【正文】 波算法的發(fā)展 非局部均值濾波算法的缺陷目前為止，已經(jīng)提出了很多的去噪算法，其中非局部均值濾波算法是近幾年來研究的熱點問題，這主要是因為它的算法簡單，去噪效果好。我們從以下幾個方面介紹一下：(1)由于圖像中存在大量的像素點，由它們所組成的圖像塊之間難免會有相似性,只不過它們有可能進行了一定的旋轉(zhuǎn)。(2)多種非局部均值濾波算法的改進方法衡量圖像相似性所采用的距離都是高斯加權(quán)歐式距離。這樣的話，圖像中不相干像素就會對圖像去噪產(chǎn)生反面效果。因此，對比相似像素需要花費太多的時間，算法的運行速度受到限制，時間效率很低?？墒?，目前為止，參數(shù)的選取沒有一個統(tǒng)一的形式，使用的都是根據(jù)經(jīng)驗所得。 非局部均值算法的改進1） 去噪效果方面非局部均值濾波算法自從被提出來之后，吸引了無數(shù)專家學(xué)者的目光，他們?yōu)榱烁倪M這個算法孜孜不倦的進行研究。該方法對于權(quán)重參數(shù)的確定，有了更好的意義，圖像的相似程度大小就會精確地確定。這兩種方法對圖像的去噪效果有著明顯提高。采用圖像塊的不變矩度量圖像相似程度。它使用的不是普通意義上的規(guī)則鄰域，而是利用多種形狀的鄰域。Buades[1]等人給出了相似性權(quán)重參數(shù)的度量方式，假設(shè)參數(shù)與噪聲的均方誤差成線性正比關(guān)系。文獻[3]提出了定量估算權(quán)重參數(shù)的辦法。為了更好的選取權(quán)重的參數(shù)，我們不能夠利用全局固定的形式，而是應(yīng)該利用局部自適應(yīng)形式。此外，相似像素如果不能得到較大的權(quán)重，圖像去噪的效果就會大大降低。這也是為什么NLM算法不能被廣泛應(yīng)用的原因。這幾種方法雖然能夠提高算法的時間效率，圖像去噪效果卻會下降。 （）其中： （）式（）中，是權(quán)值，根據(jù)像素點和像素點之間的相似程度來計算，并且滿足如下的條件：且。 算法仿真結(jié)果在上面比較的各算法中，對于每個像素點進行處理時，都是對以像素點為中心的鄰域進行一系列的統(tǒng)計、計算，得到的結(jié)果代替原本的像素值。下面我們使用標準lena測試圖像進行證明。 各算法運行時間比較 算法運行時間比較均值濾波中值濾波NLM算法ANL算法，我們可以看出非局部均值濾波算法還是有著較長的運行時間的，而在非局部均值（NLM）算法中，我們采用的搜索塊，在自適應(yīng)非局部均值濾波（ANL）算法中我們采用的搜索塊，這也解釋了為什么改進后的ANL算法計算時間比NLM算法時間長了，因為搜索區(qū)域的擴展加大了計算量，也就增加了運行時間。第四章 基于Nonlocal means的時空聯(lián)合視頻降噪算法 基于Nonlocal means的運動檢測運動檢測算法是本算法的核心，它決定整個算法的性能。與幀間差分法相比，背景差分法一般能夠提供較完整的特征數(shù)據(jù)，得到較精確的目標圖像，但在實際應(yīng)用中，由于進行比較的兩幅圖像攝自不同的時刻，因此容易受光照變化、風等自然因素和其他人為因素的影響，出現(xiàn)許多偽運動目標點，影響目標檢測的效果。本文提出只要當前幀的當前子塊與前L幀對應(yīng)子塊中有一個子塊滿足設(shè)定條件，當前子塊就被判定為靜止區(qū)域，進而采用加權(quán)時域均值濾波。為了進一步減少噪聲的干擾，一般采用宏塊的像素值之和或者是平均值作為運動檢測的判斷準則，這相當于做了一次簡單的均值濾波。具體的步驟如下（記當前幀為，宏塊的橫坐標和縱坐標分別為）：（1） 初始化前L幀的每個宏塊的運動狀態(tài)為靜止狀態(tài)，其中，為0時表示為靜止狀態(tài)，為1時表示運動狀態(tài)。（6） 若完成所有宏塊的檢測則轉(zhuǎn)到（7）；否則轉(zhuǎn)到（2）進行下一個宏塊的檢測。（3） 利用宏塊的相似程度進行運動檢測。這種算法在視頻序列相鄰幾幀之間相對運動很小或畫面靜止的情況下，都能獲得良好的降噪效果，而且算法原理簡單、運算量低、執(zhí)行速度快，因而在早期的視頻降噪算法中得到廣泛應(yīng)用。 