图像去噪算法：NL-Means和BM3D（转载+个人笔记）

最新推荐文章于 2024-03-20 21:06:22 发布
最新推荐文章于 2024-03-20 21:06:22 发布
阅读量6.6k 收藏 46
点赞数 5
分类专栏： 图像算法 文章标签： 图像去噪

       由于NL-Means是基于图像块进行搜索的，所有可以在上面的6组示例图中可以看到，权重较大是与目标点邻域相似的区域，有点类似模式识别，思路是通过高斯加权欧式距离找到曲线与与目标点邻域相似的区域，利用其信息进行去噪。

    简单做一个NL-Means去噪算法的总结，对于图像中的每一个像素，去噪后的结果是周围像素的加权和，权重是由该像素点与周围像素点的相似程度确定的，相似程度由块邻域的高斯加权欧式距离计算得到。

Murray_
关注
  • 5
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
BM3D.zip_BM3D去噪_bm3d改进 pudn_bm3d用于什么_去噪_图像去噪
09-21
主要用于图像去噪处理。可以为不同程度噪声污染的图像进行去噪。
图像去噪重要文献整理（一）NL-means / single image SR
兔角与禅
03-17 5322
图像去噪重要文献整理（一） 根据之前的ppt，整理一下图像去噪相关的重要文献和方法，包括传统方法和深度学习方法。 由于空域和变换域滤波是比较基本的图像处理方法，所以在此不进行讨论。我们从传统方法的第二个，也就是基于图像的自相似性的方法开始进行整理： A non-local algorithm for image denoising （2005） Antoni Buades ...
NLmeans（非局部均值去噪）学习
ISP行业的忠实粉丝
06-11 2178
NLmeans（非局部均值去噪）
图像预处理（2）图像去噪之常见的去噪方法
Siren_dream的博客
03-20 1982
书接上回，上回说到噪声有高斯噪声，泊松噪声，椒盐噪声，瑞利噪声，爱尔兰（伽马）噪声，均匀噪声，周期性分布噪声还有指数分布噪声（求指数分布噪声python的代码资源）没看过之前博客的小伙伴们请点击下方连接急速空降哦~今儿咱看看图像去噪中常见的去噪方法（如有其他好的方法欢迎评论一起学习进步哦~）有以下几种：（大多是都是直接调用OpenCV库函数，因为我的侧重点不在此处，所以就是找现成的来用可以节省很多时间，如果大家想要弄清原理的请提前退出哈，不占用大家时间了）
非局部均值去噪（NL-means）
xiaoluo91的专栏
09-06 4万+
非局部均值（NL-means）是近年来提出的一项新型的去噪技术。该方法充分利用了图像中的冗余信息，在去噪的同时能最大程度地保持图像的细节特征。基本思想是：当前像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。理论上，该算法需要在整个图像范围内判断像素间的相似度，也就是说，每处理一个像素点时，都要计算它与图像中所有像素点间的相似度。但是考虑到效率问题，实现的时候，会设定两个固定大小的窗口：...
三级联动
qq_30607437的博客
04-21 2544
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <meta name="keywords" content="ipayLinks,跨进金融,银行"/>             <meta name="descripti
BM3D图像去噪算法原理及代码详解
程序员深度学习
11-19 3万+
1. BM3D 算法简介 BM3D是2007年TIP的文章，题目是Image denoising by sparse 3D transform-domain collaborative ltering，论文、项目的地址是http://www.cs.tut.fi/~foi/GCF-BM3D/，提供matlab代码。 处理灰度图的BM3D以及它的变体CBM3D（彩色图）、VBM3D（时域）是图像去噪...
非局部均值滤波（NL-means）算法的原理与C++实现
shandianfengfan的博客
02-22 2561
在前面的文章中，我们分别讲过均值滤波、高斯滤波、中值滤波：数字图像处理之均值滤波数字图像处理之高斯滤波数字图像处理之高斯滤波加速优化中值滤波原理及其C++实现与CUDA优化其中，均值滤波的...
传统图像降噪算法之BM3D原理详解
生活就像海洋
09-17 2万+
对BM3D算法细节的深度挖掘。
BM3D 图像降噪算法与 Python 实现
Edvard的专栏
05-16 2315
图像降噪 - Block Matching and 3D Filtering (BM3D) 算法与 Python 实现
BM3D降噪算法实现
保持分享欲
11-20 756
BM3D（Block-matching and 3D filtering，3维块匹配滤波）降噪是芬兰的坦佩雷理工大学（Pampere University of Technology）的Kosadin、Alessandro、Vladimir、Karen等人2007年提出的基于传统方法的图像降噪算法，该方法的去噪性能目前是非AI图像降噪中去噪效果最好的，无愧于state-of-art denoising performance的称号。
一个关于图像平滑过滤的算法
10-16
这个程序实现了图像的滤波，经过滤之后，图像噪点可以被去除。
聚类算法：K-means聚类图像分割
12-22
K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在...
快速NL-means去噪算法_快速非局部_matlab图像处理_非局部均值_图像去噪_
09-29
基于matlab的快速非局部均值去噪的源程序
图像去噪-基于Swin-Transformer+UNet实现的图像去噪算法-效果佳-附项目源码-优质项目实战.zip
最新发布
04-29
图像去噪_基于Swin-Transformer+UNet实现的图像去噪算法_效果佳_附项目源码_优质项目实战
TV-L1 图像去噪算法：易于阅读的 TV-L1 图像去噪功能-matlab开发
06-01
