一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法
【專利摘要】本發(fā)明的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，屬于圖像處理技術(shù)領(lǐng)域。有變差系數(shù)值圖的建立、變差系數(shù)值圖的分類、平坦區(qū)域上去噪處理、結(jié)構(gòu)區(qū)域上去噪處理四個(gè)步驟。本發(fā)明具有運(yùn)算時(shí)間短、計(jì)算權(quán)重準(zhǔn)確、去噪效果好等優(yōu)點(diǎn)。
【專利說(shuō)明】
-種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體設(shè)及一種改進(jìn)圖像塊匹配的非局部均值圖像 去噪方法。
【背景技術(shù)】
[0002] 人類從外界所獲取的大部分信息是通過(guò)視覺(jué)上對(duì)事物的反映，進(jìn)而在大腦中形成 圖像。由于圖像具有直觀、易懂、形象和信息量大等特點(diǎn)，因此應(yīng)用領(lǐng)域非常廣泛，并且發(fā)揮 著越來(lái)越重要的作用。因此，圖像已經(jīng)成為人類獲取信息、感知世界進(jìn)而改變世界的一種重 要手段。但是，由于成像系統(tǒng)、傳輸介質(zhì)和記錄儀器的不完善，在獲取、傳輸和接收的過(guò)程 中，圖像會(huì)被噪聲污染，影響人類對(duì)圖像觀察和正確的理解，也會(huì)影響機(jī)器對(duì)圖像的識(shí)別 等，所W對(duì)圖像進(jìn)行去噪處理就變得尤為重要。圖像去噪的目的就是采用一定的技術(shù)手段， 對(duì)含有噪聲圖像利用相應(yīng)的算法進(jìn)行處理，同時(shí)也要求滿足一定條件的噪聲平滑程度，從 而能盡量把圖像的細(xì)節(jié)等重要信息保存下來(lái)，近似恢復(fù)原圖像，提高含噪聲圖像的清晰度 和質(zhì)量。
[0003] 2005年，Buades等人首次提出了非局部均值(Non-local means，NLM)去噪方法，充 分利用了加性高斯白噪聲模型和圖像中像素存在自相似的特性，通過(guò)對(duì)各個(gè)像素配W相應(yīng) 的權(quán)重并且相乘做和來(lái)近似估計(jì)目標(biāo)像素灰度值。該方法W其特有的優(yōu)勢(shì)和理論基礎(chǔ)受到 了學(xué)者的廣泛關(guān)注，從而對(duì)NLM改進(jìn)的一系列方法被提出來(lái)，不同程度的改善了圖像去噪效 果。在經(jīng)典NLM去噪方法中權(quán)重大小是由當(dāng)前像素點(diǎn)所在的圖像塊與鄰域內(nèi)其他像素點(diǎn)所 在的圖像塊之間的相似性來(lái)度量的，圖像塊能把更加豐富的信息包含進(jìn)來(lái)，運(yùn)樣就能描述 圖像的特征，也能更好的估計(jì)當(dāng)前目標(biāo)像素的灰度值，從而達(dá)到有效的保護(hù)圖像邊緣、細(xì)節(jié) 等重要特征。但是在像素變化較大的區(qū)域上，兩個(gè)圖像塊之間的相似性程度與圖像塊尺寸 有關(guān)系，進(jìn)而影響了權(quán)重和最終的去噪效果。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的問(wèn)題是:克服非局部均值在自適應(yīng)匹配相似圖像塊尺寸方面的不 足，基于兩個(gè)相似圖像塊之間的相關(guān)系數(shù)，提供一種在結(jié)構(gòu)區(qū)域上能自適應(yīng)匹配相似圖像 塊尺寸的非局部均值圖像去噪方法。
[0005] 上述的技術(shù)問(wèn)題通過(guò)W下的技術(shù)方案實(shí)現(xiàn)：
[0006] -種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，有變差系數(shù)值圖的建立、 變差系數(shù)值圖的分類、平坦區(qū)域上去噪處理、結(jié)構(gòu)區(qū)域上去噪處理四個(gè)步驟；
