非局部均值NLM进行图像去噪

图像处理中的图像去噪算法综述随着现代科技的发展，图像处理在各个领域得到了广泛应用。

然而，由于图像采集过程中受到的噪声干扰，导致图像质量下降，降低了后续处理和分析的准确性和可靠性。

因此，图像去噪算法的研究和应用成为图像处理的重要方向之一。

图像去噪算法的目标是从包含噪声的图像中恢复原始图像，以降低噪声对图像质量的影响。

在实际应用中，图像噪声的类型和分布往往是复杂多样的，因此需要选择适合不同场景的去噪算法。

以下将对几种常见的图像去噪算法进行综述。

1. 统计学方法统计学方法通过建立噪声的统计模型来进行图像去噪。

常用的统计学方法包括高斯滤波、中值滤波和均值滤波。

高斯滤波是一种线性滤波器，通过对图像进行平滑处理来减少噪声。

中值滤波则是通过取窗口内像素的中值来代替当前像素值，从而降低噪声的影响。

均值滤波是将像素周围邻域内像素的平均值作为当前像素的新值。

2. 基于小波变换的方法小波变换是一种将信号分解成多个频带的方法，可以对图像进行多尺度分析。

基于小波变换的图像去噪方法通过去除高频小波系数中的噪声信息来恢复原始图像。

常用的小波去噪算法有基于硬阈值法和软阈值法。

硬阈值法通过对小波系数进行阈值处理，将小于阈值的系数设为0，大于阈值的系数保留。

而软阈值法在硬阈值法的基础上引入了一个平滑因子，将小于阈值的系数降低到一个较小的值。

3. 基于局部统计的方法基于局部统计的方法利用图像局部区域的统计特性来去除噪声。

其中，非局部均值算法（NL-means）是一种广泛应用的图像去噪算法。

NL-means 算法通过从图像中寻找与当前像素相似的局部区域，然后根据这些相似区域的信息对当前像素进行去噪。

该算法的优点是对各种类型的噪声都有较好的去除效果，并且能够保持图像的细节信息。

4. 基于深度学习的方法近年来，深度学习在各个领域得到了广泛应用，包括图像去噪领域。

基于深度学习的图像去噪方法通过训练一个适应性的神经网络来学习图像噪声和图像的复杂关系，从而实现去噪效果。

非局部均值处理的基本思想和优点1.非局部均值的基本思想基本思想是：当前像素点的灰度值与图像中所有与其结构相似的像素点加权平均得到。

非局部均值滤波的思想主要基于一个事实：对图像中任意一块小窗口图像块，会有许多与之相似的图像块。

与空间域滤波方法相比，这个方法的不同之处在于不需要局部约束。

非局部均值去噪算法主要利用数字图像中存在大量的自相似块这些冗余信息，通过建立待去噪像素点邻域与搜索区域的像素点邻域的相似性测度，计算搜索区域各像素点与待去噪像素点的相似度权重，然后对搜索区域内的像素点进行加权平均，从而计算得到待去噪像素点新的灰度值。

非局部算法的思想简单却十分可行，但是逐个像素点处理必然导致计算复杂度太大，因此还有很多改进的余地。

非局部均值的核心思想有点类似于小波基等一类的基构造思想。

在对图像进行处理时，利用图像局部的相似性。

对于每个像素的权值, 采用以它为中心图像子块(一般取7*7)与以当前像素为中心子块之间的高斯加权欧氏距离来计算, 权值设为此距离的负指数函数值。

这样做的好处是在估计当前像素值时, 局部结构上与它相似的像素权重较大, 而结构相似像素上叠加的噪声是随机的, 因而通过加权均值可有效去除噪声。

设v(i）和“u(i)分别表示含噪图片和原始图片，其中f表示像素位置。

非局部均值算法可由下面的公式描述：其中，NL(v)（i）表示在i像素位置处进行滤波得到的新像素灰度值。

加权系数的大小由两个像素点的邻域的相似性决定：其中，表示高斯加权距离，是归一化系数。

2.非局部均值处理的优缺点由于NL-Means算法在对每个像素的加权平滑过程中考虑了局部结构的相似性, 取得了很高的滤噪效果。

虽然NLM有优异的去噪性能，但是过高的计算复杂度极大的限制了它的发展和应用。

计算图像块之间相似性的匹配过程是NLM算法中的关键技术，NLM 中所用的加权平均系数即由此得到。

然而，图像的块是一个高维的向量，直接对其进行匹配运算比较图像块问相似性会造成算法复杂度急剧增大；另外NLM对图中所有的点的邻域块都直接进行相似性比较，在含噪情况下，这样得出的相似性权值准确性下降，容易对去噪结果造成一定的影响。

