李賢陽 陽建中* 楊竣輝 陸安山

1(北部灣大學(xué)電子與信息工程學(xué)院 廣西 欽州 535011)2(欽州市電子產(chǎn)品檢測重點實驗室 廣西 欽州 535011)3(江西理工大學(xué)信息工程學(xué)院 江西 贛州 341000)

Difference enhancement High frequency component classification Local maximum

0 引 言

紅外成像技術(shù)是利用熱輻射差異來識別目標(biāo)和背景，能較好地反映出場景中溫度場信息[1-2]。該技術(shù)具有環(huán)境適應(yīng)性強(qiáng)、隱蔽性好、抗干擾能力強(qiáng)等優(yōu)點，被廣泛應(yīng)用于監(jiān)控、偵查和醫(yī)療等軍民領(lǐng)域[3]。但是，由于自身硬件設(shè)備的限制和環(huán)境干擾，圖像成像質(zhì)量不高，總是受到低對比度、模糊細(xì)節(jié)和背景噪聲的影響[2-3]。因此，增強(qiáng)紅外圖像的微弱邊緣和抑制背景噪聲是至關(guān)重要的，對于改善紅外圖像的視覺質(zhì)量與后續(xù)的信息提取分析具有重要意義[4]。近年來，學(xué)者們提出了一系列的紅外圖像增強(qiáng)方案，這種技術(shù)不僅成本低，而且已經(jīng)成為改善紅外圖像質(zhì)量或增強(qiáng)表現(xiàn)的一種便捷方法，如Jaspreet等[5]為了改善紅外圖像的視覺質(zhì)量，提出了一種用于紅外圖像的非訓(xùn)練對比度增強(qiáng)技術(shù)，通過優(yōu)化的溫度閾值來消除背景干擾，并通過去相關(guān)對比度拉升方法來進(jìn)行顏色增強(qiáng)，實驗結(jié)果驗證了其算法的增強(qiáng)性能。這種基于對比度拉升的增強(qiáng)方法雖然結(jié)構(gòu)簡單，但其采用了一個固定的變換函數(shù)，缺乏自適應(yīng)性，易導(dǎo)致增強(qiáng)圖像的細(xì)節(jié)不清晰，且難以有效消除噪聲。為了克服這個不足，基于直方圖均衡化的增強(qiáng)技術(shù)得到了廣泛研究，它是通過均勻分布待增強(qiáng)圖像的概率密度函數(shù)來實現(xiàn)的，如曹美等[6]為了提高紅外圖像的低對比度與消除噪聲，提出了改進(jìn)的直方圖均衡化和NSCT變換的紅外圖像增強(qiáng)。利用NSCT變換來獲取待增強(qiáng)圖像的高頻子帶系數(shù)和一個低頻子帶系數(shù)；利用自適應(yīng)降噪函數(shù)與非線性增益函數(shù)來增強(qiáng)高頻子帶，以消除噪聲與保留邊緣信息；利用改進(jìn)的直方圖均衡化機(jī)制來增強(qiáng)低頻分量。實驗結(jié)果表明該技術(shù)增強(qiáng)了圖像對比度，突出了圖像的邊緣輪廓信息。該技術(shù)通過利用視覺感知主觀偏好特性來改進(jìn)直方圖均衡化的灰度映射，可以較好地提高全局對比度，但其忽略了高頻分量的特性，利用同一個增強(qiáng)方法來處理所有的高頻系數(shù)，導(dǎo)致其局部對比度增強(qiáng)效果較弱。Wan等[7]為了能夠同時提高紅外圖像的全局與局部對比度，提出了基于粒子群優(yōu)化的局部熵加權(quán)直方圖均衡化的紅外圖像增強(qiáng)算法。利用基于改進(jìn)的雙曲正切函數(shù)來定義一種新的局部熵加權(quán)直方圖，充分描述圖像的細(xì)節(jié)信息分布；通過閾值最大化類間方差，將直方圖分成兩部分，分別改善前景和背景的對比度；同時，為了避免過增強(qiáng)和噪聲放大，利用粒子群優(yōu)化算法來形成雙平臺閾值直方圖；最后根據(jù)帶約束的子局部熵加權(quán)直方圖，分別實現(xiàn)子圖像的均衡化處理。實驗結(jié)果驗證了其算法的合理性與先進(jìn)性。但是，該技術(shù)是一種空域增強(qiáng)方法，且其雙平臺閾值直方圖均衡化方法中的閾值是固定的，對于紅外圖像不同的區(qū)域，缺乏自適應(yīng)性，會出現(xiàn)過渡增強(qiáng)現(xiàn)象。

