NLM去噪算法的python实现

NLM全名non-Local Means——非局部均值，通过寻找图片中与当前像素相似的区域，计算出权重，再求和，即当前图像的去噪结果是图像中相似块的融合

原理非常简洁，以下图为例：

假设含噪声图像为$v$，去噪图像为$u$

那么输入输出的关系为：

$u(x)={\sum }_{y\in I}^{}w(x,y)v(y)$

其中$y$的取值范围是整幅图像，$w$是代表了图像块$x$，$y$的相似度，是一种权重，每个输出点都要对整个图像求权重，最后求整幅图像的加权和，其计算复杂度非常之高，想要实用就必须被简化，这里先介绍原始方法。

$w$的公式为：

$w(x,y)=\frac{1}{Z(x)}exp(-\frac{||V(y)-V(x)|{|}^2}{h^2}))$

$h$是控制去噪程度的系数，越大则去噪程度越高，图像也更模糊，具体取值应当以图像中的噪声水平为依据
$V(x)$是输入像素点$x$的窗
$V(y)$是当前遍历到的像素点$y$的窗
$||V(y)-V(x)||$就是两个窗内像素的均方误差

$||V(y)-V(x)|{|}^2=mean((v(x+z)-v(x+z){)}^2)$

而$z$代表归一化：

$Z(x)={\sum }_y^{}exp(-\frac{||V(y)-V(x)|{|}^2}{h^2}))$

本文的代码限制了搜索的范围，不然实在是太慢了：

import cv2
import numpy as np
import math

img = cv2.imread('F:/hh/2.jpg')
img = cv2.resize(img,(500,500))
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray= gray.astype('float32')/255
size = img.shape  # h w c

r = 1
search_range = 10
h = 0.05

sr = search_range
h2 = h*h
dest = gray.copy()   #python中的变量更像指针，不可直接赋值
div = -1 * (2*r+1)*(2*r+1) * h2;

for y in range(r , size[0] - r):
    print(y)
    for x in range(r , size[1]  - r):
        
        srcblock = gray[y-r:y+r+1,x-r:x+r+1]  #是y,x
        
        #限制了搜索范围，不然实在太慢了，做个试验而已
        y_start = max(y-search_range,r)
        x_start = max(x-search_range,r)
        y_end = min(y + search_range,size[0]- r - 1)
        x_end = min(x + search_range,size[1]- r - 1)

        w = np.zeros([y_end - y_start + 1,x_end - x_start + 1])
        
        for yi in range(y_start , y_end + 1):
            for xi in range(x_start , x_end + 1):
                #运动估计简化计算？
                refblock = gray[yi-r:yi+r+1,xi-r:xi+r+1]
                
                delta = np.sum(np.square(srcblock-refblock))
                #print(delta)
                w[yi-y_start,xi-x_start] = math.exp(delta/div) 
                #print(yi,xi)
                #time.sleep(1)
        

        dest[y,x] = np.sum(w * gray[y_start:y_end + 1,x_start:x_end + 1])/np.sum(w)
            
                
cv2.imshow('result',dest)

结果如下：