基于非局部均值去噪的数字图像复原技术研究数字图像处理技术日益成熟，应用场景也越来越广泛。

其中，数字图像复原技术是重要的研究方向之一。

其目的是通过对图像的处理，消除噪点和失真等干扰，实现图像的恢复和优化。

目前，基于非局部均值去噪的数字图像复原技术备受关注，可有效地提高图像质量，本文将详细探讨该技术的原理和应用。

一、非局部均值去噪技术基本原理非局部均值去噪技术是一种基于图像自身特征的复原方法。

其原理是选取包含噪点像素的邻域窗口，计算该窗口中各像素与周围其他像素的相似度，依据相似度大小对像素进行加权处理，最终得到去噪后的图像。

具体而言，非局部均值去噪技术主要包括以下步骤：1. 选取每个像素的邻域窗口通常情况下，取邻域窗口的大小与噪点大小相当，窗口大小较小时会影响降噪效果，窗口过大会增加计算量。

2. 计算相似度权重对于每个邻域窗口，需要计算其中各像素之间的相似度。

常用的相似度计算方法包括欧式距离、余弦相似度等。

以欧式距离为例，其计算公式为：$d(x,y) = \sqrt{\sum_{i=1}^n{(x_i-y_i)^2}}$其中，$x$和$y$分别表示窗口内的两个像素，$n$为像素维数。

根据相似度计算结果，可以得到相似度权重矩阵，为后续的像素加权处理提供基础。

3. 像素加权平均根据相似度权重和像素灰度值，对待处理像素进行加权平均。

使得处于相似度高的像素，其权重相对较大，对处理结果产生较大的影响。

4. 重复步骤2和3，直到图像整体的噪声被去除干净。

二、非局部均值去噪技术应用领域非局部均值去噪技术已被广泛应用于实际场景中。

其中，数字图像复原是其最为重要的应用领域之一。

在数字图像复原中，该技术不仅可以去除图像中的噪点和失真，还可以恢复丢失信息和细节。

此外，在视频编码、无人机遥感、红外成像等领域，非局部均值去噪技术也有广泛的应用。

例如，在视频编码中，该技术可将视频分割成帧，对其中的每一帧都进行去噪处理，从而提高压缩率和质量。

图像去噪算法：NL-Means 和BM3D图像去噪是⾮常基础也是⾮常必要的研究，去噪常常在更⾼级的图像处理之前进⾏，是图像处理的基础。

可惜的是，⽬前去噪算法并没有很好的解决⽅案，实际应⽤中，更多的是在效果和运算复杂度之间求得⼀个平衡，再⼀次验证了我⽼师的⼀句话：所有的⼯程问题最后都是最优化问题。

好了，废话不多说，来看看效果⽐较好的去噪算法吧。

噪声模型图像中噪声的来源有许多种，这些噪声来源于图像采集、传输、压缩等各个⽅⾯。

噪声的种类也各不相同，⽐如椒盐噪声，⾼斯噪声等，针对不同的噪声有不同的处理算法。

对于输⼊的带有噪声的图像v(x)，其加性噪声可以⽤⼀个⽅程来表⽰：其中是原来没有噪声的图像。

是像素集合，是加项噪声项，代表噪声带来的影响。

是像素的集合，也就是整幅图像。

从这个公式可以看出，噪声是直接叠加在原始图像上的，这个噪声可以是椒盐噪声、⾼斯噪声。

理论上来说，如果能够精确地获得噪声，⽤输⼊图像减去噪声就可以恢复出原始图像。

但现实往往很⾻感，除⾮明确地知道噪声⽣成的⽅式，否则噪声很难单独求出来。

⼯程上，图像中的噪声常常⽤⾼斯噪声来近似表⽰，其中，是噪声的⽅差，越⼤，噪声越⼤。

⼀个有效的去除⾼斯噪声的⽅式是图像求平均，对N 幅相同的图像求平均的结果将使得⾼斯噪声的⽅差降低到原来的N 分之⼀，现在效果⽐较好的去噪算法都是基于这⼀思想来进⾏算法设计。

