空间域去噪方法中的非局部均值去噪算法(Non-local means,NLM)在图像去噪方面应用较为广泛.然而,传统NLM方法在对图像边缘结构信息处理上易产生过平滑现象,且算法的固定参数对不同图像特征难以自适应调整.针对NLM算法中相似性权重忽略...空间域去噪方法中的非局部均值去噪算法(Non-local means,NLM)在图像去噪方面应用较为广泛.然而,传统NLM方法在对图像边缘结构信息处理上易产生过平滑现象,且算法的固定参数对不同图像特征难以自适应调整.针对NLM算法中相似性权重忽略边缘信息而导致的上述问题,文中提出了一种自适应边缘相似度非局部均值(Adaptive non-local mean based on edge similarity,ANLM-ES)图像去噪方法.在NLM相似性权重的基础上,依据图像边缘信息构造基于距离与角度双维度边缘相似性的图像相似性权值,并通过加权其自身和相邻像素来估算中心像素,从而保留局部邻域信息,将所有生成的中心像素进行组合构成最终的去噪图像.最后,自适应参数的选择运用4方向差分因子检测模板提取的边缘信息及噪声方差确定.文中ANLM-ES方法与传统NLM算法、NLM-SVB算法及NLM-BDPCA算法在公开数据集上的实验结果表明,ANLM-ES方法能够更好地保留图像的边缘细节信息,提升图像的去噪性能.展开更多
文摘空间域去噪方法中的非局部均值去噪算法(Non-local means,NLM)在图像去噪方面应用较为广泛.然而,传统NLM方法在对图像边缘结构信息处理上易产生过平滑现象,且算法的固定参数对不同图像特征难以自适应调整.针对NLM算法中相似性权重忽略边缘信息而导致的上述问题,文中提出了一种自适应边缘相似度非局部均值(Adaptive non-local mean based on edge similarity,ANLM-ES)图像去噪方法.在NLM相似性权重的基础上,依据图像边缘信息构造基于距离与角度双维度边缘相似性的图像相似性权值,并通过加权其自身和相邻像素来估算中心像素,从而保留局部邻域信息,将所有生成的中心像素进行组合构成最终的去噪图像.最后,自适应参数的选择运用4方向差分因子检测模板提取的边缘信息及噪声方差确定.文中ANLM-ES方法与传统NLM算法、NLM-SVB算法及NLM-BDPCA算法在公开数据集上的实验结果表明,ANLM-ES方法能够更好地保留图像的边缘细节信息,提升图像的去噪性能.
