ,j )[c 1,if l (i ,j )≤l min +(l max −l min )n c 2,if l (i ,j )≤l min +2(l max −l min )n ...c n ,if l (i ,j )≤l min +n (l max −l min )n ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎩where l min and l max are the minimum and maximum of {l (i ,j ):(i ,j )[V },respectively.To exploit the local structure information and reduce noise in different regions,we adaptively choose the matching window based on the region classification result.The scheme for selecting the matching window is asfollows:if (k ,l )[c r ,T k ,l :=T r k ,l ,where T rk ,l denotes an operator of the r-type region that extracts one patch of size q r ×q r .To reduce the influ-ence of misinterpreting noise as local structure,a larger patch size is adopted for a smooth region.In contrast,a small patch size is employed for the edge /texture region.Intuitively,the number of the class n should be as big as possible.In practice,the gain is insignificant for n greater than 4.Therefore,we choose n ¼4in our experiments.Table 1:PSNR performance comparison of ‘Lena’,‘Barbara’,‘Peppers’imagesFig.1Comparison of results with additive Gaussian noise of s ¼35a Original image b Noisy image c NLM d WUNLM e ANLMExperimental results:In this Section,we compare our proposed ANLM method with the NLM method [2]and the weight update NLM (WUNLM)method [3].We test the proposed method on ‘Lena’,‘Barbara’,and ‘Peppers’,which were taken from the USC-SIPI Image Database (/database/base).The performance of the method was evaluated by measuring the peak signal-to-noise ratio (PSNR).In general h corresponds to the noise level and is usuallyELECTRONICS LETTERS 29th September 2011Vol.47No.20,1125-1127fixed to the standard deviation of the noise.The size of the search window is21×21.Table1shows results obtained with three methods across four noise levels.Figs.1a and b,show the‘Barbara’image and the corresponding noisy image generated by adding Gaussian white noise with variance s¼35,respectively.Figs.1c–e show denoised images by using the NLM,WUNLM,and ANLM methods,respectively.From the standpoint of perceptual view and PSNR values,the proposed ANLM method produced the best quality. Conclusions:An adaptive NLM(ANLM)method for noise removal is presented.In the method,an image isfirst analysed and classified into several region types.According to the region type,a local window is adaptively adjusted to match the local property of a region. Experimental results show the effectiveness of the proposed method and demonstrate its superiority to the state-of-the-art methods. Acknowledgments:This work was supported by the National Natural Science Foundation of China under grant60972001,the National Key Technologies R&D Program of China under grant2009BAG13A06 and the Scientific Innovation Research of College Graduate in Jiangsu Province under grant CXZZ_0163.#The Institution of Engineering and Technology20115August2011doi:10.1049/el.2011.2456W.L.Zeng(School of Transportation,Southeast University,Nanjing 210096,People’s Republic of China)X.B.Lu(School of Automation,Southeast University,Nanjing210096, People’s Republic of China)E-mail:xblu2008@References1Budades,A.,Coll,B.,and Morel,J.M.:‘A review of image denoising algorithms,with a new one’,Multiscale Model Simul.,2005,4,(2), pp.490–5302Mahmoudi,M.,and Sapiro,G.:‘Fast image and video denoising via nonlocal means of similar neighborhoods’,IEEE Signal Process.Lett., 2005,12,(12),pp.839–8423Vignesh,R.,Oh,B.T.,and Kuo,C.-C.J.:‘Fast non-local means(NLM) computation with probabilistic early termination’,IEEE Signal Process.Lett.,2010,17,(3),pp.277–2804Brox,T.,Kleinschmidt,O.,and Cremers,D.:‘Efficient nonlocal means for denoising of textural patterns’,IEEE Trans.Image Process.,2008, 17,(7),pp.1083–10925Kervrann,C.,and Boulanger,J.:‘Optimal spatial adaptation for patch-based image denoising’,IEEE Trans.Image Process.,2006,15,(10), pp.2866–28786Ville,D.V.D.,and Kocher,M.:‘SURE-based non-local means’,IEEE Signal Process.Lett.,2009,16,(11),pp.973–9767Park,S.W.,and Kang,M.G.:‘NLM algorithm with weight update’, Electron.Lett.,2010,16,(15),pp.1061–10638Brox,T.,Weickert,J.,Burgeth,B.,and Mrazek,P.:‘Nonlinear structure tensors’,Image put.,2006,24,pp.41–55ELECTRONICS LETTERS29th September2011Vol.47No.20。

