SSIM可参考https://blog.csdn.net/qq_34798152/article/details/92798175
非局部均值滤波算法可参考:https://blog.csdn.net/u010839382/article/details/48229579
首先采用高斯滤波对原始图像进行平滑处理,以克服噪声对边缘检测造成的突变。随后采用 Sobel 算子对图像进行梯度计算,采用
的 Sobel 算子如图 1 所示。
采用 Sobel 算子求取图像水平和垂直方向的方向梯度 gradiendx 和 gradiendy ,然后进行绝对值累加获得图像像素的梯度幅值图像
求取梯度图像的方差 g σ x , g σ y 以及协方差 g σ xy带入到公式 (4) 中进行替换,我们可以得到带有梯度信息的结构相似性度量方程 GSSIM ,如公式 (6) 所示:
公式 (6) 的范围在 [ - 1,1] 之间,通过如下处理把它处理到取值范围 [0 1] 之间:
改进NLM 算法中的欧氏距离的方程如公式 (8) 所示:
公式中除以平均值的目的是对其进行归一化处理,使得结构相似度低的欧氏距离变小,而结构相似度高的图像块欧氏距离变大,使得它的纹理信息能够更加凸显,于是 NLM 的权值公式可以更新为公式 (9)
(9)
摘抄自:一种基于改进非局部均值滤波算法的红外图像去噪