【導(dǎo)讀】交通、住宅、社區(qū)等場合，為這些領(lǐng)域的環(huán)境監(jiān)控和安全防范起到了不可忽略的作用。因此，降噪技術(shù)是增強視頻視覺質(zhì)量的一個非常重要的手段。維視頻降噪算法，結(jié)合多幀圖像采用基于Non_localmeans的。值濾波，對運動區(qū)域采用空域ANL濾波。第二章圖像去噪概述..

　　

【正文】 OSA— NLM），他們?yōu)榱私o出最優(yōu)化的去噪結(jié)果，進行了一下三個方面的研究：一是研究了權(quán)重 參數(shù)，給出與噪聲相關(guān)的自適應(yīng)的參數(shù)選取辦法；二是自適應(yīng)搜索區(qū)域大小的選??；三是對所處理圖像塊的研究，對它們的研究主要是基于局部平方誤差。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。文獻是基于貝葉斯非局部均值濾波算法的改進，它們?yōu)榱烁玫亩攘繄D像塊相似程度的大小而使用噪聲統(tǒng)計分布以及字典的局部自適應(yīng)學(xué)習(xí)相結(jié)合的方法。 Tasdizen 所提出的是主成分分析方法，鄭玨 [4]等人所研究的基于 2DPCA 的非局部均值濾波方法。這兩種方法都是在特征向量空間上研究圖像塊，把主分量作為衡量圖像塊 相似程度大小的依據(jù)。這兩種方法對圖像的去噪效果有著明顯提高?？墒乔罢邥D像的結(jié)構(gòu)紋理產(chǎn)生一定的破換作用，而后者使用二維的 PCA 對相似的像素塊進行生成，會保護圖像的結(jié)構(gòu)信息。不同權(quán)值函數(shù)對圖像去噪效果有著不同的影響。為此， Peter 等人對此進行了研究， 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 16 頁 文獻主要研究了旋轉(zhuǎn)不變性的相似性衡量，目的是獲得更多的相似像素的數(shù)量。采用圖像塊的不變矩度量圖像相似程度?？墒?，不變矩對于圖像也有一定的限制作用，它只能描述圖像的非局部特征，不能夠精確地描述局部特征。由此，圖像的結(jié)構(gòu)紋理特征就不能很好地被反映出。還有人對鄰域 的形狀進行了大膽的改進。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。這種不規(guī)則形狀的鄰域?qū)τ趫D像梯度信息有很好的保護作用，同時能夠控制“偽影”的產(chǎn)生。 非局部均值濾波算法中，相似權(quán)重參數(shù)的選取時比較重要的，它對于圖像去噪效果有著很大的影響。這個參數(shù)不能隨意設(shè)置，如果設(shè)置太大，就會出現(xiàn)過濾波的情況；如果設(shè)置太小，圖像噪聲就會有殘留，不能被很好的濾除。 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。此后，許多非局部均值濾波算法的參數(shù)選擇都是基于 Buades 給出的這種關(guān)系。 Coupe[2]等又提出了一個新思路，他們認(rèn)為這個參數(shù)的選取與以下兩個方面有關(guān)系：一是鄰域內(nèi)像素的個數(shù) iN ，另一個則是噪聲的均方誤差。他們建模為 iNh 22 2??? （ ? 為常數(shù)）。文獻[3]提出了定量估算權(quán)重參數(shù)的辦法。為了更好的選取參數(shù)， Salmon[4]研究了一下 兩個方面：一是中心圖像塊權(quán)值的分配，二是搜索區(qū)域的大小。以上提出的幾種改進算法雖然能夠在一定程度上提高去噪效果，但權(quán)重參數(shù)的選取還是不太令人滿意。以上參數(shù)選取都是非自適應(yīng)的，二是全局固定形式，不能有效區(qū)別圖像中內(nèi)容信息的差別。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。這是因為，權(quán)重參數(shù)既與圖像的噪聲程度有著密不可分的關(guān)系，同時也與圖像中的局部內(nèi)容密切相關(guān)。 通過以上描述，我們可以得出結(jié)論，如果想更好改進非局部均值濾波算法，關(guān)鍵是相似性的度量必須準(zhǔn)確有效。相似性度量方 法越好，相似像素就獲得的越多。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。所以，我們必須能夠選取一種能夠更好的獲得圖像的權(quán)重參數(shù)的方法。我們將在第四章中具體介紹改進后的自適應(yīng)非局部均值濾波算法。 2） 在計算效率方面 非局部均值濾波算法話費大量時間運行，是因為圖像相似塊的比較速度慢。這也是為什么 NLM 算法不能被廣泛應(yīng)用的原因。很多學(xué)者提出了基于預(yù)選取的 NLM算法可以提高算法的運行速度，減少運算時間。 Mahmoudi 等人 [5]是基于圖像塊的均值和平均梯度方向來選取的。 Coupe[2]等人和 Peter[6]則是基于圖像塊的均值和方差來選取的。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。Tasdizan[7]等人在這一方面取得了很好的結(jié)果。 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 17 頁 自適應(yīng)非局部均值濾波算法 基于 Non_local means 的鄰域自適應(yīng)算法簡稱為 ANL 算法，該算法在 Nonlocal means 的基礎(chǔ)上做了改進，既能較好地抑制噪聲，又能較好地保持圖像的邊緣細(xì)節(jié)。 