NL-Means 算法NL-Means 的全称是：Non-Local Means ，直译过来是⾮局部平均，在2005年由Baudes 提出，该算法使⽤⾃然图像中普遍存在的冗余信息来去噪声。

与常⽤的双线性滤波、中值滤波等利⽤图像局部信息来滤波不同的是，它利⽤了整幅图像来进⾏去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够⽐较好地去掉图像中存在的⾼斯噪声。

NL-Means 的滤波过程可以⽤下⾯公式来表⽰：在这个公式中，是⼀个权重，表⽰在原始图像中，像素 和像素 的相似度。

基于NLM图像去噪算法的硬件设计与实现基于NLM图像去噪算法的硬件设计与实现摘要：随着科技的不断发展，数字图像处理技术在各个领域得到广泛应用。

图像去噪是图像处理中一个重要的环节，对于提升图像品质具有重要作用。

本文介绍了一种基于NLM（non-local means）图像去噪算法的硬件设计与实现方法。

通过将算法转化为硬件电路，实现了实时高效的图像去噪功能。

实验结果表明，该硬件设计能有效消除图像噪声，并保持图像细节，具有较好的实用性和性能。

关键词：NLM算法；图像去噪；硬件设计；实现引言随着科技的进步，图像的获取和传输变得越来越容易，图像处理技术在各个领域得到广泛应用，例如医学影像、无人驾驶、安防监控等。

然而，由于图像获取过程中的电磁干扰、信号传输损耗以及储存介质等因素的影响，图像中常常存在各种噪声，如高斯噪声、椒盐噪声等。

这些噪声会降低图像的品质，影响后续图像处理和分析的准确性。

因此，图像去噪技术成为了图像处理中一个重要的环节。

NLM算法简介NLM算法（non-local means）是一种基于图像自相似性原理的图像去噪算法。

该算法通过计算图像中各个像素点与其他像素点的相似性，将相似性较高的像素点的信息进行加权平均，从而抑制噪声，保留图像细节。

NLM算法的核心思想是：同一个图像中的相似纹理在不同的位置会有相似的分布。

通过搜索整个图像，找到相似领域，并进行加权平均，可以有效去除噪声。

硬件设计与实现为了在实时性的要求下进行图像去噪处理，我们将NLM算法进行硬件设计和实现。

整个硬件系统由图像传感器、FPGA、显示器等组成。

其中，FPGA作为核心处理器，负责图像的处理和去噪。

1. 图像传感器图像传感器用于将物理世界中的图像信息转换为电信号。

我们选择高清图像传感器，以提供高质量的输入图像。

传感器通过处理模块将图像数据传输到FPGA进行处理。

2. FPGAFPGA芯片是一种可编程逻辑器件，具有高灵活性和可重构性。

相片降噪的原理是
相片降噪的原理是通过算法和技术处理图像中的噪声，从而减少或消除噪声的影响，提高图像的清晰度和质量。

常见的相片降噪原理包括以下几种：
1. 统计滤波：根据图像的统计性质，如均值、方差等，对图像进行滤波处理，去除图像中的噪声。

常用的统计滤波方法有均值滤波、中值滤波等。

2. 非局部均值去噪（NLmeans）：通过比较图像的不同区域之间的相似性，对每个像素点进行加权平均，从而降低噪声。

该方法利用了图像中相似纹理区域的统计特性，能够有效去除噪声。

3. 小波去噪：利用小波变换将图像分解为不同频率的子带，对高频子带进行降噪处理，然后再进行逆变换恢复图像。

小波去噪主要用于降低图像的高频噪声。

4. 基于深度学习的降噪：利用深度学习算法，通过训练大量图像样本，学习图像中的噪声和清晰图像之间的映射关系，进而对新的图像进行降噪处理。

这种方法通常需要较大的计算资源和大量的训练样本。

总之，相片降噪的原理是利用图像处理算法和技术，通过对图像的统计特性、纹理特征等进行分析和处理，从而减少图像中的噪声，提高图像的质量和清晰度。

不同的降噪方法适用于不同的噪声类型和降噪要求。

邓志全等：改进的非局部均值图像去躁算法_______________________________基金项目: 国家自然科学基金资助(10572154)第一作者简介:邓志全(1983-)，男，中山大学科学计算与计算机应用系硕士研究生，主要研究方向为信息计算科学、数字图像处理与分析。

