图像信噪比计算公式_使用Shapiro-Wilk相似性度量的非局部均值图像去噪

文章来源：

Yamanappa W, Sudeep P V, Sabu M K, et al. Non-local means image denoising using Shapiro-Wilk similarity measure[J]. IEEE Access, 2018, 6: 66914-66922.

摘要：

图像去噪是通过改善图像的信噪比来提升图像处理效果的，其对于图像处理而言是必不可少的预处理步骤。对于被加性高斯白噪声而言，非局部均值处理算法是其首选方法。常规的非局部均值滤波算法能够抑制图像噪声，并且能够最大程度的减少图像信息的损失。这篇文章使用Shapiro-Wilk检验统计方法选择了待处理样本，通过在标准测试图像上进行实验，证明了该方法的有效性。

介绍：

Buades等人提出了一种对非局部图像块之间相似度权重的均值处理方法，所谓非局部就是考虑到了不位于待处理图像块附近的图像块，因此能够在一定程度上提升图像去噪的效果。常规的NLM算法（Convential NLM）的性能取决于相似性的度量方法，衰减参数以及搜索窗和相似窗口的大小。近年来，有大量的学者提出了不同的NLM框架来优化这些参数，从而达到提升去噪性能以及减少运算时间的目的。将今年来他们的研究成果列在表1中。基于此，这篇文章使用Shapiro-Wilktest作为相似性度量，代替原有的欧几里得距离，从而达到改进CNLM算法的目的。

理论：

A. AWGN模型

含噪图像V是一个由像素值构成的二维矩阵，该模型能够用数学表达式表示为：

（1）

其中，U表示的是原图，

在这篇文章中表示的是均值为0，标准差为

的高斯白噪声。大多数的降噪算法都需要对噪声水平进行估计从而得到更好的去噪结果。在这