空域ANL降噪對于含噪視頻序列的運動部分，使用時域濾波容易產(chǎn)生運動“拖影”現(xiàn)象，使用空域濾波的效果會優(yōu)于時域濾波。假設(shè)被噪聲污染的圖像為v={v(x) |x∈I},則濾波后的圖像表示為，對于每一個像素，通過計算其加權(quán)平均來得到去噪之后的圖像。小于閾值的像素，可以認為是由于噪聲帶來的影響，其區(qū)域是相對比較平坦的區(qū)域，因此可以直接求平均，這樣就會較好地去除噪聲，而對大于閾值的像素，其權(quán)值就會為0，這樣的截斷會減少圖像模糊現(xiàn)象，較好地保持圖像的邊緣，而對于大于小于的像素，可以按照其實際的來計算其權(quán)值。宏塊劃分的大小不宜過小也不宜過大，宏塊劃分的越小所包含的細節(jié)信息就越少，這直接影響兩個宏塊結(jié)構(gòu)相似度值的可信度，從而導(dǎo)致差異較大的兩個宏塊容易被誤判為相對靜止的塊，當噪聲污染嚴重時，相對靜止的塊容易被誤判為相對運動狀態(tài)；而宏塊劃分過大，就會導(dǎo)致判斷為運動區(qū)域的塊過多而影響降噪效果。 (a) 宏塊 (b) 宏塊 (c) 宏塊 (d) 宏塊 分塊大小效果比較 四種分塊尺寸降噪后PSNR比較分塊大小降噪前PSNR(dB)降噪后PSNR(dB)宏塊宏塊宏塊宏塊，選擇其他三種分塊尺寸降噪后的圖片中，運動員出現(xiàn)了明顯的失真，且或多或少的存在著運動拖影現(xiàn)象，而把視頻圖像劃分為大小的塊處理后的降噪圖像中，圖像最潔凈且圖像細節(jié)保持的最好。 算法分析此算法通過對多幀圖像采用基于nonlocal means的運動檢測算法來判斷塊的運動狀態(tài)，對靜止區(qū)域采用時域加權(quán)均值濾波，對運動區(qū)域采用空域ANL濾波，該算法充分利用了視頻圖像的時域、空域信息，在不造成運動拖影的前提下，能夠顯著地提高視頻的峰值信噪比（PSNR）和主觀視覺質(zhì)量，同時滿足實時性要求。接著對時域加權(quán)均值濾波和空域ANL濾波算法的原理都進行了詳細介紹。由于時間的限制和本人的水平有限，本文在視頻降噪方面只做了有限的探索，在本文所做研究的基礎(chǔ)上，下一步努力的方向有：（1） 視頻圖像的噪聲在實際中不能被假設(shè)為僅僅含有某一種噪聲，所以需要研究者在進行算法研究時不能僅僅考慮一種噪聲，而應(yīng)考慮多種噪聲混合后視頻圖像的降噪。建議進行大量數(shù)據(jù)采集，利用matlab進行一元線性回歸分析，結(jié)合區(qū)間估計理論和假設(shè)檢驗方法，提出一種能隨噪聲方差變化接近最優(yōu)的自適應(yīng)閾值函數(shù)。致謝大學(xué)本科的學(xué)習即將結(jié)束，在這四年的時間里，曾經(jīng)得到很多為老師、同學(xué)、朋友的關(guān)懷和幫助，在此向他們表示衷心的感謝和誠摯的敬意。還有許多同學(xué)在生活中給予我的幫助和照顧，在此一并表示真誠的謝意。39。E:\tupian\tupian39。jpg39。 frame11=()。 frame1=im2double(frame1)。 frame=im2double(frame)。 %讀取后兩幀圖像 frame22=mov(index+2)。 M1=zeros(60,88)。 %設(shè)置閾值 t=8。 c2=qiuhe(frame2)。 end end for i=1:60 for j=1:88 w11=((c11c).*(c11c))。)。 m11= padarray(w11,[1 1],39。symmetric39。 e=m1(i11:i1+1 , j11:j1+1)。 end end end for i=1:60 for j=1:88 i1=i+1。 if(dt) M2(i,j)=1。 e=m11(i11:i1+1 , j11:j1+1)。 end end end for i=1:60 for j=1:88 i1=i+1。 if(dt) M22(i,j)=1。 