非局部均值(nonlocal means, NLM)图像去噪算法是根据图像中存在的大量冗余信息,用非局部自相似性原理抑制噪声的算法。最初的NLM算法由文献[
在NLM改进算法中,文献[[在相似窗结构张量的基础上增加了位置信息,具有较强的抗噪能力,因此本文使用引导核提取相似窗的特征进行预筛选。
鉴于上述分析,首先使用预筛选算法对相似窗进行分类,模糊C均值(fuzzy c-means, FCM)算法对引导核提取的特征进行聚类时,可在30次左右收敛,因此利用基于引导核的FCM聚类算法对相似窗进行预筛选,划分其类别。然后针对在固定搜索窗内相似性较高相似窗的数量可能较少的情况,提出自适应选取搜索窗大小的算法,该算法依据相似窗分类结果计算每个像素点对应搜索窗的大小。最后在FCM分类结果的每一类中,根据每个像素点对应的搜索窗大小分别进行NLM图像去噪。选取纹理不规则的纹理图像、测井图像、工业CT(computed tomography)图像、鱼图像进行了大量实验,从主观视觉图像效果和客观定量评价指标两个方面,将本文提出的基于引导核聚类和自适应搜索窗的NLM图像去噪算法分别与基于Zernike矩、基于主邻域字典(principal neighborhood dictionaries, PND)、基于均值方差预筛选等3种NLM改进算法进行比较。
1 非局部均值和引导核
1.1 非局部均值
NLM利用图像中存在的非局部自相似性特征进行图像去噪,即图像中每一像素点所在的邻域存在统计相似关系,且这种关系不随噪声的影响而改变。若使用欧氏距离表示图像的非局部相似性,则NLM图像去噪的表达式为:
$
{ {\mathbf{I}}_{\text{NL}}}({ {\mathbf{n}}_{\text{1}}})=\sum\limits_{ { {\mathbf{n}}_{2}}\in \mathbf{S}({ {\mathbf{n}}_{1}})}{\mathbf{\omega }({ {\mathbf{n}}_{\text{1}}},{ {\mathbf{n}}_{\text{2}}})\mathbf{I}({ {\mathbf{n}}_{\text{2}}})}
$
(1)
$
\mathbf{\omega }({ {\mathbf{n}}_{\text{1}}},{ {\mathbf{n}}_{\text{2}}})=\frac{\exp \left( -\frac{\mathbf{d}({ {\mathbf{n}}_{\text{1}}},{ {\mathbf{n}}_{\text{2}}})}{ { {h}^{2}}} \right)}{\sum\limits_{ { {\mathbf{n}}_{3}}\in \mathbf{S}({ {\mathbf{n}}_{\text{1}}})}{\exp \left( -\frac{\mathbf{d}({ {\mathbf{n}}_{\text{1}}},{ {\mathbf{n}}_{\text{3}}})}{ { {h}^{2}}} \right)}}
$
(2)
$
\mathbf{d}({ {\mathbf{n}}_{\text{1}}},{ {\mathbf{n}}_{\text{2}}})=||\mathbf{R}({ {\mathbf{n}}_{\text{1}}})-\mathbf{R}({ {\mathbf{n}}_{\text{2}}})|{ {|}^{2}}
$
(3)
式中, $\mathbf{I}$为受噪声污染的图像; ${ {\mathbf{I}}_{\text{NL}}}$为经过NLM图像去噪后的图像;${ {\mathbf{n}}_{\mathbf{i}}}(i=1,2,3)$表示图像的第 ${ {\mathbf{n}}_{\mathbf{i}}}$(${ {\mathbf{n}}_{\mathbf{i}}}$为像素点坐标)个像素点; $\mathbf{I}({ {\mathbf{n}}_{\mathbf{i}}})$为其对应灰度值; $ \mathbf{R}({ {\mathbf{n}}_{\mathbf{i}}}) $ 和 $\mathbf{S}({ {\mathbf{n}}_{\mathbf{i}}})$ 分别为以${ {\mathbf{n}}_{\mathbf{i}}}$为中心的相似窗和搜索窗; $\mathbf{\omega }({ {\mathbf{n}}_{1}},{ {\mathbf{n}}_{2}})$ 和$\mathbf{d}({ {\mathbf{n}}_{1}},{ {\mathbf{n}}_{2}})$分别表示$\mathbf{R}({ {\mathbf{n}}_{1}})$与$\mathbf{R}({ {\mathbf{n}}_{2}})$之间的相似程度和欧氏距离; $h$为衰减参数。
1.2 引导核
引导核是一种利用回归系数表示图像局部结构的算法,其中回归系数由结构张量和位置信息组成。若图像$\mathbf{I}$中第 $\mathbf{k}$($\mathbf{k}$表示像素点坐标)个像素点的邻域窗口为$\mathbf{N}(\mathbf{k})$,则在$\mathbf{N}(\mathbf{k})$内可求得像素点${ {\mathbf{k}}_{\mathbf{i}}}$(${ {\mathbf{k}}_{\mathbf{i}}}\in \mathbf{N}(\mathbf{k})$)与中心像素点$\mathbf{k}$的回归系数$\mathbf{w}(\mathbf{k},{ {\mathbf{k}}_{\mathbf{i}}})$:
$