1.基于图像多特征融合的非局部均值去噪方法,其特征在于,根据LBP纹理特征来计算图像块之间的相似度,并同时结合LBP特征和灰度特征,进行一种混合相似度计算,最终确定相似图像块的权值分配,包括如下步骤:
1)建立自适应非局部均值去噪的模型:
给定离散域I上的一幅噪声图像V={v(i)|i∈I},像素点i的相似窗Ni为以像素点i为中心的一个图像子块,去噪后的像素复原值为则利用非局部均值去噪算法,图像中像素的复原值通过求得,其中,权值w(i,j)取决于相似窗Ni和Nj之间的相似程度可由得到,Z(i)是归一化因子,是为了满足0≤w(i,j)≤1和Σjw(i,j)=1,h是滤波参数用于控制图像平滑程度;
2)计算图像多特征融合的混合相似度,一方面采用基于灰度特征的高斯加权欧式距离来衡量相似度,另一方面采用基于LBP纹理特征的卡方距离来衡量相似度,通过结合两种特征的混合相似度来计算相似图像块的权值:
定义Ni,Nj表示像素i,j所在的图像块即相似窗大小,V(Ni),V(Nj)分别表示两相似窗的灰度向量,根据计算Ni和Nj的高斯加权欧式距离,
根据计算Ni和Nj基于灰度值特征的相似度,
获取Ni,Nj的LBP特征,由于LBP特征是以直方图形式表示的,使用卡方统计来度量两个LBP特征之间的距离,即可根据计算Ni和Nj之间的距离,
根据计算Ni和Nj基于LBP特征的相似度,
根据simmix(i,j)=w1simgray(i,j)+w2simlbp(i,j)计算结合灰度特征和LBP纹理特征的混合相似度;
3)计算权值:在混合相似度计算方法的基础上,根据计算分配相似图像块的权值;
4)遍历图像去噪:
根据计算像素点i处的滤波值使像素i遍历整幅图像,重复上述步骤1)~3)进行滤波,得到最终的滤波图像