為了解決上述不足，兼顧增強(qiáng)圖像的全局與局部對比度，并有效抑制噪聲，本文提出基于改進(jìn)的直方圖均衡化與邊緣保持平滑濾波均衡化的紅外圖像增強(qiáng)算法。所提技術(shù)是一種空域與頻域相結(jié)合的增強(qiáng)方案。通過采用邊緣保持平滑濾波來分解紅外圖像，輸出一個低頻分量和一個高頻分量序列。為了最大化改善低頻和高頻分量的增強(qiáng)效果，本文利用不同的增強(qiáng)策略來處理各種成分。對于低頻分量，利用模糊統(tǒng)計理論來確定出最優(yōu)閾值，利用優(yōu)化的平臺直方圖來增強(qiáng)低頻分量，最大程度提高紅外圖像的全局對比度；根據(jù)高頻分量的標(biāo)準(zhǔn)差，設(shè)計三個不同的增強(qiáng)方法，對其相應(yīng)的系數(shù)進(jìn)行差異增強(qiáng)，獲取增強(qiáng)的高頻分量序列，有效擴(kuò)大紅外圖像的局部對比。通過非局部均值濾波來充分抑制噪聲。最后，對所提增強(qiáng)方案的性能進(jìn)行了驗證。

1 本文紅外圖像增強(qiáng)算法

基于改進(jìn)的直方圖均衡化與邊緣保持平滑濾波均衡化的紅外圖像增強(qiáng)算法過程見圖1。依圖可知，所提增強(qiáng)方案主要有4個階段：(1) 基于邊緣保持平滑濾波的圖像分解；(2) 基于改進(jìn)的直方圖均衡化的低頻分量增強(qiáng)；(3) 基于系數(shù)分類的高頻分量差異增強(qiáng)；(4) 基于非局部均值濾波的噪聲抑制。

圖1 本文算法的增強(qiáng)過程

1.1 基于邊緣保持平滑濾波的圖像分解

邊緣保持濾波[8-9]作為一種多尺度分解方法，可以較好地保持邊緣并平滑圖像、消除偽影，被廣泛應(yīng)用于數(shù)字圖像處理領(lǐng)域。與其他經(jīng)典的濾波器不同，邊緣保持濾波可以有效地平衡銳化和模糊。令初始圖像為S，通過邊緣保持濾波，尋找出盡可能與S相接近的濾波圖像I。濾波圖像I的計算函數(shù)為[9]：

(1)

依據(jù)文獻(xiàn)[9]可知，將式(1)進(jìn)行如下轉(zhuǎn)換，可得濾波圖像I為：

I=G(S,λ)=(E+λH)-1S

(2)

根據(jù)式(2)可知，當(dāng)λ取大值時，可以獲取平滑濾波圖像。因此，邊緣保持濾波可以實現(xiàn)多尺度圖像分解，其過程見圖2。對于給定的紅外圖像S，利用C個不同的正則化參數(shù)λi,i=1,2,…,C，基于邊緣保持濾波，可獲取C個濾波圖像Ii,i=1,2,…,C：

Ii=G(S,λi)

(3)

式中：λi+1>λi。

圖2 基于邊緣保持平滑濾波的圖像分解過程

根據(jù)式(3)得到的濾波圖像Ii，通過計算兩個相鄰Ii與Ii+1之間的差異，即可得到對應(yīng)的高頻分量Hi：

Hi=Ii-Ii+1i=1,2,…,C-1

(4)

式中：I0為初始圖像。

以圖3(a)為例，設(shè)置兩個正則化參數(shù)λ=8、λ=20，利用上述過程對其完成分解，形成的低頻分量見圖3(b)，依圖可知，低頻分量包含了初始紅外圖像的絕大部分細(xì)節(jié)。經(jīng)過λ=8、λ=20的平滑結(jié)果分別見圖3(c)和圖3(d)；通過式(4)計算，形成的高頻分量分別見圖3(e)、3(f)。