if(M(i,j)==0) g=1。 W=W*g。 W1=frame1(4*i3:4*i , 4*j3:4*j)。 end k=k+g。 else g=0。 if(M22(i,j)==0) g=1。 W22=W22*g。 。 frame(4*i3:4*i , 4*j3:4*j)=s/k。 end k=k+g。 W2=frame2(4*i3:4*i , 4*j3:4*j)。 W11=W11*g。 if(M11(i,j)==0) g=1。 else g=0。 end k=k+g。 end end end for i=1:60 for j=1:88 %對于靜止區(qū)域的塊，采用時域加權(quán)均值濾波 if(M1(i,j)==0 || M11(i,j)==0 || M2(i,j)==0 || M22(i,j)==0) k=0。 e=m22(i11:i1+1 , j11:j1+1)。 if(dt) M11(i,j)=1。 end end end for i=1:60 for j=1:88 i1=i+1。 e=m2(i11:i1+1 , j11:j1+1)。 if(dt) M1(i,j)=1。 for i=1:60 for j=1:88 i1=i+1。)。symmetric39。 end end m1= padarray(w1,[1 1],39。 %完成對當前幀所有區(qū)域運動檢測 for i=1:60 for j=1:88 w1=((c1c).*(c1c))。 c1=qiuhe(frame1)。 M11=zeros(60,88)。 frame22=im2double(frame22)。 frame2=()。 frame=()。 %讀取前一幀圖像 frame1=mov(index1)。 imwrite(mov(i).cdata(:,1),mov(i).colormap,strtemp)。.39。%讀取視頻的幀數(shù)Vframes=size(mov,2)。最后，衷心感謝為我評閱本論文而付出辛勤勞動的各位老師。在此期間，徐老師對我嚴格要求，幫助我明確研究方向，理順研究思路，教給了我許多新的學(xué)術(shù)研究方法和思路；也引導(dǎo)我學(xué)習了許多圖像研究領(lǐng)域的新知識；其嚴謹?shù)膽B(tài)度令我受益匪淺，讓我逐漸養(yǎng)成追求完美，堅持不懈的精神，這為我在研究生階段的學(xué)習打下一個非常好的基礎(chǔ)，也將對我未來的工作與生活產(chǎn)生積極、深遠的影響。而從讀取該測試視頻，將其分解為序列圖像，再對每幀圖像進行處理，到重新合成視頻輸出。閾值T的設(shè)定直接影響著運動檢測的結(jié)果，如果閾值設(shè)置的值過大，就會導(dǎo)致運動的塊被誤判為靜止的塊，從而在經(jīng)過時域均值濾波之后，造成細節(jié)的丟失和運動拖影；相反，如果閾值T設(shè)置過小，靜止的塊被誤判為運動塊，達不到最優(yōu)降噪效果。總結(jié)與展望本文以數(shù)字圖像處理技術(shù)為基礎(chǔ)，對視頻序列當中的加性高斯白噪聲的去除做了一些研究，研究的重點是基于nonlocal means的時空聯(lián)合降噪技術(shù)，通過結(jié)合多幀圖像進行運動檢測，將視頻分為運動區(qū)域和靜止區(qū)域，對靜止區(qū)域采用時域加權(quán)均值濾波，對運動區(qū)域采用空域 ANL 濾波，充分利用了視頻圖像的時域、空域相關(guān)性，避免了使用單個算法的缺點，不僅使得降噪后的視覺效果得到了明顯的提高，而且能夠較好地避免對運動物體降噪后產(chǎn)生的不良現(xiàn)象。 本章小結(jié)本章介紹了一種基于時空聯(lián)合的視頻降噪算法，并對該算法進行了理論分析。 仿真結(jié)果分析 客觀效果比較為了說明算法的有效性，本文對添加了高斯白噪聲的gstennis測試序列進行了仿真實驗，實驗結(jié)果如下所示，任選本序列150幀圖像中的3幀，處理后每幀圖像的PSNR值相對于含噪圖像都有了比較明顯的提高。為了得到適用于本運動估計算法的最佳分塊尺寸大小，