K-L變換與灰色關(guān)聯(lián)度融合的非局部均值圖像去噪方法研究.pdf

1、圖像去噪屬于圖像處理的預(yù)處理環(huán)節(jié)，其目的在于抑制外部環(huán)境和設(shè)備自身帶來(lái)的噪聲干擾，極大程度地保留圖像的有用信息，增加去噪后圖像的信息可靠度，提高信噪比進(jìn)而提高圖像質(zhì)量，為后續(xù)的圖像融合、圖像重建、圖像增強(qiáng)、圖像分割、特征信息提取和分析等應(yīng)用奠定堅(jiān)實(shí)基礎(chǔ)。在幾種經(jīng)典空域去噪方法的基礎(chǔ)之上，Buades等人創(chuàng)造性地提出非局部均值去噪方法(Non-local means， NLM)，不再針對(duì)單一像素而是對(duì)圖像塊進(jìn)行處理，開啟了空域圖像去噪的又

2、一個(gè)全新時(shí)代。論文的重點(diǎn)是對(duì)NLM進(jìn)行研究與改進(jìn)，主要內(nèi)容闡述如下：
　?、僬撐膹膱D像去噪的理論知識(shí)、幾種經(jīng)典空域去噪方法入手，介紹了空域去噪的基本原理；詳細(xì)闡述了 NLM的去噪思想，并以峰值信噪比（PSNR）和結(jié)構(gòu)相似性（SSIM）為評(píng)價(jià)指標(biāo)，通過(guò)仿真結(jié)果顯示了 NLM相比于幾種經(jīng)典空域去噪方法的優(yōu)勢(shì)所在。
　?、卺槍?duì)NLM直接采用高斯加權(quán)的歐氏距離度量圖像子塊間的相似性，忽略了不同的圖像子塊紋理特征的分布不同，使相似性度

3、量不具有魯棒性的缺陷，本文基于NLM的基本原理，改進(jìn)圖像子塊間相似性度量的方式，進(jìn)行權(quán)值重構(gòu)。首先，在相似性度量時(shí)加入基于K-L變換的特征因子，充分而完整地利用K-L變換的特征提取功能，將圖像子塊在變換空間中的變換系數(shù)作為其特征的描述，使度量結(jié)果更為準(zhǔn)確。其次，在相似性度量時(shí)加入基于灰色關(guān)聯(lián)度的紋理因子，利用本文改進(jìn)的新型灰色關(guān)聯(lián)度模型能在一定程度上反映圖像子塊紋理結(jié)構(gòu)的局部分布的優(yōu)勢(shì)，進(jìn)一步提升權(quán)重度量的準(zhǔn)確性，利于去噪后圖像細(xì)節(jié)特征

4、的保護(hù)，以達(dá)到提升去噪性能的目的。仿真結(jié)果表明，本文方法在強(qiáng)噪聲條件下，能在“去噪”和“保邊”上得到較好的平衡。
　?、坭b于濾波參數(shù)等取值對(duì)圖像噪聲標(biāo)準(zhǔn)差這一先驗(yàn)信息的極大依賴性，基于傳統(tǒng)分塊法噪聲估計(jì)的不足，將 K-L變換與分塊法噪聲估計(jì)融合，篩選出屬于同質(zhì)區(qū)域的子塊并進(jìn)行合并計(jì)算，較為精確的得到圖像噪聲標(biāo)準(zhǔn)差的估計(jì)值，使所述的去噪方法參數(shù)設(shè)置等去噪過(guò)程具有整體的自適應(yīng)性。仿真結(jié)果表明，改進(jìn)的融合K-L變換的分塊法噪聲估計(jì)具有更