基于小波域相似性度量的圖像非局部均值去噪.pdf

1、圖像去噪一直以來在圖像處理領(lǐng)域都占據(jù)著重要的位置。其根本目的是解決實(shí)際圖像由于噪聲干擾導(dǎo)致的圖像質(zhì)量下降問題。近年來，各種去噪算法的提出為我們解決圖像去噪問題打開了一個(gè)個(gè)的突破口。其中非局部均值算法(NL_means)由于其優(yōu)異的去噪效果及簡(jiǎn)單的算法思想受到了各界人士的廣泛關(guān)注。當(dāng)然，BM3D算法，KSVD算法以及非局部稀疏模型讓我們接觸到聯(lián)合濾波的概念，即去噪過程可以由多種濾波算法聯(lián)合組成。但大量的實(shí)驗(yàn)證明，第一次濾波結(jié)果對(duì)最后的去噪

2、結(jié)果有著非常大的影響。本文將在小波理論的基礎(chǔ)上，結(jié)合非局部均值思想，來分析小波低頻圖和高頻圖上的噪聲分布，提出了低頻相似度距離公式和高頻相似度距離公式，以及構(gòu)建了基于小波變換的相似性度量模型。
　　 (1)提出了一種基于小波變換的相似性模型。對(duì)小波變換后的低頻子帶和高頻子帶上的噪聲進(jìn)行了系統(tǒng)的分析，并為衡量小波子帶中兩個(gè)像素塊之間相似性的歐氏距離推導(dǎo)了新的分布模型，從而建立新的相似性權(quán)值公式。大量的實(shí)驗(yàn)證明了該模型能較好的符合理

3、論分布。
　　 (2)提出了一種基于小波低頻的貝葉斯濾波方法。本方法使用小波低頻系數(shù)來描述貝葉斯去噪模型中的相似性權(quán)值，并采用了低頻相似性權(quán)值公式，克服了相似性權(quán)值計(jì)算中噪聲干擾的問題，降低了噪聲對(duì)計(jì)算相似性權(quán)值時(shí)所帶來的影響，提高了相似性權(quán)值的準(zhǔn)確度。低頻相似性權(quán)值公式由圖像自身的低頻系數(shù)的分布狀況所得，因此所需參數(shù)比較少。大量實(shí)驗(yàn)證明，該算法與傳統(tǒng)圖像去噪算法相比，在峰值信噪比和視覺上都取得較好效果。
　　 (3)提