一種針對大量噪聲的增強型相似性非局部均值去噪魯棒算法.pdf

1、現(xiàn)代化的信息處理系統(tǒng)，如多媒體技術(shù)，自然語言處理，信息檢索，地球物理勘探，數(shù)據(jù)預測，生物信息學和醫(yī)學圖像處理都依賴于數(shù)字圖像和它們的質(zhì)量。然而，由于它們通常會受到不同種類的噪聲和干擾的損壞，這些圖像的質(zhì)量并不如人意。噪聲可以被定義為圖像灰度值的任何不被需要的隨機變化。加性噪聲和斑點噪聲，通常在超聲成像，是圖像處理應用的各種領(lǐng)域里降低圖像質(zhì)量的的主要因素。圖像去噪，作為圖像處理一個被廣泛研究的課題，目的是消除噪聲而不破壞圖像本身的紋理和精

2、細結(jié)構(gòu)，從而提供更好的圖像質(zhì)量。
　　一個有效的噪聲過濾器在如今仍然是非常需要的，這是由于比較顯著的噪聲依舊存在于持續(xù)發(fā)展的成像系統(tǒng)中。盡管許多圖像去噪方法已發(fā)表在文獻中，但對于這個根本任務的新思路仍然在被持續(xù)提出以提高國家的最先進的最新濾波器的水平。其中，基于塊的方法是效果最好的，而非局部均值正是其中之一。由于它在在處理平滑區(qū)域和紋理效果比較理想，非局部均值作為一個強大的用于降噪的實用方法，已收到廣泛關(guān)注。
　　在圖像處理

3、中，高標準噪聲是降噪中的挑戰(zhàn)。當噪聲水平增加時大多數(shù)去噪技術(shù)的性能將會降低，非局部均值的方法在這方面有同樣的局限性。在非局部均值算法中，當噪聲水平上升時，被干擾的塊會引起相似度測度的降低。而在非局部均值的能力和效果的降低，正促使我的博士工作旨在提高非局部均值算法在高水平的高斯或斑點噪聲中的降噪效率。我們的研究主題是如何確定最優(yōu)意義上的非局部均值算法的相似性權(quán)重。
　　機器學習理論中的有趣的想法可以給這個問題提供一個解決方案。首先，

4、一個余弦加權(quán)函數(shù)的相似性測量來代替原來的指數(shù)的衰減。理論上，余弦函數(shù)是一個平滑地衰減功能，能更好地反映在大噪聲的存在的圖像的塊之間的相似性。這個優(yōu)點可能有助于獲得精確的權(quán)重值，從而導致高效率地實施非局部均值算法。
　　我們的第二個解決含噪聲的塊的方法是學習圖像無噪聲時的塊的表示，而不是提高原始圖像領(lǐng)域的非局部均值方法。核方法是在圖像處理是比較有希望的方法，因為它們在正確的位置可以提供更多的特征。在支持向量機中，他們想出了一個新的想

5、法在高維空間中建立一個有效的支撐向量機分類器。這個不同的理念注重的是將相似的事物放在一起而將不同的分開的過程。利用核主成分分析可以產(chǎn)生更多的干凈的和真實的塊的代表。由此，可以得到兩兩塊之間，即使在高噪聲情況下的相似度的精確計算。因此，核PCA方法是用來突顯在NLM中找到相似性測量的過程。我們提出的修正的NLM算法是在有高水準加性高斯白噪聲（AWGN）的標準自然圖像進行降噪測試的。大量的模擬表明，該修正的NLM方法在客觀指標方面如峰值信噪

6、比（PSNR），圖像的直方圖和結(jié)構(gòu)相似度（SSIM），以及直觀的比較上均優(yōu)于傳統(tǒng)的NLM方法，在NLM最初被設計為AWGN，其中所述噪聲去除處理是基于所觀察到的圖像分離為無噪聲信號和噪聲。斑點噪聲模型比高斯噪聲更加復雜。與AWGN模型相反，斑點噪聲圖像被簡單地解釋為無噪聲信號和噪聲的乘法。本工作的第三部分的重點就是斑點噪聲抑制問題。在特征空間中使用基于核的NLM算法，這種核PCA-NLM的方法在含有大量噪聲的醫(yī)學超市圖像中非常有用。在合