摘 要：對(duì)于古舊圖像數(shù)字化處理時(shí)嵌入的隨機(jī)噪聲，擬在改進(jìn)Non Local Means算法進(jìn)行研究。通過(guò)對(duì)像素周?chē)麄€(gè)區(qū)域的灰度分布做整體對(duì)比，根據(jù)灰度分布的相似性求得決定權(quán)值，研究并算出對(duì)應(yīng)各個(gè)像素集合塊自適應(yīng)參數(shù)，繼而算出相似度，篩選出基礎(chǔ)模板。再通過(guò)修正目標(biāo)像素區(qū)域值，并利用加權(quán)平均值替代目標(biāo)像素區(qū)域值，以達(dá)到噪聲消除的目的。最終參照?qǐng)D像噪聲消除精度和圖像質(zhì)量參數(shù)，仿真了此噪聲消除算法的可行性和科學(xué)性。

關(guān)鍵詞：圖像處理；顏色信息；噪聲消除；NL法；Block；加權(quán)平均

1 概述

古舊影像數(shù)字化處理的同時(shí)，信號(hào)中包含的隨機(jī)噪聲將對(duì)圖像質(zhì)量產(chǎn)生較大影響。為了消除此類(lèi)噪聲，使得隨機(jī)噪聲消除的重要性凸現(xiàn)出來(lái)。針對(duì)這一現(xiàn)象，采用應(yīng)用數(shù)學(xué)手段進(jìn)行圖像處理的西班牙科學(xué)家A.Buades于2005年提出了Non Local Means濾去噪聲消除法（簡(jiǎn)稱(chēng)NL-Means算法）[1]，NL-Means算法思想起源于鄰域?yàn)V波算法，是對(duì)鄰域?yàn)V波算法的一種推廣，但是該方法的權(quán)值不再是由圖像中的單個(gè)像素灰度值和其它像素作對(duì)比而得到，而是對(duì)像素周?chē)麄€(gè)區(qū)域的灰度分布做整體對(duì)比，根據(jù)灰度分布的相似性求得決定權(quán)值。

具體論NL-Means算法，是屬于具有代表性的非線(xiàn)性濾波技術(shù)。即目標(biāo)像素區(qū)域中心的圖像像素點(diǎn)與圖像內(nèi)已大量收集的參照區(qū)域的相似度進(jìn)行重合比對(duì)，用各個(gè)區(qū)域的中心像素點(diǎn)加權(quán)平均值替換目標(biāo)像素點(diǎn)的值的一種處理技術(shù)。采用NL-Means算法后，無(wú)論是圖像平坦部的噪聲區(qū)域消除性能，還是邊界部信號(hào)的保存性能，都取得了很好的效果，噪聲消除能力增強(qiáng)，使圖像質(zhì)量得以明顯提高。

2 改進(jìn)的NL-Means算法

NL-Means算法噪聲消除能力增強(qiáng)，使圖像質(zhì)量得以明顯提高。特別是圖像平坦部的噪聲區(qū)域的消除性能，以及邊界部信號(hào)的保存性能。但是，對(duì)于彩色圖像去噪的情形，因處理對(duì)象圖像而異，獨(dú)立處理后的各個(gè)RGB的組分產(chǎn)生色差現(xiàn)象的弊端可能存在，故采用了加權(quán)計(jì)算灰度的手段來(lái)避免[3]。

首先，傳統(tǒng)的NL-Means算法，對(duì)于輸入圖像的像素，從左上到右下進(jìn)行選擇，被選中的像素點(diǎn)的值被大量的周邊像素的像素值加權(quán)平均值替換。目標(biāo)區(qū)域與周邊像素中心區(qū)域比較，其相似度越高，加權(quán)平均的重合度設(shè)定值越高，相似的模板被平均化，達(dá)到噪聲消除目的（圖1）。可是，受噪聲影響，本來(lái)是相同模板的區(qū)域，其相似度是低的。類(lèi)推之，本來(lái)相異的模板，其相似度相對(duì)要大，于是產(chǎn)生了圖像模糊的修復(fù)缺陷。

其次，作為評(píng)價(jià)手段的主觀質(zhì)量評(píng)價(jià)，經(jīng)過(guò)濾波后，用原圖與結(jié)果圖相比得到噪聲圖，將該圖乘以100 方便觀察[4]。噪聲圖分布越是均勻，包含的結(jié)構(gòu)信息越少，結(jié)論去噪的效果越好。

3 仿真模擬

首先，通過(guò)收集大量的各類(lèi)的自然圖像像素區(qū)域，從左上至右下，根據(jù)其出現(xiàn)頻率的統(tǒng)計(jì)數(shù)據(jù)，選擇基礎(chǔ)模板。出現(xiàn)頻率高的基礎(chǔ)模板，通常是自然圖像在大部區(qū)域，而出現(xiàn)頻率低的基礎(chǔ)模板，往往在圖像結(jié)構(gòu)上表現(xiàn)出不具有相關(guān)性，即為噪聲（圖1），于是據(jù)此可以選出高頻度基礎(chǔ)模板（圖2）。

其次，圖像處理對(duì)象，即目標(biāo)圖像像素區(qū)域中，選擇與之相關(guān)聯(lián)的顏色基礎(chǔ)模板。在前一步所選出的基礎(chǔ)模板群中，細(xì)化再選擇與作為處理對(duì)象的目標(biāo)圖像像素區(qū)域關(guān)聯(lián)性強(qiáng)的基礎(chǔ)模板（圖3）。

再次，求相似度。利用前兩步選出的基礎(chǔ)模板，修正目標(biāo)像素區(qū)域值，再利用加權(quán)平均值替代目標(biāo)像素區(qū)域值，圖像所有像素的加權(quán)平均值如式（1）：

在傳統(tǒng)的NL-Means算法的基礎(chǔ)之上，研究出自適應(yīng)NL-Means算法，利用圖像基礎(chǔ)模板組合表現(xiàn)的性質(zhì)，找出與每一模板對(duì)應(yīng)的參數(shù)，算出相似度值的整體思路，以改進(jìn)NL-Means算法、提高算法的噪聲消除能力。

4 結(jié)束語(yǔ)

改進(jìn)后的NL-Means算法，其噪聲消除能力較原NL-Means算法有大幅的提高。在改進(jìn)算法的基礎(chǔ)之上，利用設(shè)置顏色閾值的方式對(duì)畫(huà)面運(yùn)動(dòng)幅度較弱的圖像處理進(jìn)行了模擬，視覺(jué)效果得到了明顯改善；對(duì)于動(dòng)態(tài)較強(qiáng)的圖像出現(xiàn)誤檢測(cè)、進(jìn)而產(chǎn)生誤修復(fù)現(xiàn)象，采用像素的加權(quán)平均值算法，使這個(gè)問(wèn)題在一定程度上得到了改善。

參考文獻(xiàn)

[1]Buades， A.， et al.， A Non-Local Algorithm for Image Denoising， CVPR2005， IEEE Computer Society Conference.2， 2005：60-65.

[2]S.Kawata， et al.， Image Denoising via Nonlocal Means with Noise-robust Similarity， 1st IEEE Global Conf. on Consumer Electronics， 2012： 291-292.

[3]T.Tasdizen， et al.， Development of Image Denoising Method for Analog TV in Emerging Countries， Image Information Media， Vol.68， No.1， pp.18-23（2014）.

[4]Hebar M， et al.， Autobinomial model for SAR image despeckling and information extraction[J]. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（8）： 2818-2835.