黃玲俐

(電子科技大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，四川 成都 611731)

一種改進權(quán)重的非局部均值圖像去噪方法

黃玲俐

(電子科技大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，四川 成都 611731)

非局部均值(Non-Local Means,NLM)去噪采用圖像鄰域間的自相似性構(gòu)造權(quán)重，進而達(dá)到圖像恢復(fù)的效果。文中對非局部均值去噪模型進行了介紹說明，尤其是對原始非局部均值去噪算法中的核函數(shù)—指數(shù)函數(shù)進行了描述，并且通過對幾種新的加權(quán)核函數(shù)的分析說明，綜合幾種的優(yōu)缺點，提出了一種新的加權(quán)核函數(shù)。然后又對雙邊濾波算法進行了研究說明，借鑒雙邊濾波的優(yōu)點，再結(jié)合之前提出的新的加權(quán)核函數(shù)，進而得到了一種改進的權(quán)重函數(shù)，提出了一種新的權(quán)重計算公式，得到了一種改進的非局部均值去噪算法。通過對添加不同噪聲水平的噪聲圖像進行實驗，結(jié)果表明，與傳統(tǒng)的非局部均值濾波算法相比，文中算法保護了恢復(fù)圖像的邊緣，突出了幾何特征和紋理，去噪效果比原有算法有所提高，在去噪性能和結(jié)構(gòu)信息上均有顯著效果。

圖像去噪；非局部均值去噪；加權(quán)核函數(shù)；高斯噪聲

0 引 言

在數(shù)字圖像處理領(lǐng)域，圖像去噪是最重要的研究問題之一。圖像去噪可以有效去除圖像獲取和傳輸中的噪聲污染。圖像去噪效果的好壞對圖像的后期處理，比如圖像分割、目標(biāo)識別、邊緣提取等有著很大的影響。因此，圖像去噪尤其是圖像中疊加的高斯白噪聲的去除，成為了圖像去噪中的一個重要研究方向。如果一個圖像去噪算法達(dá)到以下幾個目標(biāo)，就稱之為理想的去噪算法[1]：

(1)圖像的紋理細(xì)節(jié)應(yīng)被保持，不能丟失；

(2)圖像邊緣應(yīng)被保留，不能模糊；

(3)圖像的噪聲應(yīng)完全被濾去；

(4)應(yīng)盡可能保持圖像的平滑區(qū)域光滑；

(5)去噪圖像不能引入光環(huán)或階梯等人造特征。

為了尋求比較好的去噪方法，近年來，學(xué)者們提出了許多去噪方法[2-3]。比如高斯濾波，它的變量為像素空間的歐氏距離，而鄰域濾波，它的變量是像素灰度距離，還有雙邊濾波，它是基于單個像素的灰度相似性來去噪，不僅考慮了空間距離，而且考慮了灰度距離，去噪效果比較好。又或者是偏微分方程方法[4-10]，它是基于單個像素的梯度信息進行去噪。但它們均不能很好地保留紋理細(xì)節(jié)或者邊緣。

2005年,Buades A等提出了非局部均值(Non-Local Means,NLM)去噪算法[11]，并且證明了NLM算法優(yōu)于其他去噪算法，例如雙邊濾波[12]、全變差濾波等。NLM去噪通過利用圖像自身的一些冗余信息，對圖像進行去噪時利用非局部自相似性。圖像中所有與當(dāng)前像素點結(jié)構(gòu)相似性的像素加權(quán)平均得到此像素點的值。加權(quán)系數(shù)由對各像素鄰域塊的相似性來確定。而對于每個像素點的權(quán)值，則由以當(dāng)前像素點為中心的圖像塊與以每個像素點為中心點的圖像塊之間的高斯加權(quán)歐氏距離來確定。

確定加權(quán)核函數(shù)是NLM算法的核心問題，而在原始非局部均值去噪中，則是采用了指數(shù)型核函數(shù)對圖像進行去噪。文中著重討論加權(quán)核函數(shù)的建立，提出了一種改進的非局部均值去噪算法。

1 非局部均值去噪算法

文中假定噪聲為加性高斯白噪聲，噪聲圖像模型為：

V(i)=X(i)+N(i)

其中：V(i)為噪聲圖像；X(i)為原始圖像；N(i)為均值為0、方差為σ2的高斯白噪聲。

式中，如果i=j，那么就會發(fā)生過度加權(quán)現(xiàn)象?？紤]到這個問題，令

為了避免計算量過大，在具體實驗過程中，參加加權(quán)計算的是中心像素點周圍一定大小的區(qū)域，而不是圖像中的全部像素。

2 改進的非局部均值去噪算法

傳統(tǒng)的非局部均值濾波算法中使用指數(shù)型來作為加權(quán)核函數(shù)，加權(quán)核函數(shù)對去噪效果的好壞程度起著特別重要的作用。在一定條件下，好的核函數(shù)應(yīng)該具備這樣的特性：

