【图像去噪】改进非局部均值红外图像混合噪声【含Matlab源码 1640期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、全变分算法简介

传统的去噪算法无法有效去除红外图像中的条纹与随机混合噪声。针对这一问题,提出了一种改进的基于非局部均值（NL-means）的混合噪声去除方法。首先,分析了非局部均值算法处理混合噪声的问题,并用一组实验分析了红外图像块中混合噪声的特性。根据实验结果,文中用有色高斯模型对混合噪声进行建模,并基于Mahalanobis距离改进了传统的基于欧氏距离的块相似性度量方法,使之对图像中不同复杂程度的区域进行自适应。仿真和真实数据实验均表明:文中算法相比于传统的图像去噪算法,能较好地去除条纹与随机混合噪声。

⛄二、部分源代码

function cnlmdenoisedemo
%CNLMDENOISEDEMO CNLM denoising method.
% CNLMDENOISEDEMO reads an image, adds random stripe and white noise and denoises it
% using CNLM denoising.
%
% To run the demo, type CNLMDENOISEDEMO from the Matlab prompt.

disp(’ ‘);
disp(’ ********** CNLM Denoising Demo **********‘);
disp(’ ‘);
disp(’ This demo reads an image, adds random Stripe and White mixed Gaussian noise.‘);
disp(’ The mixed noise will be removed using an improved NLM method (CNLM).‘);
disp(’ The denoised image will be shown.‘);
disp(’ ');

%% prompt user for image %%

addpath(‘.\functions’)

im = readImage(‘cnlmdenoisedemo’);

%% generate noisy image %%

sigma_white = 5;
sigma_stripe = 5;

disp(’ ');
disp(‘Generating mixed noisy image…’);

n = randn(size(im)) * sigma_white;
n = n + repmat(randn(1, size(im, 2)), size(im, 1), 1) .* sigma_stripe;
imnoise = im + n;

% denoise!
disp(‘Performing CNLM denoising…’);
[dI] = CNLM(imnoise, 2, 5);

% show results %

figure; imshow(newlp(im));
title(‘Original image’);

figure; imshow(newlp(imnoise));
title(‘Noisy image’)
% title(sprintf(‘Noisy image, PSNR = %.2fdB’, 20*log10(params.maxval * sqrt(numel(im)) / norm(im(😃-imnoise(😃)) ));

figure; imshow(newlp(dI));
% title(sprintf(‘Denoised image, PSNR: %.2fdB’, 20*log10(params.maxval * sqrt(numel(im)) / norm(im(😃-imout(😃)) ));
title(‘Denoised image’)

figure; imshow(newlp(n))
title(‘Extracted mixed noise’)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李方舟, 赵耀宏, 向伟, 刘海峥. 基于改进非局部均值的红外图像混合噪声去除方法[J]. 红外与激光工程, 2019

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合