基于非局部贝叶斯的泊松图像去噪算法张芳;郭春生【摘要】Concerning the removal problem of image Poisson noise,a novel image denoising algorithm based on nonlocal Bayesian is proposed.The main idea is to establish statistical model for a set of similar patches according to Poisson noise model.In the framework of Bayesian-MAP estimation,image self-similarity is utilized to build the patch-based image Poisson denoising optimization mode.The optimization model could be efficiently solved with splitting Bregman method.Experimental results show that the proposed method is effective and it outperforms than other methods on objective criterion.%针对图像泊松噪声去除问题,提出了一种基于非局部贝叶斯的图像去噪算法,主要根据噪声模型建立相似块组的统计模型.在Bayesian-MAP框架下,利用图像的自相似性,建立基于图像块的泊松图像去噪模型,然后利用分裂Bregman法对模型进行迭代求解.实验结果验证了模型的有效性,与其他泊松去噪算法相比,模型的恢复性能在客观评价指标上具有明显的改善.【期刊名称】《杭州电子科技大学学报》【年(卷),期】2017(037)001【总页数】5页(P41-45)【关键词】泊松噪声;非局部贝叶斯;块模型;分裂Bregman【作者】张芳;郭春生【作者单位】杭州电子科技大学通信工程学院,浙江杭州 310018;杭州电子科技大学通信工程学院,浙江杭州 310018【正文语种】中文【中图分类】TN911.73在光量子计数成像系统中，获取的图像往往出现泊松噪声.针对泊松噪声去除问题，文献[1]结合图像的非局部相似性与梯度模稀疏性先验，提出了一种基于非局部全变差正则化的图像去噪模型，具有较好的去噪效果；文献[2]提出了光谱和空域自适应的全变差泊松去噪算法，能够很好地保持图像的边缘细节.近年来，基于块的方法得到了迅速发展，其中较为经典的是BM3D[3].文献[4]在BM3D算法的基础上，提出了基于周期块匹配的泊松去噪算法；文献[5]提出了基于非局部贝叶斯(Nonlocal Bayesian，NL-Bayes)的高斯去噪算法.受文献[5]的启发，本文对NL-Bayes进行了改进，提出了一种针对泊松噪声的去噪算法.图像去噪指从观测图像中恢复出理想图像，通常这是一个不适定的反问题.在Bayesian框架下利用理想图像的先验知识有利于改善该问题.对于任意图像块，获取其先验模型最直接有效的方法就是在整幅图像中寻找与该块相似的图像块组成相似块集合，然后对该集合建模.记∈Rn为任意理想图像块，∈Rn为噪声图像块，与无噪图像块P相似的相似块集合从统计上来说服从高斯分布，对于相似块集合中的任意图像块Q有：其中，α为归一化常数，CP为无噪样本协方差矩阵，为无噪样本均值向量.对于图像中的任意图像块，由贝叶斯-最大后验概率估计可建立如下的基于图像块的泊松去噪模型：其中，ln(P)是向量P的分量形式.然而式(2)并不是噪声图像块的直接去噪模型.事实上，已知的仅是噪声图像块以及与相似的图像块集合，无噪图像块P以及与P相似的图像块集合往往是未知的.对于泊松噪声图像块，如果给定图像块的噪声块集合与其对应的无噪图像块集合相似，则有：其中，)表示以向量为主对角线的对角距阵.根据式(2)和式(3)有：由于目标泛函式(4)中泊松似然分布项是解耦的，易于求解，但是向量P的先验模型部分较难处理.为此采用分裂Bregman方法进行求解，用变量S代替先验模型中的变量P，从而可将原问题变成无约束子问题的迭代求解和Bregman参数b的更新过程.令P0=0，b0=0，S0=0，最终Bregman迭代公式如下：式中，常数λ>0，代表的是Bregman分裂系数.考虑P -子问题式(5)的求解，由于式(5)关于向量P是可分离的，因而可转为n个一维优化问题进行求解，将求解得到的一维解进行合并，则向量P的解为:考虑S -子问题式(6)，对S做均值平移，并令梯度为零可知向量S的解为：根据上述公式可知，算法的关键部分在于无噪图像块的协方差矩阵和均值.事实上，预处理后得到的协方差矩阵和均值近似于无噪图像块的协方差矩阵和均值.基于此，完整算法由2个步骤构成，由于这2个步骤的过程基本一致，故这里只给出步骤1的框图，如图1所示.需要说明的是，这里并不是算法的简单迭代，步骤2中仍需针对噪声图像，这种方法称之为oracle策略.为了便于说明，步骤1得到的去噪块估计值用1表示，步骤2得到的去噪块估计值用2表示.为了获取给定噪声图像块的相似块集合，需要衡量图像块之间的相似度.由于泊松噪声是一种信号依赖噪声，采用简单欧式距衡量已不具有鲁棒性.为此采用文献[6]中提出的Symemetric Kullback-Leibler随机距方法进行衡量，使用该随机距标准选出给定图像块在一定搜索范围内最相似的N个图像块组成相似块集合,则参考块的协方差矩阵和为：.图1中，步骤2使用了步骤1得到的估计值1作为oracle，此时得到的相似块集合与步骤1相比有较大改善.这里采用简单欧式距衡量步骤1得到的去噪图像块1的相似度.根据欧式距标准选出给定图像块的相似块集合，则有：.事实上，根据步骤1的估计值得到的协方差矩阵和均值1可用来近似无噪图像块的协方差矩阵CP和均值.因而式(9)可改写成：.为了得到最终的去噪图像，需要将块空间投影回像素空间.