首先介绍非局部均值的概念
非局部均值(NL-means)作为一项去噪技术,充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征
基本思想是:当前像素的估计值,由图像中与它具有相似邻域结构的像素加权平均得到
理论上,该算法需要在整个图像范围内判断像素间的相似度,也就是说,每处理一个像素点时,都要计算它与图像中所有像素点间的相似度。
但是考虑到效率问题,在实现的时候,我们会设定两个固定大小的窗口:搜索窗口和邻域窗口
邻域窗口在搜索窗口中滑动,根据邻域间的相似性确定像素的权值。
下图是NL-means算法执行过程
大窗口是以目标像素 x 为中心的搜索窗口
两个灰色小窗口分别是以 x 、 y 为中心的邻域窗口
其中以 y 为中心的邻域窗口在搜索窗口中滑动,通过计算两个邻域窗口间的相似程度,为 y 赋以权值 w(x,y)
(但是该算法的最大缺陷就是计算复杂度太高,程序非常耗时,导致该算法不够实用)
受到非局部均值的启发,将非局部操作定义为:
&n