非局部自适应高效图像去噪算法研究

摘要

在数字图像的采集与传输过程中,由于传感器、光照强度、机械运动和信道条件等多方面原因,往往导致图像受到噪声的干扰。噪声不仅降低了图像的视觉质量,而且会对后续图像处理的效果和质量产生严重的不利影响。因此,研究图像去噪问题具有很明显的理论与应用价值,也是图像处理领域最核心的内容。非局部均值(Nonlocal Means,NLM)是近几年出现的一种高效的图像去噪方法,其基本原理是利用自然图像中存在大量相似块这一基本现象,并以图像块相似度作为像素相似度的鲁棒估计,进而以恰当的加权平均作为当前像素的去噪结果。当然,原始NLM仍然存在一些问题,譬如因自适应性较差导致某些情况下去噪结果不理想。此外,算法的计算复杂度偏高也影响到方法的实时应用。针对原始 NLM存在的以上问题,本文提出了以下几种改进方案:
　　首先,通过在多个方向上独立使用局部多项式拟合模型下的置信区间交叉准则实现了以任意两个像素为中心的图像块的自适应主动匹配。通过这种匹配旨在使尽可能多的相似像素参与有效加权平均,而将不相似的像素尽可能排除在外以减小对去噪结果的干扰。将此自适应块匹配方法与基于方差最小化的加权重投影法相结合得到的改进方案的去噪性能超越了2-WAV和NLM-SAP等最新的自适应非局部均值方案,对边缘区域的去噪效果尤为明显。
　　其次,针对原始 NLM只考虑灰度特征而忽略方向和尺度信息这一缺陷,本文提出了基于Log-Gabor特征的相似度,并应用于NLM权值计算中,获得了较好的去噪效果。进一步,本文还提出融合Log-Gabor特征和灰度特征的混合相似度,充分发挥两种特征各自的优势,从而显著提高了相似度的鲁棒性,并使NLM去噪性能得到新的提升。
　　最后,本文探索了Johnson-Lindenstrauss(J-L)随机降维法在NLM加速方面的应用,定量分析了不同随机投影矩阵以及降维幅度对去噪性能的影响。实验结果表明,J-L随机降维法可在不明显降低去噪性能的前提下有效减少算法的计算复杂度,加速效果非常明显。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1研究背景及意义

1.2图像去噪算法研究现状

1.3本文研究内容及结构安排

第2章 非局部均值的基本原理与研究现状

2.1 非局部均值基本原理

2.2 非局部均值的研究现状

2.3 本章小结

第3章 基于主动匹配的自适应非局部均值去噪算法

3.1 稀少块效应分析及本文的解决思路

3.2 基于主动匹配的自适应非局部均值改进方案

3.3 实验结果与性能分析

3.4 本章小结

第4章 基于Log-Gabor特征的非局部均值去噪算法

4.1 基于非灰度特征的相似度

4.2 Gabor滤波器和Log-Gabor滤波器

4.3 基于Log-Gabor特征的非局部均值改进方案

4.4 基于混合相似度的非局部均值改进方案

4.5 本章小结

第5章 Johnson-Lindenstrauss随机降维在非局部均值加速中的应用

5.1 NLM相似度计算量分析

5.2 Johnson-Lindenstrauss随机降维理论及方法

5.3 J-L随机降维性能测试

5.4 本章小结

第6章 总结与展望

致谢

参考文献

附录