(a) 初始圖像 (b) 低頻分量

(c) λ=8的平滑圖像(d) λ=20的平滑圖像

(e) (a)與(c)之間 的高頻分量 (f) (a)與(d)之間 的高頻分量圖3 基于邊緣保持平滑濾波的圖像分解

1.2 基于改進(jìn)的直方圖均衡化的低頻分量增強(qiáng)

根據(jù)圖3(b)可知，紅外圖像的全局視覺主要集中在低頻分量上。而平臺直方圖均衡化PHE(Plateau histogram equalization)方法[10]作為傳統(tǒng)直方圖均衡化HE(histogram equalization)的改進(jìn)版，它通過一個平臺閾值來抑制背景增強(qiáng)，可以有效增強(qiáng)全局對比度。對于灰度等級為L的紅外圖像，其概率密度函數(shù)P(k)為[10]：

(5)

式中：k是第k個灰度等級；Nk代表圖像中灰度等級為k的像素數(shù)量；N代表圖像中總的像素數(shù)量。

在PHE方法中，其對應(yīng)的概率密度函數(shù)為[10]：

(6)

根據(jù)式(6)可知，當(dāng)P(k)≥T時，PHE方法中的P(k)主要是根據(jù)閾值T來設(shè)定；反之，則P(k)保持不變，始終等于閾值T。

基于式(6)，低頻分量經(jīng)過PHE處理后，輸出結(jié)果為：

(7)

式中：DT(k)是增強(qiáng)后的第k個灰度等級；flood()代表向下取整運(yùn)。

可見，在PHE方法中，閾值T對提高增強(qiáng)質(zhì)量是非常重要的。但是，傳統(tǒng)的PHE采用了一個固定的閾值，缺乏自適應(yīng)性。為了能夠根據(jù)不同的紅外圖像來選擇不同的閾值T，本文利用模糊統(tǒng)計理論[11]對其改進(jìn)。選擇閾值T的關(guān)鍵因素就是找到圖像直方圖中的局部最大值[12]。然而，傳統(tǒng)的直方圖方法會產(chǎn)生銳化直方圖，使其難以找到真實的局部最大值。而紅外圖像強(qiáng)度等級的不確定性可以用模糊統(tǒng)計來處理[13]。這種方法產(chǎn)生較為平滑的直方圖，從而可以很容易確定這個局部最大值。以圖3(a)為例，其對應(yīng)的直方圖見圖4(a)，通過模糊統(tǒng)計處理的平滑直方圖見圖4(b)。依圖可知，圖4(b)比圖4(a)更加平滑。

(a) 初始直方圖 (b) 均衡化直方圖圖4 基于模糊統(tǒng)計優(yōu)化后的均衡化直方圖

在傳統(tǒng)的直方圖中，其p(k)反映了灰度等級k的頻率；經(jīng)過模糊統(tǒng)計優(yōu)化后的p(k)則是表示灰度等級k周圍的強(qiáng)度水平出現(xiàn)的頻率。令B′(x,y)代表灰度值B(x,y)的模糊數(shù)量，則利用模糊隸屬函數(shù)對B′(x,y)進(jìn)行模糊化。依據(jù)文獻(xiàn)[13]可知，經(jīng)過模糊統(tǒng)計優(yōu)化的直方圖為：

(8)

(9)

隨后，根據(jù)式(8)計算得到的模糊直方圖后，求取其一階偏導(dǎo)：

(10)

式中：p(k)是模糊直方圖P′(k)的一階偏導(dǎo)。

則其相應(yīng)的局部最大值kt可由如下函數(shù)計算：

kt=k?{p(k)>0,p(k+1)<0}k=1,2,…,255

(11)

再利用中值濾波處理這些最大值對應(yīng)的直方圖上，從而得到最優(yōu)平臺閾值T：

T=M{P′(i1),P′(i2),…,P′(iS)}

(12)

式中：S為局部最大值的數(shù)量。

最后，根據(jù)式(5)-式(7)，聯(lián)合優(yōu)化的平臺閾值T，對低頻分量L完成增強(qiáng)：

LE=D(L)

(13)

式中：LE為增強(qiáng)低頻分量；F(L)是模糊平臺直方圖均衡化。

1.3 基于系數(shù)分類的高頻分量差異增強(qiáng)