改进的非局部均值图像去噪算法邓志全1） 关履泰1） 朱庆勇2）（1）中山大学 科学计算与计算机应用系，广州 510275，lnsglt@ 2）中山大学工学院海洋研究中心，广州 510275）摘 要: 图像去噪一直以来都是计算机图像处理和计算机视觉中的一个研究热点，其中非局部化均值算法是近年来去噪效果比较出色并引起广泛研究讨论的算法之一。

本文在非局部均值算法的基础上提出改进方案，针对图像自身的特点自适应的取最优参数，同时大大的减低其运算量和时间。

并从理论和算法程序等方面详细阐述了该加速算法的具体实现过程。

最后论文给出加速算法在实际应用中的处理结果和优越性 关键词: 图像去噪; 非局部均值;整体变分法; PDE 去噪模型;自适应求参;各向异性扩散Improved Non-local Means Image Denoising MethodDENG Zhi-quan 1）, GUAN Lutai 1）, ZHU Qing-yong 2)(1）Department of Scientific Computing&Computer Application ,Sun Yet-sen University, Guangzhou 510275) (2)Ocean Engineering Research Certre,School of Engineering, Sun Yet-sen University ,Guangzhou510175)Abstract: Image denoising technology is one of the forelands in the field of Computer Graphic and Computer Vision; Non-local Means method is one of the great performing methods which arouse tremendous research. In this paper, we propose a novel improved Non-local Means algorithm which can select the optimal parameters and decrease the computational complexity. We also give the mathematical theory embedded and implementation in details. In the end, we present the main experiment results and its superiority in application.Keywords: Image denoising; Non-local Means;Total Variation Method;PDE denoising model;Adaptive Parameterize; Anisotropic diffusion1 引言随着电子计算机和数码成像设备的日益普及，数字图像处理越来越受到人们的重视。

