1、圖像去噪是數(shù)字圖像處理中的重要問題,噪聲的存在妨礙人們對圖像信息的理解和提取,去噪后的圖像質量也影響著后續(xù)的圖像處理過程。
　　非局部均值(Non-Local Means,NLM)算法利用了自然圖像中存在相似結構的特性,以此衡量像素點間的相似性,并且通過對搜索范圍內的像素點值加權平均,估計像素點的真實灰度值,去噪效果獲得了較大提升。本文從這一算法出發(fā),針對該算法中的關鍵問題:圖像塊間結構相似性的度量,研究并分析了兩種結構特性匹配的

2、NLM去噪算法,所做的研究及主要貢獻如下:
　　(1)研究并分析了CV-Kmeans區(qū)域分類算法,利用變差系數(shù)衡量圖像的勻質性,與Kmeans聚類算法結合,對圖像的結構特性進行分類。
　　(2)研究并分析了一種基于結構特性分類的NLM去噪算法。該方法首先根據(jù)結構變化的激烈程度對含噪圖像的結構特征進行分類;其次,對不同類別區(qū)域內采用不同尺寸的圖像塊進行相似性度量;最后,加權平均得到最后的去噪像素點的估計值,實現(xiàn)噪聲的去除。

3、r>　　(3)研究并分析了一種采用結構自適應塊匹配的NLM去噪算法。該方法針對基于結構特性分類的NLM去噪算法中的缺陷,提出一種具有圖像結構自適應性的NLM去噪算法。該算法首先引入 CV-Kmeans區(qū)域分類算法,將圖像劃分為包含邊緣及紋理的結構區(qū)域和平坦區(qū)域;在結構區(qū)域進一步根據(jù)不同尺度下圖像塊間的平均歐氏距離來自適應選擇塊尺寸;在此基礎上獲得新的NLM算法,用以去除圖像噪聲。
　　實驗結果表明,相比經典的NLM算法,基于結構特