详解非局部均值滤波原理以及用MATLAB源码实现

详解非局部均值滤波原理以及用MATLAB源码实现

序言

均值滤波、中值滤波、高斯滤波在滤除噪声的过程中，无可避免的使图像的边缘细节和纹理信息所被滤除。针对此问题，Buades[1]等人提出了非局部均值滤波，它使图像中的冗余信息得到了有效地利用，在滤除噪声的同时将图像的细节特征进行了最大程度的保留。

非局部均值滤波使图像中的冗余信息得到了有效地利用，在滤除噪声的同时将图像的细节特征进行了最大程度的保留。

非局部均值滤波利用了自然图像中的每个小块都存在关联性，与均值滤波是对邻域内的所有像素求和再平均的方法不同，它先在整幅图像中寻找相似的图像块，再根据图像块的相似度大小来赋予其不同的权值，以此来实现图像去噪。

原理介绍

1 借助图片

可用N（p）来表示以待处理像素点p为中心、大小为N×N的图像块；同理，N（q1）、N（q2）、N（q3）分别代表以q1、q2、q3为中心、大小为N×N的图像块。

由于N（q1）、N（q2）、N（q3）与N（p）的相似度均不相同，它们会通过与图像块N（p）的相似度比较后，根据其与N（p）各自的相似性被赋予不同的相似性权值，N（q1）、N（q2）、N（q3）的相似性权值分别可用w(p*,* q1)、w(p*,* q2)、w(p*,* q3)来表示。

值得说明的是，从上图可看出，N（q1）、N（q2）与N（p）具有相同的属性，因此相似性权值w(p, q1)、w(p, q2)会大一些；而N（q3）与N（p）之间存在较大差异，相似性权值w(p, q3)会比较小。

2 进一步用公式阐述非局部均值滤波的原理

假定一幅离散的噪声图像为g=g{g(i)|i∈Ω}，其大小为N×N，Ω代表图像邻域，i为像素索引，对噪声图像进行非局部均值滤波处理后可表达为：

这是一个加权平均的过程。上式中分母的存在是为了使其归一化，Ωi表示中心像素为i、大小为q×q的搜索区域；w(i,j)代表赋予噪声图像g(i)的权值，数学形式为：