结合高阶微分的非局部均值图像去噪算法彭扬【摘要】非局部均值算法是近年来去噪效果优秀并且引起广泛研究的算法，但是该算法对于弱纹理，弱边缘不能很好地保持。

在非局部均值算法的基础上，利用高阶微分可以很好地反映图像的弱边界和振荡等特征的特点，改进了非局部均值算法。

改进的算法能够在去噪的同时保留更多的细节、纹理和弱边缘。

%Non-local Means algorithm is a very effective and widely studied algorithm, but it cannot maintain the texture and weak edges of image very well. By using the characteristics of high order differential which can reflect the weak boundary and oscillation characteristics of image well, we improve theNon-local Means algorithm. The improved algorithm cannot only remove noise, but also keep more details, textures and weak edge.【期刊名称】《计算机系统应用》【年(卷),期】2014(000)001【总页数】5页(P119-123)【关键词】图像去噪;非局部均值;Hessian矩阵;高阶微分;特征方向【作者】彭扬【作者单位】重庆大学数学与统计学院，重庆 401331【正文语种】中文1 系统概述图像去噪是图像分割、图像边缘检测、图像匹配的预处理过程,因此图像去噪是图像处理中的一个重要组成部分.通常一幅图像可表示为:i为像素点,()v i为观察到的图像,()u i是真实的图像,()n i代表噪声分布.为了去除噪声,找到真实图像u,人们提出了很多方法.尽管他们在实现方法上有各自的差异,但是都遵循着一个主要的思想:利用平均思想来达到去噪目的.常见的算法包括各种自适应中值滤波算法、小波阈值算法、各向异性扩散方程算法、总变分最小化算法、非局部均值滤波算法,等等.其中,非局部均值算法(Non-local Means,NLM)[1]起源于邻域滤波算法[2],邻域滤波算法的思想是:根据像素点邻域灰度值的相似性,对当前像素点进行重新估计.NLM 算法是对邻域滤波算法的一种推广,NLM 算法不是对图像的单个像素灰度值和其他像素点灰度值作对比得到,而是对像素点周围整个区域的灰度值整体作对比,根据灰度分布的相似性决定权重,灰度分布结构越相似,权重越大,相反,则权重小.NLM算法虽然有很好的去噪性能,但是由于该算法采用的指数型加权核函数只利用了图像灰度信息,对图像大的邻域特征,如振荡、线间断等不能很好地刻画,导致图像在细节和纹理处容易因过度平滑变得模糊.近年来许多研究者提出了改进的NLM 算法[3-6],文献[7]指出高阶微分可以很好地反映图像的弱边界和振荡等特征.通过以上分析对非局部均值算法进行了改进,给出结合高阶微分的非局部均值算法.实验表明,新的非局部均值算法在去噪的同时,能很好的保持图像细节,纹理及弱边界.2 非局部均值算法(NLM)NLM 去噪算法[1]的基本思想是:当前像素点的估计由与当前像素点所在区域灰度结构相似的所有区域加权平均得到.给定一幅离散的图像v=｛v(i)|i∈I｝,I表示图像的像素集合.NLM算法表达式如下:权重定义如下:其中为归一化常数,使得权值w介于0和1之间,且满足（i,j）=1.式中ij为像素和所在邻域N（i）和N（j）基于灰度级的高斯加权欧氏距离,a为高斯加权方差,由邻域窗口大小决定.参数 h的取值与图像中的噪声强度成正比,取为hλσ=,其中σ为噪声的标准差,一般取为0.8～1.5之间.依据算法原理,像素邻域及其搜索范围应是整幅图像,但是在整幅图像中计算执行效率较低.为了提高计算效率,我们在实际执行时,选择了两个窗口,一个是像素邻域窗口K×K,也就是说N（i）和N（j）是K×K的,一个是像素搜索范围的窗口L×L,即在L×L大小的区域里面选择K×K的区域进行滑动,根据区域灰度结构相似性确定区域中心像素灰度的贡献权值.实验中发现,NLM 虽然有很好的去噪效果,但是由于图像中的纹理,弱边缘灰度分布“相似块”与邻域的平滑区域差别不大,所以图像的纹理,弱边缘容易在求均值的过程中被模糊掉.文献[7]提到,高阶微分能够较好的反映图像的震荡部分和弱边界,它强调图像中灰度的突变及灰度缓慢变化的区域,考虑到这一点,我们采用对纹理,弱边界能较好反映的图像灰度二阶微分改进NLM去噪算法.3 结合高阶微分的非局部均值算法设H为关于Iσ的Hessian矩阵,则定义:其中Iσ为图像 I的高斯滤波图像,σ为高斯滤波器的方差,使得微分对尺度小于σ的噪声不敏感.求出Hρ的两个正交的单位特征向量ϖ,ν其中ϖ,ν对应的特征值为Hρ也可以看作是关于图像的二阶张量,我们选取μ1对应的特征向量ϖ为垂直于图像边缘和纹理的方向,与ϖ垂直的向量v为图像特征的方向,μ1和μ2分别表示在这两个方向上震荡程度的大小.我们用特征值相减u=μ1-μ2来度量图像I在某点的震荡和灰度突变等特征[8].需要指出的是,本文使用二阶 sobel算子计算微分.下面用一组图来说明 u在图像平滑区域,边界和纹理区域的不同特征:图1 u图像特征从图 1可以看出,在图像的平滑区域,0u≈,在震荡或者边界区域,0u≥.