电子科技大学学报  2016, Vol. 45 Issue (1): 36-42       
引用本文
吴一全, 李海杰, 宋昱. 基于引导核聚类的非局部均值图像去噪算法[J]. 电子科技大学学报, 2016, 45(1): 36-42.
WU Yi-quan, LI Hai-jie, SONG Yu. Nonlocal Means Image Denoising Algorithm Based on Steering Kernel Clustering[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(1): 36-42.
基于引导核聚类的非局部均值图像去噪算法    [PDF全文]
吴一全1,2,3,4,5, 李海杰1, 宋昱1    
1. 南京航空航天大学电子信息工程学院 南京 210016;
2. 西南石油大学油气藏地质及开发工程国家重点实验室 成都 610500;
3. 华中科技大学数字制造装备与技术国家重点实验室 武汉 430074;
4. 农业部东海海水健康养殖重点实验室 福建 厦门 361021;
5. 同济大学海洋地质国家重点实验室 上海 杨浦区 200092
收稿日期: 2014-11-10; 修回日期: 2015-10-22.
基金项目: 西南石油大学油气藏地质及开发工程国家重点实验室项目(PLN1303);数字制造装备与技术国家重点实验室开放基金(DMETKF2014010);农业部东海海水健康养殖重点实验室开放课题基金(2013ESHML06);同济大学海洋地质国家重点实验室开放基金(MGK1412);中央高校基本科研业务费(kfjj201430);江苏高校优势学科建设工程项目(2012)
作者简介: 吴一全(1963-),男,博士,教授,主要从事图像处理与分析、视觉检测与图像测量等方面的研究.
摘要: 为改善非局部均值(NLM)算法对不规则纹理图像的去噪效果,提出了一种基于引导核聚类和自适应搜索窗的NLM图像去噪算法。首先使用基于引导核的模糊C均值(FCM)聚类算法对相似窗进行预筛选,划分其类别;然后根据相似窗的类别计算每个像素点对应的搜索窗大小,保证相似性较高的相似窗数量;最后分别对每一类进行自适应搜索窗的NLM图像去噪。实验结果表明:与基于Zernike矩、基于主邻域字典(PND)、基于均值方差预筛选等3种NLM改进算法相比,该NLM改进算法对强噪声污染或不规则纹理的图像,其去噪效果更为有效,并更好地保持了图像的纹理、边缘,在峰值信噪比(PSNR)和结构相似性测度(SSIM)等客观定量评价指标上优于其他NLM改进算法。
关键词: 自适应搜索窗     模糊C均值聚类     图像去噪     非局部均值     引导核    
Nonlocal Means Image Denoising Algorithm Based on Steering Kernel Clustering
WU Yi-quan1,2,3,4,5, LI Hai-jie1, SONG Yu1     
1. School of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics Nanjing 210016;
2. Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Southwest Petroleum University Chengdu 610500;
3. Key Lab of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology Wuhan 430074;
4. Key Laboratory of Healthy Mariculture for the East China Sea Xiamen Fujian 361021;
5. Key Laboratory of Marine Geology, Tongji University Yangpu Shanghai 200092
Abstract: In order to improve the denoising effect of nonlocal means (NLM) algorithm for irregular texture images, an image denoising algorithm of NLM based on clustering by steering kernel and adaptive search windows is proposed in this paper. Firstly, fuzzy c-means (FCM) clustering algorithm based on steering kernel is used to prescreen and classify similar windows. Then, the size of search windows corresponding to each pixel is calculated according to categories of similar windows. The number of similar windows with higher similarity is guaranteed. Finally, image denoising of NLM based on adaptive search windows is carried out for each category. A large number of experimental results show that the proposed improved NLM algorithm has better denoising effect for the images with strong noise or irregular texture images, compared with the three improved NLM algorithms which are based on Zernike moment, principal neighborhood dictionaries (PND), and prescreening of mean-variance, respectively. The textures and edges in images are better preserved. The proposed algorithm is superior to other improved NLM algorithms in objective quantitative evaluation indexes such as peak signal to noise ratio (PSNR) and structural similarity index measurement (SSIM).
Key words: adaptive search window     fuzzy c-means     image denoising     nonlocal means     steering kernel    

