基于NSCT改进核函数的非局部均值图像去噪

陈茹静

摘要：传统非局部均值（NL-Means）图像算法已经广泛应用到图像去噪领域。但非局部均值滤波只定义了平移的不变形，对于图像块的尺度和方向并没有加以妥善应用。为了获得更好地去噪效果，对传统非局部均值算法进行改造，因非下采样轮廓变换克服了小波（Wavelet）变换的非奇异性最优基缺点，本文提出基于非下采样轮廓变换的非局部均值去噪算法。实验结果表明，本文算法不仅比经典NLM算法PSNR值有较大改善，而且时间复杂度得到很大提高。

关键词：图像去噪；非下采样轮廓变换；非局部均值滤波；时间复杂度

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）08-0195-02

数字图像在获取、传输、转换、存储过程中不可避免地受到各类噪声的污染，从而造成图像质量下降，使得数字图像后继处理如：分割，检索，特征提取受到影响。因此图像去噪在图像处理领域炙手可热。现实生活中噪声种类很多，按概率密度的统计特征可分为高斯噪声，椒盐噪声，泊松噪声，锐利噪声。在图像处理过程中许多噪声可以近似为高斯分布的白噪声。

目前图像去噪大体分为线性滤波去噪和非线性去噪两大类。线性滤波在平滑噪声的处理中表现优越，但对图像边缘处理较差，而非线性滤波方法在对图像去噪领域具有更大的优势。

1 非下采样轮廓波简介

轮廓变换主要依赖子带分解和方向变换，从而把图像分解成各个尺度的带通子带。在离散域进行的轮廓变换由于采样操作使其丧失了平移不变性，从而导致图像去噪时奇点的周围出现伪吉布斯（Gibbbs）现象[1]。为了实现平移不变性Cunha D，Arthr L对轮廓变换进行改进去掉下采样操作，提出了一种新型轮廓变换即飞下采样轮廓变换。与传统轮廓变换相比飞下采样轮廓波在获得频率分割结构的同时实现了平移不变性。

Contourlet变换主要通过非下采样金字塔分解和非下采样滤波器组构成，前着保证了变换多尺度特征后者实现多方向性变换。

2 非局部均值算法简介

NL-Means图像去噪算法利用局部结构的相似性进行像素点的加权平滑[5]。该算法的权值不再依靠单个像素点信息，而是以当前像素点为中心开大小固定的窗口，从而根据灰度分布的相似性决定权值。

通过不同算法实验结果对比，可以看出从硬性指标PSNR值的对比结果可证明本问算法较其他算法略高一些。同时从主观视觉效果可以看出通过本算法去噪后的图像更清晰，纹理得到很好的保护，这均可证明本文的算法在去除噪声恢复图像信息能力上优于一般算法。

5 结束语

本文利用对传统非局部均值算法进行改进核函数可以更准确的刻画系数间的关系的新型非局部均值算法利用具有平移不变性和变换多尺度的非下采样轮廓波提出新的去噪算法。通过大量实验，证明本问去噪算法能够更好的优化估算权值，利用权值对含有高斯白噪的图片进行去噪可以达到很好的效果。另外，利用局部区域距离的对称性，减少计算量，所以在提高PSNR值的同时将时间复杂度降低为原来的一半。

参考文献：

[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，文义玲.常用去噪算法的比较与研究[D].西安建筑科技大学学报，2010.

[3] 雷林平，伍雁鹏，黄磊.经典图像去噪算法[J].电子与信息技术，2014（6）.

[4] 张丽果.快速非局部均值滤波图像去噪[J].信号处理，2013（8）.