均值、中值、高斯、non-local means算法详解

文章仅为个人理解，如有不妥之处欢迎指正。

写几个常见的图像去噪滤波器。
1、均值滤波器
均值滤波器是最简单的图像平滑滤波器，其3*3的模板为$$\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$$模板中心的滤波值是模板内像素点的平均值，过程如下图，填充几行由模板大小来决定。如果想滤波输出与原图像大小一致，填充是必须的，下文中就不再赘述了。

2、中值滤波器
中值滤波器是对模板内的像素值进行排序，然后选取中值作为模板中心的滤波值，均值噪声能有效去除椒盐噪声。

3、高斯滤波器
高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。
高斯模板的系数计算公式为：$$h(△x,△y)=e^{-\frac{△x^2+△y^2}{2{\sigma }^2}}$$其中，$△x,△y$分别时模板内像素点到模板中心的相对距离。
以3*3高斯滤波器为例，取$\sigma =0.8$，其上式计算得模板系数为：$$\left[\begin{array}{ccc}0.0521& 0.1139& 0.0521\\ 0.1139& 0.2487& 0.1139\\ 0.0521& 0.11391& 0.0521\end{array}\right]$$

需要注意的是，最后归一化的过程，使用模板左上角的系数的倒数作为归一化的系数（左上角的系数值被归一化为1），模板中的每个系数都乘以该值（左上角系数的倒数），然后将得到的值取整，就得到了整数型的高斯滤波器模板，就是我们常见的整数型3*3高斯滤波模板：$$\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$$高斯滤波器模板系数与标准差$\sigma$有着很大的关系，当$\sigma$取很小的值时，只有模板中心的值接近于1，其余的接近于0；当$\sigma$取很大值时，模板系数全接近于1，相当于均值滤波。

上图可以看到，随着$\sigma$的增大，图像去噪效果是明显了，但同时图像也更模糊了，这就需要我们在实际应用的时候平衡去噪效果和模糊程度。此外，模板尺寸越大，图像也会更模糊，去噪效果也会更好。

4、NLM算法
NLM全称为non-local means，顾名思义，它是非局部平均算法，上面几个算法都是利用滤波点周围几个像素点进行滤波，NLM对每个滤波点都利用了整张图像的信息。比如，要对像素点$i$做NLM处理，先遍历整张图像，求出$i$与其他像素点的相似度，相似度越大，权重越大，最后再对整张图像的像素点进行加权平均，就得到$i$的滤波值。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。
定义：假设$v$是带噪声的图像， v = { v ( i ) , i ∈ I } v=\{ v(i),i∈I\} v={v(i),i∈I}，$NL(i)$表示对像素点$i$的滤波值，就有：$$NL(i)=\sum _{j\in I}w(i,j)v(j)$$ $$且，0\le w(i,j)\le 1，\sum _{j\in I}w(i,j)=1$$其中，$v(j)$表示像素点$i$的灰度值，注意$j\in I$，要遍历整张图像，$w(i,j)$是$v(j)$的权重，由$i,j$两像素点之间的相似度来得到。
如果仅仅比较$i,j$像素值来作为相似度的依据，不能正确反映$i,j$的关系，所以算法提出者利用$N(i),N(j)$的欧式距离来衡量相似度，$N(i),N(j)$分别表示$i,j$领域像素点，邻域大小可以自己选择；
进一步就可以得到$$w(i,j)=\frac{1}{C}{e}^{\frac{||N(i)-N(j)|{|}_2}{h^2}}$$ $$C=\sum _{j\in I}{e}^{\frac{||N(i)-N(j)|{|}_2}{h^2}}$$其中，$||N(i)-N(j)|{|}_2$就是欧式距离，$h$为滤波器参数，引入C是为了归一化。
由上式可以看出，当$i$的邻域和$j$的邻域相似度高的时候，$v(j)$的加权系数$w(i,j)$也会比较大，下图中，明显可以看出$q1$点、$q2$点的邻域与$p$点邻域比较相似，所以$w(p,q1)、w(p,q2)$比较大，而$q3$的邻域与$p$差别较大，所以$w(q,p3)$就很小。

上面说过，对于每个$i$,滤波值$NL(i)$都需要用到整个的图像，这样就导致算法复杂度特别高，运算非常缓慢，所以通常在应用的时候，会选定一个搜索区域，在搜索区域内计算相似度，然后加权平均，而不是遍历整个图像了。
上面图像我选取邻域大小3*3，搜索区域7*7，小于论文原文使用的7*7邻域和21*21搜索区域，即便如此，处理这幅512*512的图像也需要两分钟。
对于参数$h$的选取，论文原文给出了选取规则，$h=10\sigma$，$\sigma$表示噪声标准差。但实际应用的时候，我发现$h$的选取并不需要那么严格，只要别选的太大或者太小就行。$h$很大的时候，NLM就接近于均值滤波器了。

5、 改进的NLM算法
针对NLM算法耗时太长的问题，论文Parameter-Free Fast Pixelwise Non-Local Means Denoising 提出了改进算法，在另一位博主文章积分图像的应用（二）：非局部均值去噪（NL-means）中对论文做了一定的解释，但是还是挺难懂的，我仅在此补充一些个人理解。在此之前你需要了解积分图像。
上图中，左边是经典NLM算法流程，右边是改进后的大致流程。
我的理解：经典NLM对一个像素点点滤波完全结束后，才会进行对下一个像素点的滤波；而改进的NLM不是这样，它每次求出每个像素点邻域内的一个权重，而且相对位置（图中的$(k,l)$）是一样的，然后遍历整个邻域位置，求出剩下权重，这样就得到了全部权重，在得到全部权重的同时，完成对整个图像的滤波，在此之前不会有任何像素点完成滤波，这一过程的实现需要用到积分图像。可以把经典NLM看成“串行”计算，那么改进NLM就是“并行”计算。
举个例子，看上图右上角的小图，经典NLM需要把邻域内25个权重都求出来，并且进行加权平均，才能对下一个像素进行滤波；改进的NLM每次求得所有像素点相对位置为$(k,l)$那一像素值的权重。

上图是滤波结果图像，改进之后的NLM与经典NLM效果是一模一样的，但是耗时却大大下降了，因为核心思想是没变的，只是不同的实现过程。

用语言还是挺难完全说清楚的，以上只是帮助理解，想真正搞清楚还需要看代码，我把整篇文章的代码都放在这里了，可免费下载。