[0007] 所述的變差系數(shù)值圖的建立是，將噪聲圖像利用變差系數(shù)進(jìn)行重新構(gòu)圖，得到變 差系數(shù)值圖，所述的變差系數(shù)是圖像上任一點(diǎn)的標(biāo)準(zhǔn)差相對(duì)于平均數(shù)大小的一個(gè)相對(duì)量， 由圖像上所有點(diǎn)的變差系數(shù)值組成一個(gè)新的圖像就得到變差系數(shù)值圖；
[000引所述的變差系數(shù)值圖的分類是，利用聚類算法對(duì)所述的變差系數(shù)值圖進(jìn)行分析， 將變差系數(shù)值圖中的區(qū)域分成兩大類，并記為平坦區(qū)域和結(jié)構(gòu)區(qū)域；
[0009] 所述的平坦區(qū)域上去噪處理是，在變差系數(shù)值圖的分類之后得到的平坦區(qū)域上， 用經(jīng)典非局部均值圖像去噪方法進(jìn)行處理，得到平坦區(qū)域的去噪結(jié)果圖；
[0010] 所述的結(jié)構(gòu)區(qū)域上去噪處理是，在變差系數(shù)值圖的分類之后得到的結(jié)構(gòu)區(qū)域上， 先利用兩個(gè)圖像塊之間相關(guān)系數(shù)的值來(lái)選取塊尺寸，然后再利用經(jīng)典非局部均值圖像去噪 方法進(jìn)行處理。
[0011] 本發(fā)明的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法中，所述的變差系 數(shù)值圖的建立，具體是，利用變差系數(shù)CV來(lái)衡量圖像的勻質(zhì)性，變差系數(shù)CV的計(jì)算公式為：
[0012]
[001引其中Fi是W像素 i為中屯、的正方形鄰域，vs(j)是正方形鄰域內(nèi)任意一點(diǎn)像素 j的 灰度值，Ave化)為其正方形鄰域內(nèi)所有像素灰度值的均值，Var(Fi)是其方形鄰域內(nèi)所有像 素灰度值的方差;對(duì)整幅噪聲圖像進(jìn)行計(jì)算后，建立變差系數(shù)值圖。
[0014] 本發(fā)明的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法中，所述的變差系
數(shù)值圖的分類，具體是，根據(jù)公5 量數(shù)據(jù)與 聚類中屯、之間的距離，并根據(jù)公 中屯、值；其 中w(A,)表示同類中數(shù)據(jù)的個(gè)數(shù);利用K-means聚類算法對(duì)CV值分成平坦區(qū)域和結(jié)構(gòu)區(qū)域； 所述的K-means聚類算法，具體可參考文獻(xiàn)：王千，王成，馮振元，葉金鳳.K-means聚類算法 研究綜述[J].電子設(shè)計(jì)工程，2012，07:21 -24。
[0015] 本發(fā)明的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法中，所述的平坦區(qū) 域上去噪處理，具體是利用公式
[0016]
[0017]
[001 引
[0019] ^<'，7)=|，(^,)-1'的,'|對(duì)圖像的平坦區(qū)域進(jìn)行處理得到圖像平坦區(qū)域的去噪結(jié)果 圖；其中d(i，j)表示兩個(gè)像素之間的歐式距離，w(i，j)表示的是像素點(diǎn)j所賦予的相似權(quán) 重，Z(i)表示歐氏距離的歸一化常數(shù)，韋i表示的是目標(biāo)像素點(diǎn)i的灰度估計(jì)值。
[0020] 本發(fā)明的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法中，所述的結(jié)構(gòu)區(qū) 域上去噪處理，具體是利用公^5
計(jì) 算圖像塊之間的相似系數(shù)Similarity,其中CR(a，b)表示兩個(gè)圖像塊的相關(guān)系數(shù);然后設(shè)定 闊值Tl = O. 25,T2 = 0.5，當(dāng)SimiIarityCTl時(shí),選擇3 X 3的圖像塊；當(dāng)Similarity >T2時(shí)， 選擇7X7的圖像塊；當(dāng)Tl《Similarity《T2時(shí)，選擇5X5的圖像塊，由此來(lái)自適應(yīng)匹配相似 圖像塊的尺寸。
