图像拼接算法及实现_NL-means：一种非局部均值图像降噪算法 || 论文翻译及代码实现...

论文原文链接：

• 《Image denoising by sparse 3D transform-domain collaborative filtering》：https://www.cs.tut.fi/~foi/GCF-BM3D/BM3D_TIP_2007.pdf
• 萌新项目地址：GitHberChen/NL-means

论文结构：

• 简述
• 1、引入
• 2、方法噪声（降噪方法的误差）
  • 2.1、高斯滤波
  • 2.2、各向异性滤波器
  • 2.3、总偏差最小化
  • 2.4、邻域滤波
• 3、NL-means 算法
• 4、NL-means 的一致性
• 5、讨论与实验

论文翻译（粗略翻译，水平有限，欢迎吐槽）：

1、1~4：A non-local algorithm for image denoising || 翻译（上）

2、5：A non-local algorithm for image denoising || 翻译（下）

论文核心要点：

本论文主要提出NL-means算法，该算法用于数字图像的降噪，其主要原理为：

• （1）
• （2）
• （3）

带噪图像每一个像素点v的值降噪后为与其邻域（以v为中心的k*K像素方块）相近的所有像素点的值的高斯加权平均值之和，邻域的相似度用欧式距离衡量。

代码实现（C++）：

#include 

原图：

lena.jpg

经过添加高斯噪点和椒盐早点后的图像，将使用高斯滤波、中值滤波、双边滤波以及论文中的NL-means算法对该图进行降噪处理：

lena_noise.jpg

output:

RAW: 28.0157

time: 39.0843 ms
gaussian: 28.1887

time: 4.29171 ms
median: 30.6392

time: 13.0715 ms
bilateral: 33.161

time: 543.483 ms
nonlocal: 34.1463

输出图像：

1、高斯滤波 2、NL-means 3、双边滤波 4、原图 5、添噪图 6、中值滤波

结论：

NL-means算法无论是PSNR值还是视觉感受上都十分优秀，处理后的效果几乎与未人工添噪的原图一致，当然，缺点也很明显，该算法复杂度较高，在实验时我并未将搜索域设置为全图，仅设置为7*7，就已经需要半秒来处理，如果设置为全图256*256，则需要漫长的等待。

参考链接：

• 图像去噪算法：NL-Means和BM3D
• A non-local algorithm for image denoising
• non-local Means(非局部均值)降噪算法及快速算法原理与实现
• [转]图像去噪算法：NL-Means和BM3D - ZYVV - 博客园
• 非局部均值滤波算法的python实现 - zmshy2128的专栏 - CSDN博客
• Nonlocal-Means 算法图像去噪