使用 TV-L1 模型对原始对偶算法进行优化的图像去噪。 该函数最小化以下降噪模型 wrt I： sum(sqrt(Ix^2 + Iy^2)) + lambda*||I - g|| 其中 I 是去噪图像，Ix, Iy 是它的梯度，g 是观察到的图像和 lambda 是正则化...
bm3d图像去噪算法C++代码
12-18
根据图像块之间的相似性，把具有相似结构的二维图像块组合在一起形成三维数组，然后用联合滤波的方法对这些三维数组进行处理，最后，通过逆变换，把处理后的结果返回到原图像中，从而得到去噪后的图像。该方法确实...
Linux基础命令 - 文件及目录操作, 打印输出, 查找命令, 用户及权限管理, vi的使用等
热门推荐
Y_xianlin的博客
11-17 11万+
Linux基础命令 - 文件及目录操作, 打印输出, 查找命令, 用户及权限管理, vi的使用等
【图像去噪】BM3D算法图像去噪（含PSNR）【含Matlab源码 1779期】
Matlab领域的博客
01-15 789
BM3D算法图像去噪（含PSNR） 完整的代码，方可运行；可提供运行操作视频！适合小白！
帮我写一段NL-means去噪MATLAB算法
05-11
好的，下面是一个简单的NL-means去噪MATLAB算法： ```matlab function [denoisedImg] = nlMeansDenoising(noisyImg, patchSize, windowSize, h) % Input: % noisyImg - 带有噪声的图像 % patchSize - 每个块的大小 % windowSize - 用于搜索相似块的窗口大小 % h - 控制去噪强度的参数 % Output: % denoisedImg - 去噪后的图像 % 转换为灰度图像 if size(noisyImg, 3) == 3 noisyImg = rgb2gray(noisyImg); end % 复制一份噪声图像作为去噪后的图像的初始值 denoisedImg = double(noisyImg); % 计算图像中每个像素周围的块 halfPatchSize = floor(patchSize/2); halfWindowSize = floor(windowSize/2); [rows, cols] = size(noisyImg); paddedImg = padarray(noisyImg, [halfWindowSize halfWindowSize], 'symmetric'); for i = 1+halfWindowSize:rows+halfWindowSize for j = 1+halfWindowSize:cols+halfWindowSize % 获取以(i,j)为中心的块 i1 = i - halfPatchSize; i2 = i + halfPatchSize; j1 = j - halfPatchSize; j2 = j + halfPatchSize; patch = paddedImg(i1:i2, j1:j2); % 在以(i,j)为中心的窗口内搜索相似块 w1 = i - halfWindowSize; w2 = i + halfWindowSize; h1 = j - halfWindowSize; h2 = j + halfWindowSize; searchWindow = paddedImg(w1:w2, h1:h2); [searchRows, searchCols] = size(searchWindow); minMSE = Inf; for m = 1:searchRows-halfPatchSize*2 for n = 1:searchCols-halfPatchSize*2 % 获取搜索窗口中的相似块 m1 = m + halfWindowSize; m2 = m + halfWindowSize + patchSize - 1; n1 = n + halfWindowSize; n2 = n + halfWindowSize + patchSize - 1; similarPatch = searchWindow(m1:m2, n1:n2); % 计算均方误差 mse = sum(sum((patch-similarPatch).^2))/(patchSize^2); % 记录最小的均方误差和相似块的位置 if mse < minMSE minMSE = mse; minM = m; minN = n; end end end % 计算权重并进行去噪 weightSum = 0; weightedPatchSum = 0; for m = minM:minM+patchSize-1 for n = minN:minN+patchSize-1 % 获取搜索窗口中的相似块 m1 = m + halfWindowSize; m2 = m + halfWindowSize + patchSize - 1; n1 = n + halfWindowSize; n2 = n + halfWindowSize + patchSize - 1; similarPatch = searchWindow(m1:m2, n1:n2); % 计算相似块与目标块的权重 weight = exp(-minMSE/(h^2)); weightedPatchSum = weightedPatchSum + weight*similarPatch; weightSum = weightSum + weight; end end denoisedImg(i-halfWindowSize, j-halfWindowSize) = weightedPatchSum/weightSum; end end % 转换图像类型为uint8 denoisedImg = uint8(denoisedImg); end ``` 其中，`noisyImg`为带有噪声的输入图像，`patchSize`为每个块的大小，`windowSize`为用于搜索相似块的窗口大小，`h`为控制去噪强度的参数。函数返回去噪后的图像`denoisedImg`。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值