说明Hessian 矩阵可以很好的刻画图像中的边界,特别是纹理特征.非局部均值算法在去噪的过程中,容易模糊掉部分纹理、细节和弱边缘.由前面分析可知,灰度二阶微分能够很好地刻画图像纹理,弱边界等特征,所以本文提出了结合高阶微分的非局部均值算法.为了避免值与图像灰度差别过大,影响其在算法中的作用,我们定义函数其中,M取图像灰度的最大值.函数U（x,y）将u的取值调整到[1,1+M]之间.改进的NLM算法离散形式如下:本文在NLM算法中引入二阶微分,使得NLM算法在求“相似块”权重时,不仅考虑了灰度值,而且考虑了灰度的二阶微分,即图像的震荡,线间断,孤立点等特征.因此提出的算法在灰度结构相同的情况下,能够让具有相同震荡特征的局部块具有更高的权重,所以对当前像素块的估计更加准确.实验表明,改进的算法能够在去噪的同时,保留更多的图像细节、纹理和弱边界.4 实验结果对本文算法进行仿真实验,并与NLM算法进行比较.程序用matlab7.4编写,实验中参数L=5,K=2.实验一图 2(a)是一幅带高斯噪声的熊猫图片.由于二阶微分对纹理和弱边缘敏感,使得图2(c)比图 2(b)保留了更多的毛发,而且熊猫的眼珠也保留了下来,如图中框出的部分所示.本实验说明相比NLM算法,改进的算法能够保留更多图像的弱细节信息.图2 细节保持对比(10h=)实验二图 3(a)是一幅既包括噪声又含有细节的图像,对于这类图像的去噪是很困难的.从图3(b)可以看出,在图像平滑的过程中,羽毛的纹理几乎已经被平滑掉.图3(c)在去噪后,仍然能保留鸟身上、尾巴上羽毛条纹的层次.本实验说明改进的算法比 NLM 算法保留了更多的纹理.图3 纹理保持对比(20h=)实验三这是一幅医学图像,由于二阶微分对于弱边缘更加敏感,由图4(b)和(c),可以看出在图上方边界处,图4(b)的边界已经有些模糊,而图 4(c)边界却很清晰.同时,4(c)保留了更多原图像的细节,出现了更多的细纹理.从实验三可以看出,提出的模型可以很好的保持图像弱边缘.图4 弱边界保持效果对比(20h=)实验四这是一幅含纹理信息较多的图片.由图5(c),(d)和表1可知,对比传统的NLM算法,本文提出的算法在去噪过程中不仅保留了图像的细节、纹理等信息,而且具有较高的峰值信噪比.图5 去噪效果对比(20h=)表1 峰值信噪比(PSNR)对比模型噪声图像 NLM算法本文算法PSNR(dB) 21.29 28.55 28.62实验五从图6(c),(d)可以看出,本文提出的算法在去噪的同时保留了更多石头的细节,并由表 2可知,本文算法具有较高的峰值信噪比.进一步表明本文提出的算法具有较好的去噪性能.图6 去噪效果对比(20h=)表2 峰值信噪比(PSNR)对比模型噪声图像 NLM算法本文算法PSNR(dB) 22.08 28.59 28.665 结语利用二阶微分改进 NLM 算法中的权重,本文提出了一个新的非局部均值算法.实验表明,相对于传统的 NLM 算法,本文算法不仅能有效去除图像噪声,而且能更好地保持图像的细节、纹理、弱边缘等重要特征.参考文献【相关文献】1 Buades A,Coll B,Morel JM.A non-local algorithm for image puter Vision and Pattern Recognition,2005,2(2):60-65.2 Yaroslavsky L.Digital Picture Processing- An Introduction.Springer Verlag,Berlin,1985.3 Lou Y,Zhang X,Osher S,Bertozzi A.Image recovery via nonlocal operators.Journal of Scientific Computing,2010,42(2):185-197.4 Ji Z,Chen Q,Sun Q,Xia D.A moment-based nonlocal- means algorithm for image rmation Processing Letters,2009,109(23-24):1238-1244.5 Gilboa G,Osher S.Nonlocal linear image regularization and supervised segmentation.Multiscale Modeling and Simulation,2007,6(2):595-630.6 Wang S,Xia Y,Liu Q,Luo J,Zhu Y,Feng DD.Gabor feature based nonlocal means filter for textured image denoising.Journal of Visual Communication and Image Representation,2012,23(7):1008-1018.7 Carmona RA,Zhong S.Adaptive smoothing respecting feature directions.IEEE Trans.on Image Processing,1998,7(3):353-358.8 喻罡,张红梅,卞正中,郭佑民.一种改进的一致性扩散图像增强方法.电子与信息学报,2005,27(9):1408-1411.。

