基于顏色信息的改進NL法圖像噪聲消除算法初探

摘 要：對于古舊圖像數(shù)字化處理時嵌入的隨機噪聲，擬在改進Non Local Means算法進行研究。通過對像素周圍整個區(qū)域的灰度分布做整體對比，根據(jù)灰度分布的相似性求得決定權值，研究并算出對應各個像素集合塊自適應參數(shù)，繼而算出相似度，篩選出基礎模板。再通過修正目標像素區(qū)域值，并利用加權平均值替代目標像素區(qū)域值，以達到噪聲消除的目的。最終參照圖像噪聲消除精度和圖像質(zhì)量參數(shù)，仿真了此噪聲消除算法的可行性和科學性。

關鍵詞：圖像處理；顏色信息；噪聲消除；NL法；Block；加權平均

1 概述

古舊影像數(shù)字化處理的同時，信號中包含的隨機噪聲將對圖像質(zhì)量產(chǎn)生較大影響。為了消除此類噪聲，使得隨機噪聲消除的重要性凸現(xiàn)出來。針對這一現(xiàn)象，采用應用數(shù)學手段進行圖像處理的西班牙科學家A.Buades于2005年提出了Non Local Means濾去噪聲消除法（簡稱NL-Means算法）[1]，NL-Means算法思想起源于鄰域濾波算法，是對鄰域濾波算法的一種推廣，但是該方法的權值不再是由圖像中的單個像素灰度值和其它像素作對比而得到，而是對像素周圍整個區(qū)域的灰度分布做整體對比，根據(jù)灰度分布的相似性求得決定權值。

具體論NL-Means算法，是屬于具有代表性的非線性濾波技術。即目標像素區(qū)域中心的圖像像素點與圖像內(nèi)已大量收集的參照區(qū)域的相似度進行重合比對，用各個區(qū)域的中心像素點加權平均值替換目標像素點的值的一種處理技術。采用NL-Means算法后，無論是圖像平坦部的噪聲區(qū)域消除性能，還是邊界部信號的保存性能，都取得了很好的效果，噪聲消除能力增強，使圖像質(zhì)量得以明顯提高。

2 改進的NL-Means算法

NL-Means算法噪聲消除能力增強，使圖像質(zhì)量得以明顯提高。特別是圖像平坦部的噪聲區(qū)域的消除性能，以及邊界部信號的保存性能。但是，對于彩色圖像去噪的情形，因處理對象圖像而異，獨立處理后的各個RGB的組分產(chǎn)生色差現(xiàn)象的弊端可能存在，故采用了加權計算灰度的手段來避免[3]。

首先，傳統(tǒng)的NL-Means算法，對于輸入圖像的像素，從左上到右下進行選擇，被選中的像素點的值被大量的周邊像素的像素值加權平均值替換。目標區(qū)域與周邊像素中心區(qū)域比較，其相似度越高，加權平均的重合度設定值越高，相似的模板被平均化，達到噪聲消除目的（圖1）?？墒?，受噪聲影響，本來是相同模板的區(qū)域，其相似度是低的。類推之，本來相異的模板，其相似度相對要大，于是產(chǎn)生了圖像模糊的修復缺陷。

其次，作為評價手段的主觀質(zhì)量評價，經(jīng)過濾波后，用原圖與結(jié)果圖相比得到噪聲圖，將該圖乘以100 方便觀察[4]。噪聲圖分布越是均勻，包含的結(jié)構(gòu)信息越少，結(jié)論去噪的效果越好。

3 仿真模擬

首先，通過收集大量的各類的自然圖像像素區(qū)域，從左上至右下，根據(jù)其出現(xiàn)頻率的統(tǒng)計數(shù)據(jù)，選擇基礎模板。出現(xiàn)頻率高的基礎模板，通常是自然圖像在大部區(qū)域，而出現(xiàn)頻率低的基礎模板，往往在圖像結(jié)構(gòu)上表現(xiàn)出不具有相關性，即為噪聲（圖1），于是據(jù)此可以選出高頻度基礎模板（圖2）。

其次，圖像處理對象，即目標圖像像素區(qū)域中，選擇與之相關聯(lián)的顏色基礎模板。在前一步所選出的基礎模板群中，細化再選擇與作為處理對象的目標圖像像素區(qū)域關聯(lián)性強的基礎模板（圖3）。

再次，求相似度。利用前兩步選出的基礎模板，修正目標像素區(qū)域值，再利用加權平均值替代目標像素區(qū)域值，圖像所有像素的加權平均值如式（1）：

在傳統(tǒng)的NL-Means算法的基礎之上，研究出自適應NL-Means算法，利用圖像基礎模板組合表現(xiàn)的性質(zhì)，找出與每一模板對應的參數(shù)，算出相似度值的整體思路，以改進NL-Means算法、提高算法的噪聲消除能力。

4 結(jié)束語

改進后的NL-Means算法，其噪聲消除能力較原NL-Means算法有大幅的提高。在改進算法的基礎之上，利用設置顏色閾值的方式對畫面運動幅度較弱的圖像處理進行了模擬，視覺效果得到了明顯改善；對于動態(tài)較強的圖像出現(xiàn)誤檢測、進而產(chǎn)生誤修復現(xiàn)象，采用像素的加權平均值算法，使這個問題在一定程度上得到了改善。

參考文獻

[1]Buades， A.， et al.， A Non-Local Algorithm for Image Denoising， CVPR2005， IEEE Computer Society Conference.2， 2005：60-65.

[2]S.Kawata， et al.， Image Denoising via Nonlocal Means with Noise-robust Similarity， 1st IEEE Global Conf. on Consumer Electronics， 2012： 291-292.

[3]T.Tasdizen， et al.， Development of Image Denoising Method for Analog TV in Emerging Countries， Image Information Media， Vol.68， No.1， pp.18-23（2014）.

[4]Hebar M， et al.， Autobinomial model for SAR image despeckling and information extraction[J]. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（8）： 2818-2835.