(1)對于相似度高的鄰域能夠得到更大的權(quán)重；

(2)相似度低的鄰域能夠得到更小的權(quán)重。

確定加權(quán)核函數(shù)是非局部均值去噪算法的關(guān)鍵問題。原始的非局部均值去噪算法中采用的是指數(shù)型核函數(shù)進行加權(quán)去噪，指數(shù)型核函數(shù)定義為：

可以通過對原指數(shù)型核函數(shù)進行改進或者引入新的加權(quán)核函數(shù)來對加權(quán)核函數(shù)進行改進。

文獻[13]中提出了多種形式的加權(quán)核函數(shù)，包括高斯型等，并且對其進行了分析對比。高斯型核函數(shù)的定義為：

余弦型核函數(shù)的定義為：

通過文獻[13]對以上兩種加權(quán)核函數(shù)的分析，在去噪效果上，它們都比原始核函數(shù)去噪性能好。文獻[13]中分析了高斯型核函數(shù)具有加權(quán)不足的缺點，并且也分析了余弦型核函數(shù)會出現(xiàn)過度加權(quán)的情況。通過文獻[13]的分析，文中提出了一種新的余弦型高斯核函數(shù)：

式中，h1和h2是濾波參數(shù)。

通過對以上幾個式子的分析，得到如圖1所示的曲線圖。

通過對圖1的觀察分析，可以看出四種加權(quán)核函數(shù)權(quán)值大小隨像素鄰域的變化趨勢圖。高斯型核函數(shù)在像素鄰域的歐氏距離較大時變得平一些，隨著鄰域距離的增大而下降得很快。余弦型核函數(shù)以及指數(shù)型核函數(shù)則相較而言很平坦。而在核函數(shù)的趨勢圖中可以看出，余弦高斯型核函數(shù)隨著距離的變小而得到了較大的權(quán)值，相反在距離較大時得到了較小的權(quán)值，從而可以彌補高斯型核函數(shù)的加權(quán)不足以及余弦型核函數(shù)的過度加權(quán)的缺點。

圖1 四種加權(quán)核函數(shù)的曲線趨勢圖

式中：D(i,j)是像素i和j的空間距離，用來判斷像素的位置差異對像素得到的權(quán)值所造成的影響;z(j)-z(i)是像素i和j的灰度距離，用來判斷像素的灰度差異對權(quán)值的影響；σs和σr是濾波參數(shù)。

所以通過以上的分析對比，提出了一種新的權(quán)值計算公式:

其中

這種權(quán)值不僅可以度量像素位置差異對權(quán)值的影響，而且還可以度量像素灰度差異對權(quán)值的影響，從而可以提高去噪性能。

3 實驗結(jié)果與分析

實驗采用256*256的灰度測試圖像—Lena圖像來證明改進的去噪方法要優(yōu)于原始的去噪方法。文中比較了原始非局部均值去噪算法(ONLM)和Buades提出的最新的改進算法(CNLM)[14]。

實驗過程中，文中算法和經(jīng)典的NLM算法以及CNLM算法均采用的是相似窗口7*7，搜索窗口21*21。實驗中采用的測試圖像如圖2所示。其中圖像添加了均值為0、標(biāo)準(zhǔn)差σ=10的噪聲。

圖2 測試圖像和噪聲圖像

3.1 實驗結(jié)果對比

通過對圖3的分析可知，文中提出的算法與經(jīng)典非局部均值去噪算法以及CNLM算法相比，很好地保護了圖像的邊緣，并且圖像的去噪效果更好，較好地保留了圖像的很多結(jié)構(gòu)信息。

圖3 Lena去噪效果

3.2 方法噪聲對比

方法噪聲[4]是指含噪圖像與去噪圖像的差，它是一種新的圖像去噪性能評價標(biāo)準(zhǔn)。

圖4表示三種不同方法對Lena圖像去噪后的方法噪聲。

通過對比觀察可以看出，文中改進算法去噪后的圖像包含更少的細(xì)節(jié)信息，得到的方法噪聲更接近白噪聲，更表明了其去噪性能更好。

圖4 Lena圖像方法噪聲對比

3.3 峰值信噪比對比

文中利用信噪比(SNR)來判定三種算法的去噪效果，其公式為：

文中對Lena圖像加入了標(biāo)準(zhǔn)差為5,10,15,20,25,且均值均為0的高斯白噪聲。文中將算法ONLM與CNLM及文中改進的算法得到的峰值信噪比如表1所示。