高頻分量中的大量系數(shù)與強(qiáng)邊緣、中邊緣、弱邊緣對應(yīng)[14]。也就是說通過改變高頻分量的系數(shù)，即可增強(qiáng)邊緣，完成局部對比度增強(qiáng)。首先，根據(jù)高頻分量的標(biāo)準(zhǔn)差，將高頻分量序列分類為三種邊緣：

(14)

式中：Hk(i)代表第k個高頻分量在位置i的系數(shù)；SEC是強(qiáng)邊緣；MEC代表中邊緣；WEC為弱邊緣；σ為高頻分量Hk的標(biāo)準(zhǔn)偏差；c為常量，本文取c=1。

隨后，根據(jù)這三類邊緣，設(shè)計3個增強(qiáng)策略，通過改變其系數(shù)Hk(i)，對這些高頻分量實現(xiàn)差異增強(qiáng)：

(15)

式中：p為常量，通過多次測試，取p=0.9。

最后，將增強(qiáng)的低頻分量LE與高頻分量HE(i)(i=1,2,…,C-1)實施組合，輸出增強(qiáng)圖像：

IE=LE+HE(1)+HE(2)+…+HE(C)

(16)

以圖3(b)、(e)、(f)為對象，利用上述處理過程，得到的低頻增強(qiáng)結(jié)果見圖5(a)，可見，紅外圖像的全局對比度明顯提升；增強(qiáng)的高頻分量見圖5(b)、5(c)。可發(fā)現(xiàn)，紅外目標(biāo)的局部對比度明顯改善。最終形成的增強(qiáng)圖像見圖5(d)。

(a) 增強(qiáng)的低頻分量(b) 第一個高頻的增強(qiáng)結(jié)果

(c) 第二個高頻分量的增強(qiáng)結(jié)果(d) 輸出的增強(qiáng)圖像圖5 圖像的增強(qiáng)結(jié)果

1.4 基于非局部均值濾波的噪聲抑制

由于紅外圖像中通常含有噪聲干擾，因此，為了在增強(qiáng)圖像的同時也可以有效抑制噪聲，本文引入非局部均值濾波來實現(xiàn)[15]。非局部均值濾波[15]不僅可以強(qiáng)有力地消除噪聲，而且還能保持圖像邊緣。令z(i)是原始圖像中的位于i位置的像素，則其非局部均值濾波結(jié)果為Q(i)：

(17)

式中：Ω為圖像域；w(i,j)代表兩個相鄰像素之間的權(quán)重值：

(18)

(19)

以圖5(d)為對象，利用上述過程，對其完成噪聲抑制處理，結(jié)果見圖6。增強(qiáng)結(jié)果中噪聲被有效消除，視覺更加自然。

圖6 噪聲抑制結(jié)果

2 實驗結(jié)果與分析

為了反映本文算法的增強(qiáng)視覺質(zhì)量，借助Matlab軟件對其完成驗證，另外，為了突出該算法的優(yōu)勢，將經(jīng)典的直方圖均衡化方法、文獻(xiàn)[6]和文獻(xiàn)[7]作為對照組?？紤]一般性，從MORRIS圖像庫[16]中選擇3幅圖像作為測量目標(biāo)；實驗條件為：DELL電腦, 3.5 GHz，雙核CPU，500 GB硬盤與8 GB內(nèi)存。實驗參數(shù)設(shè)置為：濾波圖像數(shù)量C=2、正則化參數(shù)λ1=0.03以及λ2=0.1、c=1、p=0.9、權(quán)重αx=αy=0.8。

