首先先附上原论文,百度学术可以搜到。
Buades A, Coll B, Morel J M. A Non-Local Algorithm for Image Denoising[J]. 2005, 2(7):60-65 vol. 2.
简单讲一下原理
非局部均值是利用自然图像的信息冗余带来的自相似性来进行去噪的。认真学习了的同学应该都清楚,NLM是在非局部寻找相似块的方法来求相似块中心像素点的加权平均,用来代替该像素点的值,来实现去噪。
实现
在实际实现过程中,可以先设定自适应的(根据找到的块的相似度而定,相似度高就多选点,相似度低就少选点)要找的相似块数目,全部找到后再来做加权平均。但是,比较简单一点的是,将搜索区域内的块都用来求加权平均,对于相似度低的,我们就给他一个低的权重,但是这样做有一个坏处就是,搜索区域大到一定程度的时候再增大,效果反而会有所降低,所以没办法一股脑的直接以整幅图来做搜索区域,要根据你实际选取的图,一点一点的去试出最好的参数,所以最好对一张图做,图多了的话,他们适合的参数不一定一样,下面这个代码就是这么做的,本文后面我会给出我实验的参数作为参考,然后解释一下高斯平滑参数。
函数NLmeans我是参考别人写的,所以这里我就不贴出来了,可以到下面的链接去看。
我也不知道哪个是原创的哈,下面两个都可以。
NLmeans
NLmeans
PSNRs = zeros(12,1);
SSIMs = zeros(12,1);
noise_sigma=51; %噪声强度
image=cell(1,12); %预分配内存以提高速度
for i = 1:12
image{i}= im2double(imread(['D:\Matlab2018a\work\NLmeans\Set12\',num2str(i),'.png']));%读入图片
imgnoise=(imnoise(image{i},'gaussian',0,(noise_sigma/255)^2));%添加噪声
imgnoise=im2uint8(imgnoise);%做一下类型转换
imgout=NLmeans(imgnoise,2,7,25);%调用写好的NLmeans函数,括号里参数的意思见function
imgout=uint8(imgout);
imgout=im2double(imgout);
imgnoise=im2double(imgnoise);%这三步都是作类型转换,便于计算PSNR和SSIM
imshow([image{i},imgnoise,imgout]); %展示一下效果
PSNRs(i,1)=psnr(image{i},imgout);
SSIMs(i,1)=ssim(image{i},imgout);
end
我是对测试集Set12做的测试;
分别对不同强度的高斯噪声、椒盐噪声、乘性噪声做的测试
以下是多次试验后,去噪效果最好的输入参数
高斯噪声 | sigma=15 | sigma=25 | sigma=35 |
---|---|---|---|
块邻域(patch)半径 | 2 | 2 | 2 |
搜索窗口(search)半径 | 5 | 7 | 7 |
高斯平滑参数(h) | 12 | 20 | 27 |
椒盐噪声 | 密度=0.01 | 密度=0.02 | 密度=0.05 |
---|---|---|---|
块邻域(patch)半径 | 2 | 2 | 2 |
搜索窗口(search)半径 | 7 | 7 | 7 |
高斯平滑参数(h) | 24 | 28 | 32 |
高斯噪声 | sigma=15 | sigma=35 | sigma=51 |
---|---|---|---|
块邻域(patch)半径 | 2 | 2 | 2 |
搜索窗口(search)半径 | 7 | 7 | 7 |
高斯平滑参数(h) | 7 | 16 | 25 |
对于高斯平滑参数我是这样理解的,这个参数越大,则相似度高的块和相似度低的块的权重差异就越小,也就是说h越大权重分布得越平均,h越小权重越集中在相似度大的块上;
体现在输出的结果上就是:h越大,对噪点的滤除效果越好,但是输出图像也越平滑;h越小,剩余的噪点数目越多,平滑效果越低。所以这个参数需要找到一个平衡点,这和均值滤波的窗口大小选择很像。