[0021] 本發(fā)明的技術(shù)方案有W下有益效果：
[0022] 1、本發(fā)明在圖像像素變化較大的區(qū)域上，能快速匹配相似圖像塊的尺寸，W減少 方法的運(yùn)算時(shí)間。
[0023] 2、本發(fā)明可W實(shí)現(xiàn)相似圖像塊尺寸的自適應(yīng)選擇，使得在計(jì)算權(quán)重時(shí)能更加準(zhǔn) 確，去噪效果更好。
【附圖說(shuō)明】
[0024] 圖1是實(shí)施例2中所述的噪聲圖像。
[0025] 圖2是實(shí)施例2中所述的CV值圖。
[0026] 圖3是實(shí)施例3中所述的CV值分類圖。
[0027] 圖4是實(shí)施例5中所述的最終去噪后的整幅圖像。
[0028] 圖5是本發(fā)明方法的流程圖。
【具體實(shí)施方式】
[0029] 實(shí)施例1本發(fā)明的總體步驟
[0030] 本發(fā)明是一種改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，有變差系數(shù)值圖的建 立、變差系數(shù)值圖的分類、平坦區(qū)域去噪處理、結(jié)構(gòu)區(qū)域去噪處理四個(gè)步驟，首先利用變差 系數(shù)公式將要處理的帶噪聲的圖片轉(zhuǎn)換成變差系數(shù)值圖，然后將變差系數(shù)值圖劃分成平坦 區(qū)域和結(jié)構(gòu)區(qū)域，在平坦區(qū)域上，用經(jīng)典非局部均值圖像去噪方法進(jìn)行處理，在結(jié)構(gòu)區(qū)域 上，先利用兩個(gè)圖像塊之間相關(guān)系數(shù)的值來(lái)選取塊尺寸，然后再利用經(jīng)典非局部均值圖像 去噪方法進(jìn)行處理，最終得到去噪的圖像。
[0031] 實(shí)施例2變差系數(shù)值圖的建立
[0032] 在本發(fā)明中，利用變差系數(shù)(Coefficient of Variation,CV)來(lái)衡量圖像的勻質(zhì) 性，所謂的變差系數(shù)是標(biāo)準(zhǔn)差相對(duì)于平均數(shù)大小的相對(duì)量，其公式可W表示為：
[0033]
(1)
[0034] 其中Fi是W像素 i為中屯、的正方形鄰域，vs(j)是正方形鄰域內(nèi)任意一點(diǎn)像素 j的 灰度值，Ave化)為其正方形鄰域內(nèi)所有像素灰度值的均值，Var(Fi)是其方形鄰域內(nèi)所有像 素灰度值的方差。將圖1所示的噪聲圖利用公式(1)處理后得到如圖2所示的變差系數(shù)值圖。
[0035] 實(shí)施例3變差系數(shù)值圖的分類
[0036] 在實(shí)施例2中的變差系數(shù)值圖中，CV值會(huì)有大小之分，其中較小的CV值為平坦區(qū) 域，較大的CV值為結(jié)構(gòu)區(qū)域。利用K-means聚類算法對(duì)CV值分成兩類并顯示變差系數(shù)值圖的 分類結(jié)果圖。下面就簡(jiǎn)單的介紹K-means算法，該算法接受參數(shù)k，即k表示的是要進(jìn)行分類 的種數(shù)。為了方便描述算法，定義W表示為樣本包含n個(gè)數(shù)據(jù)，即
[0037]
(2)
[0038] 其中，Xa = Xal, Xa2...Xad是一個(gè)d維向量，表示的是第a個(gè)數(shù)據(jù)的d個(gè)屬性，n是樣本 容量。然后還要對(duì)將數(shù)據(jù)樣本W(wǎng)劃分為k類，則聚類中屯、可W表示為：
[0039] C=kb|cb=kbi,cb2. . .cbd),b=l,2. . .k} (3)
[0040] 其中Cb=(Cbl，Cb2. . .Cbd)表示的是第b個(gè)聚類中屯、，每個(gè)中屯、都有d種屬性，k表示 的是k種聚類。要求滿足同一個(gè)類的距離較小，若是不同的類則距離較大。其衡量距離采用 的公式如下：
[0041 ]
(4)
