NLM去噪理解

这篇博客总结了非局部均值(NLM)去噪算法的理解,介绍了噪声图像模型以及NLM算法的核心思想。通过计算像素点之间的高斯加权欧式距离来衡量相似度,使用一个搜索区域和相似块比较区域进行处理,最后归一化得到新图像的像素值。文章还提到了算法的关键参数如高斯核和衰减因子对去噪效果的影响。
摘要由CSDN通过智能技术生成

参考论文:A non-local algorithm for image denoising
参考博客:https://blog.csdn.net/jugexiaolizi/article/details/84836975、
https://blog.csdn.net/qianhen123/article/details/81043217(内含代码)、https://blog.csdn.net/piaoxuezhong/article/details/78345929(彩色图像代码)

该博客主要总结了各位前辈的文章,并附上自己的一些理解,用于自身以后复习回顾用。

算法理解

对于图像,我们设 v(i) = u(i) + n(i),其中 v(i)为带噪声的所观测到的图像,u(i)为真实不带噪声的图像,n(i)是像素点 i 的噪声扰动。
如下给出一个带噪声的图像:

  • 5
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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