由于采用重叠分块法，因而去噪图像块中的每个像素有多个估计值，为了充分利用这些估计值，本文采用平均法处理.步骤2的计算除了式(9)不同外，其他的均与步骤1相同.为了检验本文算法的去噪效果，对多幅基准自然图像进行仿真测试，并同现有算法进行比较.本文选取的对比算法包括：文献[7]的基于非局部主成分分析的去噪算法(简称NLSPCA)、文献[8]的基于稀疏先验的去噪算法(简称SPDA)、文献[6]的基于随机距的非局部均值算法(简称SPNLM)、文献[9]采用的改进逆变换算法、文献[10]的经典PCA相结合的去噪算法(简称Anscombe).为了从客观上验证算法的有效性，本文采用峰值信噪比和相对误差率来评价算法的去噪效果.峰值信噪比越大，说明算法的去噪效果越好；相对误差率越小，表明去噪后的图像与原图像越相似.峰值信噪比比较结果如表1所示，峰值为20 dB时，相对误差率比较结果如表2所示.从表1可以看出，当峰值(最大亮度值)大于等于10时，本文算法在一定程度上优于其他算法，具有较高的信噪比，其中对纹理图像的去噪效果要优于非纹理图像，这是因为纹理图像更符合非局部假设，即图像块在一定范围内存在与之大量相似的图像块.当峰值低于10时，本文方法得到的信噪比低于其他方法，原因可能是当峰值很低的时候，图像的信噪比很低，采用非局部最大似然估计法得到的真值像素值具有较大的误差，从而导致使用随机距方法衡量得到的图像块不是最相似的图像块. 从表2可以看出，峰值为20 dB时，本文算法的相对误差率基本上低于其他算法，说明本文算法能很好地保持原始图像的结构信息.为了更好地评价图像的去噪性能，本文对图像的视觉效果进行了测试.Peppers图像在峰值为20 dB条件下的去噪效果对比如图2所示.从图2可以看出，本文算法的恢复效果较好，能有效去除噪声.本文针对图像中的泊松噪声，从贝叶斯—最大后验概率估计出发，利用图像的自相似性构造图像块的相似块矩阵，提出了一种基于非局部贝叶斯的泊松图像去噪算法.实验部分对一些测试图像进行了仿真验证，并同其他多种算法进行了比较.实验结果表明，当图像的噪声水平处于中等以下时，本文所提的去噪算法不仅能有效地去除噪声，而且还具有较好的视觉效果.而当图像的噪声很强，图像结构信息受损严重时，此时图像的去噪效果不是太理想，后续将进一步研究.【相关文献】[1]张峥嵘,黄丽丽,费选,等.非局部TV正则化的图像泊松去噪模型与算法[J].系统仿真学报,2014,26(9):2110-2115.[2]MANSOURI A, DEGER F, PEDERSEN M et al. An adaptive spatial-spectral total variation approach for Poisson noise removal in hyperspectral images[J]. Signal, Image and Video Processing, 2016. 10(3): 447-454.[3]DABOV K, FOI A, KATKOVNIK V et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2007. 16(8): 2080-2095.[4]MEVENKAMP N, BINEV P, DAHMEN W, et al. Poisson noise removal from high-resolution STEM images based on periodic block matching[J]. Advanced Structural & Chemical Imaging, 2015, 1(1):1-19.[5]LEBRUN M, BUADES A, MOREL J. Implementation of the “Non-Local Bayes” (NL-Bayes) Image Denoising Algorithm[J]. Image Processing On Line, 2013. 3: 1-42.[6]BINDILATTI A A, MASCARENHAS N D. A Nonlocal Poisson Denoising Algorithm Basedon Stochastic Distances[J].IEEE Signal Processing Letters, 2013. 20(11): 1010-1013.[7]SALMON J, HARMANY Z, DELEDALLE C A, et al. Poisson noise reduction with non-local PCA[J].Journal of mathematical imaging and vision, 2014. 48(2):279-294.[8]GIRYES R, ELAD M. Sparsity-based Poisson denoising with dictionary learning[J]. Image Processing, IEEE Transactions on, 2014. 23(12):5057-5069.[9]MAITALO M, FOI A. Optimal inversion of the Anscombe transformation in low-count Poisson image denoising[J]. Image Processing, IEEE Transactions on, 2011. 20(1): 99-109.[10]COLLINS M, DASGUPTA S, SCHAPIRE R E. A generalization of principal components analysis to the exponential family[C]//Advances in neural information processing systems, 2001: 617-624.。