[0042] 然后把屬于相同類的數(shù)據(jù)做相應(yīng)均值處理，得到新的聚類中屯、的值，其計(jì)算公式 如下所示：
[0043]
日）
[0044] 其中W知)表示該類中數(shù)據(jù)的個(gè)數(shù)。
[0045] 該聚類方法基本思想是:先在圖像空間中選擇k個(gè)點(diǎn)做為質(zhì)屯、然后進(jìn)行聚類，先把 在位置上最靠近聚類中屯、的對(duì)象進(jìn)行類別劃分，歸屬到屬于它們的那一類上。然后通過(guò)均 值迭加的方法，依次更新各不同聚類的中屯、值，直到得到最好的聚類結(jié)果。具體算法描述如 下：
[0046] (1)選擇k個(gè)類的初始中屯、，通常情況下可W設(shè)置初始中屯、或者算法自動(dòng)選擇；
[0047] (2)在進(jìn)行迭代處理中，對(duì)一個(gè)任意已知數(shù)據(jù)的樣本，求各個(gè)數(shù)據(jù)到k個(gè)聚類中屯、 的距離，將該樣本數(shù)據(jù)劃分到距離最短的那一類；
[0048] (3)利用均值疊加方法更新該類的中屯、值；
[0049] (4)對(duì)于所有的k個(gè)聚類中屯、，當(dāng)利用第(2)、（3)步的迭加更新后，其聚類中屯、值最 終保持不變或者滿足一定要求條件情況下，則迭代結(jié)束，否則繼續(xù)進(jìn)行迭代。
[0050] CV值圖經(jīng)過(guò)K-means算法聚類之后，就把圖像分成平坦區(qū)域和結(jié)構(gòu)區(qū)域兩類。如圖 3所示，其中，圖像中白色部分表示的是結(jié)構(gòu)區(qū)域，黑色部分表示的是平坦區(qū)域，最終得到變 差系數(shù)值分類圖。
[0051] 實(shí)施例4平坦區(qū)域上采用經(jīng)典方法進(jìn)行去噪處理
[0052] 在實(shí)施例3所得到的圖像平坦區(qū)域上，采用經(jīng)典非局部均值圖像去噪方法(NLM)進(jìn) 行去噪處理，NLM方法對(duì)圖像去噪的公式如下所示：
[005；3]
(6)
[0化4]式中而]表示的是目標(biāo)像素點(diǎn)i的灰度估計(jì)值，Q (i)表示的是W像素點(diǎn)i為中屯、， 尺寸為固定不變的捜索鄰域，像素點(diǎn)j表示的是在捜索鄰域Q (i)內(nèi)所有像素中，任意選擇 的一個(gè)像素，而v(j)表示像素點(diǎn)j的灰度值，w(i，j)表示的是像素點(diǎn)j所賦予的相似權(quán)重，其 權(quán)重公式表不為：
[0055]
(7)
[0056] Z(i)表示歐氏距離的歸一化常數(shù)，其公式可W表示為：
[0057]
(8)
[005引 d(i，j)表示兩個(gè)像素之間的歐式距離，用來(lái)衡量像素之間的相似性。h表示平滑參 數(shù)，對(duì)權(quán)重函數(shù)的衰減速度進(jìn)行控制，去噪后圖像平滑程度正是受到該值的控制。求歐氏距 離的公式如下：
[0化9]
(9)
[0060]其中Ni表示W(wǎng)目標(biāo)像素 i為中屯、所在固定尺寸的相似圖像塊。V(Ni)表示目標(biāo)像素 i 的灰度值，V(叫)表示的是其鄰域中任意一像素點(diǎn)j的灰度值。另外0《w(i，j)《l，并且滿足
-般情況下，在平坦區(qū)域相似圖像塊尺寸為7 X 7的正方形，平滑參數(shù)h = 5 X O。 然后利用公式(6)對(duì)整幅圖像進(jìn)行計(jì)算處理，就可W得到噪聲圖像在平坦區(qū)域的去噪結(jié)果 圖。
[0061 ]實(shí)施例5結(jié)構(gòu)區(qū)域上采用改進(jìn)的方法進(jìn)行去噪處理
[0062] 在實(shí)施例3所得的圖像結(jié)構(gòu)區(qū)域上，采用改進(jìn)的非局部均值圖像去噪方法進(jìn)行去 噪處理。在圖像結(jié)構(gòu)區(qū)域上，相似信息比較復(fù)雜，所W相似圖像塊尺寸不同會(huì)造成它們之間 的相似性不同。目標(biāo)像素所在的圖像塊為目標(biāo)塊，將捜索域內(nèi)其他像素所在的圖像塊定義 為參與塊。在變化較慢的結(jié)構(gòu)區(qū)域上，大尺寸的目標(biāo)快與參與塊之間的相似度比較大;而在 變化較為激烈的結(jié)構(gòu)域上，小尺寸的目標(biāo)塊與參與塊之間有更高的相似度。相似圖像塊之 間的相似度隨著兩個(gè)圖像塊尺寸的變化而變化，由此說(shuō)明含有最多相似信息的圖像塊尺寸 是不固定的。