2.1 紅外圖像增強(qiáng)效果

以圖7(a)、圖8(a)、圖9(a)為對象，基于所提算法、經(jīng)典的直方圖均衡化HE(histogram equalization)方法、文獻(xiàn)[6]和文獻(xiàn)[7]的方案對三種完成增強(qiáng)處理，結(jié)果如圖7-圖9所示。從圖7可發(fā)現(xiàn)，初始紅外圖像的整體對比度較低，建筑物較為模糊，經(jīng)過4種方案增強(qiáng)后，其對比度與細(xì)節(jié)清晰度均有所提高，然而，本文方案的增強(qiáng)效果最好，全局與局部對比度最高，細(xì)節(jié)更加清晰度，更好地保持了建筑物的邊緣與細(xì)節(jié)，無過渡增強(qiáng)現(xiàn)象，見圖7(e)。而經(jīng)典的HE方法雖然改善了視覺質(zhì)量，但是存在過度增強(qiáng)，見圖7(b)；文獻(xiàn)[6]雖然改善了紅外圖像的全局對比度，但是局部對比度較低，建筑物的清晰度不理想，細(xì)節(jié)與邊緣有所丟失，整體視覺質(zhì)量不自然，見圖7(c)。文獻(xiàn)[7]的整體增強(qiáng)效果較好，但是局部細(xì)節(jié)的清晰度有待提升，見圖7(d)。在圖8中，所提算法的視覺效果非常自然，兼顧了全局與局部對比度的平衡，見圖8(e)；而經(jīng)典的HE方法中存在局部過渡增強(qiáng)，見圖8(b)；文獻(xiàn)[6]的增強(qiáng)結(jié)果的局部對比度較弱，細(xì)節(jié)清晰度不佳，見圖8(c)；文獻(xiàn)[7]的整體視覺較好，但局部增強(qiáng)效果有待進(jìn)一步提高，要略低于所提算法，見圖8(d)中的方框。圖9是高斯噪聲干擾下的低質(zhì)量紅外圖像增強(qiáng)效果。從圖中可發(fā)現(xiàn)，對于含有噪聲的紅外圖像，經(jīng)典的HE方法不僅會出現(xiàn)局部過度增強(qiáng)，而且輸出結(jié)果中仍在背景噪聲，見圖9(b)；文獻(xiàn)[6]的增強(qiáng)效果要優(yōu)于HE方法，但其局部對比度不理想，丟失了部分細(xì)節(jié)信息，見圖9(c)；文獻(xiàn)[7]的增強(qiáng)結(jié)果中的局部細(xì)節(jié)有待進(jìn)一步增強(qiáng)，見圖9(d)；而本文方案的增強(qiáng)視覺質(zhì)量很好地兼顧了全局與局部對比度，細(xì)節(jié)清晰可見，而且有效消除了噪聲，見圖9(e)。原因是本文算法采用了邊緣保持平滑濾波來分解紅外圖像，使得低頻與高頻分量更好地保持邊緣，并得到了較好的平滑效果，且采用模糊統(tǒng)計理論來獲取平滑直方圖，根據(jù)其確定出局部最大值來改進(jìn)平臺直方圖，以此完成低頻分量，使其自適應(yīng)較強(qiáng)，可以根據(jù)不同特性的紅外圖像確定合適的閾值，提高了全局對比度。另外，基于高頻分量的標(biāo)準(zhǔn)差，設(shè)計三個不同的增強(qiáng)方法，對高頻分量的三類系數(shù)進(jìn)行差異增強(qiáng)，顯著提高了局部對比度，從而保留了大量的細(xì)節(jié)。并且采用了非局部均值濾波來消除圖像中的噪聲，從而使其整體增強(qiáng)效果最佳。而經(jīng)典的HE方法是對所有的像素進(jìn)行相同程度增強(qiáng)，容易出現(xiàn)局部過渡增強(qiáng)現(xiàn)象。文獻(xiàn)[6]算法則忽略了高頻分量的特性，利用同一個增強(qiáng)方法來處理所有的高頻系數(shù)，導(dǎo)致其局部對比度增強(qiáng)效果較弱。文獻(xiàn)[7]采用的雙平臺閾值直方圖均衡化方法中的閾值是固定的，無法根據(jù)紅外圖像特性來選擇出較優(yōu)的閾值，使其增效效果要略低于所提算法。