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 ????ivNL ，對于每一個像素 x ，通過計算其加權(quán)平均來得到去噪之后的圖像。 錯誤 !未找到引用源。 （ ） 其中： ? ???????????????2212121011,Td isTd isTd isTd isTyxw 22,2)()( aji NvNvdis ??? （ ） 式（ ）中， ),( jiw 是權(quán)值，根據(jù)像素點 i 和像素點 j 之間的相似程度來計算，并且滿足 如下的條件： 1),(0 ?? jiw 且 1),( ??i jiw。這種相似程度并不是簡單對這兩個像素點的直接差值進行度量，而是通過比較 )( iNv 和 ? ?jNv 的相似程度以求得權(quán)值，)( kNv 表示以像素 k 為中心的一個矩形區(qū)域。像素之間的相似程度的判定是根據(jù)這個矩形區(qū)域內(nèi)的像素相減之后的平方和的大小來度量的，差值的平方和越小，表明像素越相似，則相對應(yīng)的權(quán)值就會越大，相反，差值的平方和越大，表明像素相似程度越小，則相對應(yīng)的權(quán)值就會越小。 dis 小于閾值 1T 的像素，可以認(rèn)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 dis 大于閾值 2T 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 1T 小于 2T 的像素 ，可以按照其實際的 dis 來計算其權(quán)值。 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33? 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。為了更加客觀地比較各個算法，在中值濾波算法中，我們選取 33? 的掩膜矩陣；在均值濾波算 法中，也采用 33? 的濾波掩膜尺寸；在非局部均值算法和自適應(yīng)的非局部均值濾波算法中，我們將參考塊和匹配塊的大小均選取為 33? 的矩陣。這樣，得出的比較結(jié)果就更加客 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 18 頁 觀公正。 為了更好地展現(xiàn)算法的去噪效果，非局部均值算法中，我們采用 99? 的搜索塊，而 ANL 算法中我們采用 1515? 的搜索塊，這是因為經(jīng)過 MATLAB 進行多次仿真比較之后，發(fā)現(xiàn)以上搜索塊的選取有著更好的去噪效果，更高的峰值信噪比（ PSNR）。 下面我們使用標(biāo)準(zhǔn) lena 測試圖像進行證明。 （ a） 9 9 搜索塊 （ b） 11 11 搜索塊 （ c） 15 15 搜索塊 圖 NLM 算法不同搜索塊去噪效果比較 （ a） 9 9 搜索塊 （ b） 11 11 搜索塊 （ c） 15 15 搜索塊 圖 ANL 算法不同搜索塊去噪效果比較 表 PSNR 值對比 含噪 圖 像 非局部均 值 算法 ANL 算法 9 9 搜索 塊 11 11 搜索 塊 15 15 搜索 塊 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 19 頁 各算法主觀效果比較 圖 （ a） 原始圖像（左）和加噪圖像（右） 圖 （ b） 中值濾波（左）和均值濾波（右） 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 20 頁 圖 （ c） NLM 算法（左）和 ANL 算法（右） 圖 （ a） 原始圖像（左）和加噪圖像（右） 圖 （ b） 中值濾波（左）和均值濾波（右） 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 21 頁 圖 （ c） NLM 算法（左）和 ANL 算法（右） 圖 （ a） 原始圖像（左）和加噪圖像（右） 圖 （ b） 中值濾波（左）和均值濾波（右） 基于 MATLAB 的圖像三維降噪算法仿真研究 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 共 47 頁 第 22 頁 圖 （ c） NLM 算法（左）和 ANL 算法（右） 從圖 、圖 、圖 的主觀圖片比較中，我們可以看出，中值濾波算法對于圖像的降噪效果是非常不明顯的，實際上中值濾波算法更適用于帶有椒鹽 噪聲圖像的降噪，而且使用統(tǒng)計排序濾波算法在排序的過程中很可能會破壞圖像結(jié)構(gòu)和空間的鄰域信息；均值濾波算法則造成降噪后的圖像產(chǎn)生明顯的塊效應(yīng)而導(dǎo)致嚴(yán)重的細(xì)節(jié)丟失；非局部均值算法的去噪效果明顯優(yōu)于傳統(tǒng)的均值濾波和中值濾波算法，基本可以出去干擾信息，但是細(xì)節(jié)仍然略顯模糊；而改進后的自適應(yīng)非局部均值濾波算法（ ANL）的去噪效果不僅可以去除干擾信息，而且去噪后的圖像細(xì)節(jié)也比較清晰。 各算法客觀效果比較 表 圖像 PSNR 值對比 含噪聲 圖 均 值濾 波 中 值濾 波 NLM 算法 ANL 算法 圖 圖 圖 從表 提供的 PSNR 值對比可以發(fā)現(xiàn)，非局部均值算法去噪之后的 PSNR 值比含噪聲圖像的 PSNR 值有了較大幅度的提升，改進后的自適應(yīng)非局部均值濾波（ ANL）算法的 PSNR 值有了更大幅度提