[0063] 因此，本發(fā)明在非局部均值去噪方法的整體框架下，針對(duì)圖像結(jié)構(gòu)區(qū)域上的特點(diǎn)， 在計(jì)算相似圖像塊權(quán)重之前先自適應(yīng)的匹配相似圖像塊的尺寸。其具體方法是利用兩個(gè)圖 像塊的相似系數(shù)Similarity值的大小來(lái)衡量其之間相似性的大小，其公式如下：
[0064]
(10)
[0065] 其中CR(a，b)表示兩個(gè)圖像塊的相關(guān)系數(shù)，可W很好地評(píng)價(jià)圖像塊之間的相似性， 其定義公式如下：
[0066]
(II
[0067] 其中，志表示目標(biāo)塊像素灰度值的平均值，^：表示參與塊像素灰度值的平均值，并 且CR(a，b)的取值范圍為[-1,1]。又根據(jù)公式（10)可得，Similarity的取值范圍是[0，1]。當(dāng) Similarity的值越大時(shí)，說(shuō)明目標(biāo)塊和參與塊之間的相似度越低；當(dāng)Similarity值越小時(shí)， 說(shuō)明目標(biāo)塊和參與塊之間的相似度越高，另外SimiIarity = O時(shí)說(shuō)明目標(biāo)塊和參與塊完全 相同。
[006引設(shè)置闊值Tl和T2，T1 < T2，并且在結(jié)構(gòu)區(qū)域上選擇3 X3、5X5、7X7的相似圖像塊 尺寸。有若Similarity<Tl，則說(shuō)明相似度較高，選擇3X3的圖像塊;若 說(shuō)明相似度較低，選擇7 X 7的圖像塊;若Tl <Simi Iarity <T2，則選擇5 X 5的圖像塊。本發(fā) 明中，捜索域的尺寸為21 X21，T1 = 0.25，T2 = 0.5.當(dāng)目標(biāo)塊和參與塊選擇相應(yīng)的尺寸后， 再利用公式(6)對(duì)目標(biāo)像素進(jìn)行去噪，進(jìn)而通過(guò)該方法對(duì)圖像在結(jié)構(gòu)區(qū)域的去噪結(jié)果圖。最 終通過(guò)把圖像在平坦區(qū)域和結(jié)構(gòu)區(qū)域處理后結(jié)果圖進(jìn)行重新組合，得到最終去噪后的圖 像，如圖4所示。
[0069] 實(shí)施例2~5的方法流程圖如圖5所示，其步驟如下：
[0070] 步驟1:首先利用公式1計(jì)算整幅圖像得變差系數(shù)值并得到CV值圖，然后用Kmeans 算法根據(jù)CV值圖將噪聲圖像分為平坦區(qū)域和結(jié)構(gòu)區(qū)域，得到CV值分類圖。
[0071] 步驟2:對(duì)噪聲圖像的平坦區(qū)域上的每點(diǎn)像素，采用固定尺寸的圖像塊，利用公式 (9)計(jì)算圖像塊間的相似性，然后用公式(8)計(jì)算權(quán)重，最終估計(jì)所有像素的灰度值得到平 坦區(qū)域上的去噪圖像。
[0072] 步驟3:對(duì)噪聲圖像的結(jié)構(gòu)區(qū)域上的每點(diǎn)像素，利用公式（10)計(jì)算相似系數(shù)值，根 據(jù)值的大小來(lái)自適應(yīng)選取最相似的圖像塊尺寸，然后在經(jīng)典非局部均值的框架下進(jìn)行去噪 處理，最終得到整幅圖像去噪后的結(jié)果圖。
[0073] 實(shí)施例6本發(fā)明實(shí)施例2~5的相關(guān)程序
[0074]