表1 不同噪聲水平下的Lena圖像的性能比較

通過表1的分析比較可以看出，文中改進算法的峰值信噪比均高于經(jīng)典非局部均值去噪算法，同時也證明文中改進算法的去噪效果明顯優(yōu)于經(jīng)典非局部均值去噪算法。

4 結(jié)束語

在對原始非局部均值去噪算法分析的基礎(chǔ)上，文中提出了一種新的加權(quán)核函數(shù)，得到了一種改進的非局部均值去噪算法。

綜合以上的實驗結(jié)果分析，在紋理信息和邊緣信息保持上，文中算法比經(jīng)典的非局部均值去噪算法在去噪性能上均有顯著提高。當(dāng)然，文中選取的噪聲為高斯白噪聲，當(dāng)噪聲為脈沖噪聲或者乘性噪聲時，權(quán)值該如何改進，這些都是以后要繼續(xù)研究的重要問題。

[1]LiuC,SzeliskiR,KangSB,etal.Freeman,automaticestimationandremovalofnoisefromasingleimage[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2008,30(2):299-314.

[2]ChenY,VemuriB,WangL.Imagedenoisingandsegmentationvianonlineardiffusion[J].ComputersandMathematicswithApplications,2000,39(5):131-149.

[3]WangY,YinW,ZhangY.Afastalgorithmforimagedeblurringwithtotalvariationregularization[R].[s.l.]:[s.n.],2007.

[4]YuJH,WangYY,ShenYZ.Noisereductionandedgedetectionviakernelanisotropicdiffusion[J].PatternRecognitionLetters,2008,29(23):1496-1503.

[5]GilboaG,SochenN,ZeeviYY.EstimationofoptimalPDE-baseddenoisingintheSNRsense[J].IEEETransactionsonImageProcessing,2006,15(8):2269-2280.

[6]ChanTF,ShenJH,VeseL.VariationalPDEmodelsinimageprocessing[J].NoticeoftheAMS,2003,50(1):14-26.

[7]GaborD.Informationtheoryinelectronmicroscopy[J].LaboratoryInvestigation,1965,14(1):801-807.

[8]KoenderinkJJ.Thestructureofimage[J].BiologicalCybernetics,1984,50(5):363-370.

[9]WitkinA.Scale-spacefiltering:anewapproachtomulti-scaledescription[C]//ProcofICASSP.[s.l.]:IEEE,1984:150-153.

[10]PeronaP,MalikJ.Scale-spaceandedgedetectionusinganisotropicdiffusion[J].IEEETransactionsonPAMI,1990,12(7):629-639.

[11]BuadesA,CollB,MorelJM.Imagedenoisingmethods:anewnonlocalprinciple[J].SIAMReview,2012,52(1):113-147.

[12]TomasiC,ManduchiR.Bilateralfilteringforgrayandcolorimages[C]//Proceedingsoftheinternationalconferenceoncomputervision.[s.l.]:[s.n.],1998.

[13]TianJing,YuWeiyu,XieShengli.Onthekernelfunctionselectionofnonlocalfilteringforimagedenoising[C]//ProcofIEEEinternationalconferenceonmachinelearningandcybernetics.[s.l.]:IEEE,2008.

[14]BuadesA,CollB,MorelJM.Non-localmeansdenoising[EB/OL].(2011-09-13)[2012-09-23].http://www.ipol.im/pub/algo/bcm_non_local_means-denoising/.DOI:10.5201/ipol.2011.bcm_nlm.

A Non-local Means Denoising Algorithm with Improved Weighted Function

HUANG Ling-li

(School of Mathematical Sciences,University of Electronic Science & Technology, Chengdu 611731,China)

The NLM denoising uses self-similarity of image between neighborhood to construct weight,thus to achieve the effect of image restoration.The non-local means denoising model is introduced in this paper,especially for the exponential function which is the kernel function in the original non-local means denoising algorithm.And through the analysis of several new weighted kernel function,integrated the advantages and disadvantages of them,a new weighted kernel function is put forward.Then research on the bilateral filtering algorithm,reference of its advantages,and combined with new previous kernel function,an improved weighted function is obtained,proposing a new formula of weight,getting an improved non-local means denoising algorithm.The proposed method has been evaluated on testing images with various levels noise.Numerical results show that compared with the traditional non-local means algorithm,the improved method can protect the edges,highlight the geometry features and texture,make the denoising image become more clear and result in a better effect.The proposed method improves the denoising performance as well as the preservation of structure information.

image denoising;non-local means denoising;weighted kernel function;Gaussian noise

2015-07-02

2015-10-13

時間：2016-05-05

四川省青年基金(2011JQ0003)

黃玲俐(1991-)，女，研究生，研究方向為基于變分和偏微分的圖像處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20160505.0817.044.html

TP301

A

1673-629X(2016)06-0016-04

10.3969/j.issn.1673-629X.2016.06.004