医学像处理技术的噪声去除方法在医学图像处理技术中，噪声是一个常见且严重的问题。

噪声的存在会对图像的质量和准确性产生负面影响，因此，开发一种有效的噪声去除方法对于医学图像的应用至关重要。

本文将介绍几种常见的医学图像噪声去除方法，并比较它们的优缺点。

一、平滑滤波法平滑滤波法是最简单且常见的噪声去除方法之一。

其基本原理是利用相邻像素的平均值或加权平均值来替代噪声像素的值。

常用的平滑滤波方法包括均值滤波、中值滤波和高斯滤波。

均值滤波法通过计算像素周围邻域像素的平均值来平滑图像，但它对于边缘细节的保护较差；中值滤波法则是用局部邻域的中值来代替噪声像素，对于椒盐噪声有较好的去除效果；高斯滤波则通过与邻域像素的加权平均来平滑图像，它能在一定程度上保留图像的细节。

二、小波变换法小波变换是一种时频分析方法，它通过将信号分解为不同频率的小波子带来表示信号。

在医学图像处理中，小波变换被广泛应用于噪声去除。

小波变换可以将信号的低频成分与高频成分相分离，然后通过对高频成分进行阈值去噪处理来实现图像的去噪。

小波变换法具有较好的去噪效果，可以有效地去除多种噪声，但它的计算复杂度较高。

三、非局部均值滤波法非局部均值滤波法（Non-local Means，简称NLM）是一种基于相似性原理的图像去噪方法。

该方法通过计算图像中每个像素与其他像素之间的相似性来过滤噪声。

具体来说，NLM方法将每个像素与图像中所有其他像素进行比较，并计算它们之间的相似度。

然后，通过对相似度进行加权平均来计算噪声像素的值，从而实现去噪的目的。

NLM方法具有较好的去噪效果，尤其擅长去除高斯白噪声和椒盐噪声。

四、偏微分方程法偏微分方程法（Partial Differential Equation，简称PDE）是一种通过偏微分方程对图像进行去噪的方法。

PDE方法通过定义一个能量函数来描述图像噪声与图像细节之间的平衡关系，并使用偏微分方程对能量函数进行最小化求解。

一种基于非局部方法的图像降噪电路设计的开题报告一、研究背景及目的随着数字图像应用领域的不断扩大，对图像质量的要求也日益提高。

但是，在传输和处理图像过程中，常常会产生各种噪声，如高斯噪声、椒盐噪声等，这些噪声会影响到图像的质量和清晰度。

因此，降噪技术在数字图像处理中具有重要意义。

本研究将探索一种基于非局部方法的图像降噪电路设计，并通过实验验证其降噪效果。

二、研究内容1、非局部方法的理论与应用非局部方法是一种基于相似性的图像降噪算法。

其思想是通过在图像中查找具有相似性的块，来实现噪声的滤除。

根据这个思路，可以实现对不同类型噪声的有效去除。

2、电路设计的流程与实现通过对非局部方法的研究，我们将设计出相应的电路，并且考虑实现的可行性和实用性，完成电路设计的流程。

3、实验验证及分析通过在某一具体图像上对降噪效果进行实验验证，评价采用非局部方法进行的图像降噪的效果及其优缺点，同时对实验结果进行分析和总结。

三、研究意义1、提高数字图像降噪的效果和质量通过本项研究，可以提高数字图像降噪的效果和质量，满足现实生产和生活中对图像质量的要求。

2、促进数字图像处理技术的发展通过对非局部方法的研究和应用，能够促进数字图像处理技术的发展，进一步推动相关领域的发展。

3、提高电路设计和实现能力本项研究采用电路设计的方式，实现了非局部方法的图像降噪，可以提高电路设计和实现能力。

四、研究方法1、文献研究法：对非局部方法的相关理论和应用进行深入了解和分析。

2、数学建模法：对非局部方法进行数学建模，并设计相应的电路。