【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，有變差系數(shù)值圖的建立、變 差系數(shù)值圖的分類、平坦區(qū)域上去噪處理、結(jié)構(gòu)區(qū)域上去噪處理四個(gè)步驟； 所述的變差系數(shù)值圖的建立是，將噪聲圖像利用變差系數(shù)進(jìn)行重新構(gòu)圖，得到變差系 數(shù)值圖，所述的變差系數(shù)是圖像上任一點(diǎn)的標(biāo)準(zhǔn)差相對(duì)于平均數(shù)大小的一個(gè)相對(duì)量，由圖 像上所有點(diǎn)的變差系數(shù)值組成一個(gè)新的圖像就得到變差系數(shù)值圖； 所述的變差系數(shù)值圖的分類是，利用聚類算法對(duì)所述的變差系數(shù)值圖進(jìn)行分析，將變 差系數(shù)值圖中的區(qū)域分成兩大類，并記為平坦區(qū)域和結(jié)構(gòu)區(qū)域。 所述的平坦區(qū)域上去噪處理是，在變差系數(shù)值圖的分類之后得到的平坦區(qū)域上，用經(jīng) 典非局部均值圖像去噪方法進(jìn)行處理，得到平坦區(qū)域的去噪結(jié)果圖； 所述的結(jié)構(gòu)區(qū)域上去噪處理是，在變差系數(shù)值圖的分類之后得到的結(jié)構(gòu)區(qū)域上，先利 用兩個(gè)圖像塊之間相關(guān)系數(shù)的值來(lái)選取塊尺寸，然后再利用經(jīng)典非局部均值圖像去噪方法 進(jìn)行處理。2. 根據(jù)權(quán)利要求1所述的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，其特 征在于，所述的變差系數(shù)值圖的建立，具體是，利用變差系數(shù)CV來(lái)衡量圖像的勻質(zhì)性，變差 系數(shù)CV的計(jì)算公式為：其中？1是以像素i為中心的正方形鄰域，vs(j)是正方形鄰域內(nèi)任意一點(diǎn)像素j的灰度 值，Ave(F1)為其正方形鄰域內(nèi)所有像素灰度值的均值，Var(F1)是其方形鄰域內(nèi)所有像素灰 度值的方差;對(duì)整幅噪聲圖像進(jìn)行計(jì)算后，建立變差系數(shù)值圖。3. 根據(jù)權(quán)利要求1所述的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，其特 征在于，所述的變差系數(shù)值圖的分類，具體是，根據(jù)公式2. . .n;b=l，2. . .k衡量數(shù)據(jù)與聚類中心之間的距離，并根據(jù)么2. · .d;b = l ,2. · .k更新聚類中心值;其中及(匕)表示同類中數(shù)據(jù)的個(gè)數(shù);利用Κ-means聚類 算法對(duì)CV值分成平坦區(qū)域和結(jié)構(gòu)區(qū)域。4. 根據(jù)權(quán)利要求1所述的一種基于改進(jìn)圖像塊匹配的非局部均值圖像去噪方法，其特 征在于，所述的平坦區(qū)域上去噪處理，具體是利用公式外,7)=|，(義)1('：|對(duì)圖像的平坦區(qū)域進(jìn)行處理得到圖像平坦區(qū)域的去噪結(jié)果圖；其 中d(i，j)表示兩個(gè)像素之間的歐式距離，w(i，j)表示的是像素點(diǎn)j所賦予的相似權(quán)重，Z(i) 表示歐氏距離的歸一化常數(shù)，項(xiàng)表示的是目標(biāo)像素點(diǎn)i的灰度估計(jì)值。5.根據(jù)權(quán)利要求1~4任一所述的一種基于改進(jìn)圖像塊匹配的非局部均倌圖像去噪方 法，其特征在于，所述的結(jié)構(gòu)區(qū)域上去噪處理，具體是利用公：和計(jì)算圖像塊之間的相似系數(shù)Simi Iarity，其中CR(a，b)表示 兩個(gè)圖像塊的相關(guān)系數(shù);然后設(shè)定閾值1'1 = 0.25，了2 = 0.5，當(dāng)3^1&4七7<1'1時(shí)，選擇3\3 的圖像塊；當(dāng)Similarity>T2時(shí)，選擇7\7的圖像塊；當(dāng)1'1<3丨1^1&4七7<了2時(shí)，選擇5\5 的圖像塊。
【文檔編號(hào)】G06T5/00GK106023093SQ201610298113
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月9日
【發(fā)明人】于銀輝, 周恒 , 劉生成, 張羽豐, 陳兆強(qiáng)
【申請(qǐng)人】吉林大學(xué)