BM3D（Block Matching and 3D Filtering）去噪原理是一种先进的图像去噪算法，它基于非局部均值（NL-Means）的思想，通过分块匹配和三维滤波来去除图像中的噪声。

以下是BM3D去噪原理的详细解释：
1.分块匹配：首先将含噪图像分割成大小相等的小块，然后对每个小块进行变换（如离散余弦变换
DCT）。

接着，通过块匹配算法找到与每个小块相似的其他小块，并将它们组合成一个三维矩阵。

这个过程中，块匹配是基于小块之间的相似性度量（如欧氏距离）进行的，相似的小块被认为具有相似的噪声模式。

2.三维滤波：在得到三维矩阵后，BM3D算法对其进行三维变换（如三维DCT）以将信号和噪声
分离。

然后，采用硬阈值滤波或软阈值滤波等方法去除低于一定幅度的变换系数，即去除噪声成分。

最后，进行三维逆变换以恢复去噪后的信号。

3.聚合：将经过三维滤波后的三维矩阵重新分块，并将每个小块按照原始图像中的位置还原。

对于
重叠部分的小块，采用逐像素加权平均的方法得到最终的去噪图像。

BM3D算法通过分块匹配和三维滤波的方式，能够有效地降低图像中的噪声，同时保留图像细节。

它在去噪过程中充分利用了图像中相似块之间的冗余信息，提高了去噪效果。

因此，BM3D算法被广泛应用于图像去噪、图像增强和图像恢复等领域。

自适应的快速非局部图像去噪算法
王志明;张丽
【期刊名称】《中国图象图形学报》
【年(卷),期】2009(014)004
【摘要】文章对非局部均值(NL-Means)图像去噪算法进行了改进,提出一种定量估计算法滤波参数最优值的方法,由噪声图像估计噪声方差,进而由噪声方差与图像方差估计滤波参数h.另外,根据局部区域加权欧氏距离的对称性,将算法中复杂度最高的两像素间距离计算由两次降为一次,从而在不损失性能的条件下使计算复杂度降低到原来的一半左右.在多个典型图像上的实验结果表明,提出的自适应非局部均值算法(ANL-Means)可达到近似最优性能,且处理时间只有标准NL-Means算法的一半左右.
【总页数】7页(P669-675)
【作者】王志明;张丽
【作者单位】北京科技大学信息工程学院,北京,100083;清华大学工程物理系,北京,100084
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于自适应非局部稀疏编码图像去噪方法 [J], 王萌萌;屈红伟;孙燕;尚振宏
2.自适应非局部数据保真项和双边总变分的图像去噪模型 [J], 郭黎;廖宇;李敏;袁
海林;李军
3.基于非局部自相似的Shearlet自适应收缩图像去噪 [J], 许志良;邓承志
4.基于时域自适应滤波及非局部平均的夜视图像去噪算法 [J], 刘小园;衣扬;杨磊
5.快速自适应非局部空间加权与隶属度连接的模糊C-均值噪声图像分割算法 [J], 王小鹏;王庆圣;焦建军;梁金诚
因版权原因，仅展示原文概要，查看原文内容请购买。

第37卷第8期计算机仿真2020年8月文章编号：1006 -9348(2020)08 -0228 -07一种基于深度学习的非局部均值图像降噪方法刘建宾，刘保中(北京信息科技大学计算机学院，北京K X H01)摘要:针对传统图像降噪算法对图像进行降噪时效果不佳的问题，提出一种深度学习与非局部均值滤波算法相结合的图像 降噪新方法。

在传统非局部均值滤波算法基础上，通过构建图像分块滤波学习过程框架和五层神经网络模型，运用梯度下 降反向传导算法和ReLU激活函数，采用均方对数误差损失函数和Adam优化函数进行小批量处理模型训练，在kerns框架 上得到较好的降噪效果。

通过和高斯滤波、中值滤波、双边滤波、非局部均值滤波算法对比实验，验证了方法的有效性。

关键词：非局部均值;深度学习；图像分块；图像降噪；神经网络中图分类号:TP391 文献标识码：BNon - Local Mean Image Denoising Method Based on Deep LearningLIU Jian - bin,LIU Bao - zhong(Computer School,Beijing Information Science&Technology University,Beijing 100101)：Aiming at the problem that the traditional image denoising algorithm is not effective in noise reduction,a new image denoising method combining deep learning and non- local mean filtering algorithm is proposed.On thebasis of the traditional non- local mean filtering algorithm,by constructing the image block filtering learning process framework and the five- layer neural network model f using the gradient descent reverse conduction algorithm and the RELU activation function,the mean square logarithmic error loss function and the Adam optimization function were used to perform small batch processing model training and obtain better noise reduction effect on Keras framework.The effectiveness of the method was verified by comparison with Gaussian filtering,median filtering,bilateral filte­ring,and non- local mean filtering algorithms.：Non- local means(NLM)；Deep learning；Image segmentation；Image denoising；Neural networki引言在图像处理领域中图像降噪问题备受研究者的青睐。