3、实验方法：通过对具体图像进行降噪实验，验证电路设计的可行性和图像降噪效果。

五、研究进展目前已经完成了对非局部方法的初步研究与实践。

正在进行电路设计的相关工作，计划在近期完成电路的搭建和实验验证。

六、结论非局部方法是一种有效的图像降噪算法，可以应用于不同噪声类型的去除。

通过电路设计实现非局部方法的图像降噪，可以进一步推动数字图像处理技术的发展，并为实现高质量图像提供一定的技术支持。

专利名称：一种基于噪声方差估计的非局部均值图像去噪方法专利类型：发明专利
发明人：李一兵,付强,叶方,刘悦,张静,朱瑶,杨鹏,李敖,陈杰
申请号：CN201410431699.7
申请日：20140828
公开号：CN104200434A
公开日：
20141210
专利内容由知识产权出版社提供
摘要：本发明属于数字图像处理技术领域，具体涉及一种应用于图像去噪并作为后续目标识别的预处理的基于噪声方差估计的非局部均值图像去噪方法。

本发明包括：输入噪声图像，获取噪声图像尺寸；生成一个与噪声图像相同尺寸的零矩阵；对噪声图像边缘进行对称扩展；估计噪声方差，确定全局平滑参数；遍历噪声图像中每个像素，计算权值；利用非局部均值算法计算去噪图像。

本发明中基于噪声方差估计的非局部均值图像去噪方法，可以显著提高噪声图像清晰度，并且去噪后能更清晰地保留边缘和细节信息。

申请人：哈尔滨工程大学
地址：150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室国籍：CN
更多信息请下载全文后查看。

医疗影像处理中图像去噪算法的使用教程医疗影像处理是医学领域中一个重要的研究方向，它涵盖了许多不同的任务，其中之一就是图像去噪。

在医疗影像中，噪声是不可避免的，它可能来源于设备、传感器或者图像采集过程中的其他因素。

图像去噪算法的目标是有效地去除这些噪声，以提高图像的质量和准确性。

本文将为您介绍一些常见的医疗影像处理中的图像去噪算法和它们的使用方法。

1. 统计滤波器统计滤波器是最常见的图像去噪方法之一。

它基于统计原理，通过计算像素邻域内的统计特性来估计真实像素值，并将其作为去噪后的像素值。

常见的统计滤波器包括均值滤波器、中值滤波器和高斯滤波器。

这些滤波器可以通过调整窗口大小和参数来实现不同程度的去噪效果。

在使用统计滤波器时，需要根据图像的特点选择合适的滤波器和参数。

2. 基于小波变换的去噪方法小波变换是一种频域分析方法，可以将信号或图像分解为不同频率的子带。

基于小波变换的去噪方法利用信号在小波域内的稀疏性，通过对小波系数进行阈值处理来实现去噪效果。

常用的小波变换方法有离散小波变换(DWT)和连续小波变换(CWT)。

在使用小波变换方法时，需要选择适当的小波基函数和阈值算法来平衡去噪效果和图像细节保留。

3. 基于非局部均值的去噪方法基于非局部均值的去噪方法是一种基于图像相似性的去噪算法。

它利用图像中的相似块来估计每个像素的真实值。

该方法通过计算相似度矩阵和加权平均来得到去噪结果。

基于非局部均值的去噪方法在去除图像噪声的同时能够保留图像的细节信息。

在使用该方法时，需要选择相似度度量函数和相似块大小来平衡去噪效果和图像细节保留。

4. 基于深度学习的图像去噪方法近年来，深度学习的发展为图像去噪问题提供了新的解决思路。

基于深度学习的图像去噪方法通常利用卷积神经网络(CNN)来学习图像的噪声分布和去噪映射。

通过训练大量的图像数据，深度学习方法可以自动学习到更有效的去噪策略。

在使用基于深度学习的图像去噪方法时，需要准备大量的训练数据并选择合适的网络结构和训练参数。