(a) 初始紅外圖像 (b) HE增強(qiáng)結(jié)果

(c) 文獻(xiàn)[6]的增強(qiáng)結(jié)果(d) 文獻(xiàn)[7]的增強(qiáng)結(jié)果

(e) 所提算法的增強(qiáng)結(jié)果圖7 海上建筑紅外圖像的增強(qiáng)結(jié)果

(a) 初始紅外圖像 (b) HE增強(qiáng)結(jié)果

(c) 文獻(xiàn)[6]的增強(qiáng)結(jié)果(d) 文獻(xiàn)[7]的增強(qiáng)結(jié)果

(e) 所提算法的增強(qiáng)結(jié)果圖8 城市紅外圖像的增強(qiáng)結(jié)果

(a) 初始紅外圖像 (b) HE增強(qiáng)結(jié)果

(c) 文獻(xiàn)[6]的增強(qiáng)結(jié)果(d) 文獻(xiàn)[7]的增強(qiáng)結(jié)果

(e) 所提算法的增強(qiáng)結(jié)果圖9 噪聲干擾下的紅外圖像的增強(qiáng)結(jié)果

2.2 增強(qiáng)效果的客觀評價

為了客觀量化這些增強(qiáng)結(jié)果的差異，本文引入模糊線性指數(shù)[17]、熵值[18]、標(biāo)準(zhǔn)差[19]來評估。模糊線性指數(shù)γ反映紅外圖像中有效信息量與對比度大小的指標(biāo)，其值越小，表明增強(qiáng)質(zhì)量越高，所增強(qiáng)圖像的有用信息更多，對比度更高，所含的背景信息更少，其函數(shù)為[17]：

(20)

式中：fij代表像素(i,j)的灰度值；fmax是圖像f的最大灰度值；M×N為圖像f的尺寸。

熵值[18]能客觀反映出增強(qiáng)紅外圖像的細(xì)節(jié)，熵值越大，則表明增強(qiáng)圖像含有更多的細(xì)節(jié)，其函數(shù)為：

(21)

式中：p(mi,j)是像素灰度為mi,j出現(xiàn)的概率；M、N分別是圖像的高與寬。

另外，標(biāo)準(zhǔn)差主要是反映紅外圖像對比度的有效指標(biāo)，其值越大，說明增強(qiáng)圖像的對比度越高，其函數(shù)為[19]：

(22)

表1顯示了所提增強(qiáng)方案與其他三種方案對圖7(a)、圖8(a)、圖9(a)的增強(qiáng)圖像所對應(yīng)的模糊線性指數(shù)γ、熵值H與標(biāo)準(zhǔn)差δ。由表可知，所提算法的增強(qiáng)圖像對應(yīng)的H、δ值均要大于文獻(xiàn)[6]與文獻(xiàn)[7]技術(shù)，而模糊線性指數(shù)γ均低于其他三種技術(shù)，但是，其δ值要低于經(jīng)典的HE方法。對于圖7(a)，所提算法的增強(qiáng)圖像對應(yīng)的H、δ分別為6.82、5.39，而γ值最低，為0.231。經(jīng)典的HE方法雖然H值要低于所提方案，但由于其存在過渡增強(qiáng)，使其δ值要大于本文方案，分別為4.91、5.60、0.279。文獻(xiàn)[6]的H、δ與γ值分別為5. 69、4.66、0.262。文獻(xiàn)[7]的H、δ與γ值分別為6.34、4.87、0.255。尤其是在噪聲干擾下，所提算法的優(yōu)勢更大，經(jīng)典的HE方法的增強(qiáng)圖像丟失了大量細(xì)節(jié)，其H值僅有4.26，而模糊線性指數(shù)γ達(dá)到0.293。而本文算法的H、δ與γ值保持較為穩(wěn)定，分別為7.08、5.69、0.194。文獻(xiàn)[7]的H、δ值也要遠(yuǎn)低于所提技術(shù)，分別為6. 41、5.05，對應(yīng)的γ值也要高于所提技術(shù)，為0.220。

表1 不同算法的增強(qiáng)圖像對應(yīng)的模糊線性指數(shù)、熵值與標(biāo)準(zhǔn)差測試結(jié)果

3 結(jié) 語

為了提高紅外圖像的增強(qiáng)視覺質(zhì)量，本文提出了基于改進(jìn)的直方圖均衡化與邊緣保持平滑濾波的紅外圖像增強(qiáng)算法。利用邊緣保持平滑濾波來分解紅外圖像，輸出低頻分量與高頻成分序列。利用模糊隸屬函數(shù)來改進(jìn)平臺直方圖，根據(jù)其強(qiáng)度等級特性，確定出合適的閾值，提高了其適應(yīng)性，以此對低頻分量完成增強(qiáng)，從而改善了其全局對比度；根據(jù)高頻分量序列的不同特性，設(shè)計了3個增強(qiáng)策略，對這些高頻分量實施差異增強(qiáng)，以提高局部對比度，保留豐富的細(xì)節(jié)。為了消除噪聲與保持邊緣信息，引入非局部均值濾波對增強(qiáng)結(jié)果完成降噪處理。實驗結(jié)果顯示所提方法在主觀視覺質(zhì)量和客觀評價方面均獲得理想的結(jié)果。