陳茹靜

摘要：傳統(tǒng)非局部均值（NL-Means）圖像算法已經(jīng)廣泛應(yīng)用到圖像去噪領(lǐng)域。但非局部均值濾波只定義了平移的不變形，對于圖像塊的尺度和方向并沒有加以妥善應(yīng)用。為了獲得更好地去噪效果，對傳統(tǒng)非局部均值算法進(jìn)行改造，因非下采樣輪廓變換克服了小波（Wavelet）變換的非奇異性最優(yōu)基缺點(diǎn)，本文提出基于非下采樣輪廓變換的非局部均值去噪算法。實驗結(jié)果表明，本文算法不僅比經(jīng)典NLM算法PSNR值有較大改善，而且時間復(fù)雜度得到很大提高。

關(guān)鍵詞：圖像去噪；非下采樣輪廓變換；非局部均值濾波；時間復(fù)雜度

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）08-0195-02

數(shù)字圖像在獲取、傳輸、轉(zhuǎn)換、存儲過程中不可避免地受到各類噪聲的污染，從而造成圖像質(zhì)量下降，使得數(shù)字圖像后繼處理如：分割，檢索，特征提取受到影響。因此圖像去噪在圖像處理領(lǐng)域炙手可熱?，F(xiàn)實生活中噪聲種類很多，按概率密度的統(tǒng)計特征可分為高斯噪聲，椒鹽噪聲，泊松噪聲，銳利噪聲。在圖像處理過程中許多噪聲可以近似為高斯分布的白噪聲。

目前圖像去噪大體分為線性濾波去噪和非線性去噪兩大類。線性濾波在平滑噪聲的處理中表現(xiàn)優(yōu)越，但對圖像邊緣處理較差，而非線性濾波方法在對圖像去噪領(lǐng)域具有更大的優(yōu)勢。

1 非下采樣輪廓波簡介

輪廓變換主要依賴子帶分解和方向變換，從而把圖像分解成各個尺度的帶通子帶。在離散域進(jìn)行的輪廓變換由于采樣操作使其喪失了平移不變性，從而導(dǎo)致圖像去噪時奇點(diǎn)的周圍出現(xiàn)偽吉布斯（Gibbbs）現(xiàn)象[1]。為了實現(xiàn)平移不變性Cunha D，Arthr L對輪廓變換進(jìn)行改進(jìn)去掉下采樣操作，提出了一種新型輪廓變換即飛下采樣輪廓變換。與傳統(tǒng)輪廓變換相比飛下采樣輪廓波在獲得頻率分割結(jié)構(gòu)的同時實現(xiàn)了平移不變性。

Contourlet變換主要通過非下采樣金字塔分解和非下采樣濾波器組構(gòu)成，前著保證了變換多尺度特征后者實現(xiàn)多方向性變換。

2 非局部均值算法簡介

NL-Means圖像去噪算法利用局部結(jié)構(gòu)的相似性進(jìn)行像素點(diǎn)的加權(quán)平滑[5]。該算法的權(quán)值不再依靠單個像素點(diǎn)信息，而是以當(dāng)前像素點(diǎn)為中心開大小固定的窗口，從而根據(jù)灰度分布的相似性決定權(quán)值。

通過不同算法實驗結(jié)果對比，可以看出從硬性指標(biāo)PSNR值的對比結(jié)果可證明本問算法較其他算法略高一些。同時從主觀視覺效果可以看出通過本算法去噪后的圖像更清晰，紋理得到很好的保護(hù)，這均可證明本文的算法在去除噪聲恢復(fù)圖像信息能力上優(yōu)于一般算法。

5 結(jié)束語

本文利用對傳統(tǒng)非局部均值算法進(jìn)行改進(jìn)核函數(shù)可以更準(zhǔn)確的刻畫系數(shù)間的關(guān)系的新型非局部均值算法利用具有平移不變性和變換多尺度的非下采樣輪廓波提出新的去噪算法。通過大量實驗，證明本問去噪算法能夠更好的優(yōu)化估算權(quán)值，利用權(quán)值對含有高斯白噪的圖片進(jìn)行去噪可以達(dá)到很好的效果。另外，利用局部區(qū)域距離的對稱性，減少計算量，所以在提高PSNR值的同時將時間復(fù)雜度降低為原來的一半。

參考文獻(xiàn)：

[1] DO M N， Vetterli. The Contourlet transform：an efficient directional multiresolution imahe representation[J].IEEE Trans. On Image Processing，1991，40（1）：2464-2482.

[2] 王民，文義玲.常用去噪算法的比較與研究[D].西安建筑科技大學(xué)學(xué)報，2010.

[3] 雷林平，伍雁鵬，黃磊.經(jīng)典圖像去噪算法[J].電子與信息技術(shù)，2014（6）.

[4] 張麗果.快速非局部均值濾波圖像去噪[J].信號處理，2013（8）.