非局部均值(nonlocal means, NLM)图像去噪算法是根据图像中存在的大量冗余信息，用非局部自相似性原理抑制噪声的算法。最初的NLM算法由文献[1, 2]提出，与高斯滤波、各向异性滤波、全变分模型滤波及邻域滤波等滤波算法相比，对图像的边缘、纹理保持较好，且消除了算法中的伪影现象，表现出较大的去噪优势。该算法直接使用相似窗之间的欧氏距离表示相似性，存在欧氏距离对相似性度量得是否准确、相似窗内含有冗余信息、搜索窗内涉及不必要的计算等问题。因此，如何改进NLM去噪算法，进一步改善其图像去噪效果具有较大的研究价值。

在NLM改进算法中，文献[3, 4]使用矩不变量、文献[5, 6]利用变换域的高频系数、文献[7, 8]通过对相似窗的大小和方向进行自适应变化引入相似窗的结构信息，提高相似性度量的准确性。文献[9, 10]使用主成分分析(principal component analysis, PCA)、文献[11]利用二维主成分分析(2-dimensional principal analysis, 2DPCA)、文献[12]通过离散余弦变换(discrete cosine transform, DCT)中低频数据的高能量紧致性降低相似窗内的冗余性。这些算法对规则纹理表现出较好的去噪效果，但对受强噪声污染或不规则纹理的图像，在固定搜索窗内易出现相似性较高相似窗数量过少的情况，从而影响去噪效果。而预筛选算法可根据相似窗的特征筛选搜索窗内的相似窗，因此本文提出使用预筛选算法自适应地选取搜索窗的大小。预筛选算法的关键在于相似窗特征的提取方式，文献[13]使用均值方差特征、文献[14]采用均值梯度特征。由于均值、方差和梯度对强噪声的抗噪能力差，不能较好地表示受强噪声污染的相似窗的特征。而引导核[15]在相似窗结构张量的基础上增加了位置信息，具有较强的抗噪能力，因此本文使用引导核提取相似窗的特征进行预筛选。

鉴于上述分析，首先使用预筛选算法对相似窗进行分类，模糊C均值(fuzzy c-means, FCM)算法对引导核提取的特征进行聚类时，可在30次左右收敛，因此利用基于引导核的FCM聚类算法对相似窗进行预筛选，划分其类别。然后针对在固定搜索窗内相似性较高相似窗的数量可能较少的情况，提出自适应选取搜索窗大小的算法，该算法依据相似窗分类结果计算每个像素点对应搜索窗的大小。最后在FCM分类结果的每一类中，根据每个像素点对应的搜索窗大小分别进行NLM图像去噪。选取纹理不规则的纹理图像、测井图像、工业CT(computed tomography)图像、鱼图像进行了大量实验，从主观视觉图像效果和客观定量评价指标两个方面，将本文提出的基于引导核聚类和自适应搜索窗的NLM图像去噪算法分别与基于Zernike矩、基于主邻域字典(principal neighborhood dictionaries, PND)、基于均值方差预筛选等3种NLM改进算法进行比较。

1 非局部均值和引导核 1.1 非局部均值

NLM利用图像中存在的非局部自相似性特征进行图像去噪，即图像中每一像素点所在的邻域存在统计相似关系，且这种关系不随噪声的影响而改变。若使用欧氏距离表示图像的非局部相似性，则NLM图像去噪的表达式为：

$ {{\mathbf{I}}_{\text{NL}}}({{\mathbf{n}}_{\text{1}}})=\sum\limits_{{{\mathbf{n}}_{2}}\in \mathbf{S}({{\mathbf{n}}_{1}})}{\mathbf{\omega }({{\mathbf{n}}_{\text{1}}},{{\mathbf{n}}_{\text{2}}})\mathbf{I}({{\mathbf{n}}_{\text{2}}})} $ (1)

$ \mathbf{\omega }({{\mathbf{n}}_{\text{1}}},{{\mathbf{n}}_{\text{2}}})=\frac{\exp \left( -\frac{\mathbf{d}({{\mathbf{n}}_{\text{1}}},{{\mathbf{n}}_{\text{2}}})}{{{h}^{2}}} \right)}{\sum\limits_{{{\mathbf{n}}_{3}}\in \mathbf{S}({{\mathbf{n}}_{\text{1}}})}{\exp \left( -\frac{\mathbf{d}({{\mathbf{n}}_{\text{1}}},{{\mathbf{n}}_{\text{3}}})}{{{h}^{2}}} \right)}} $ (2)

$ \mathbf{d}({{\mathbf{n}}_{\text{1}}},{{\mathbf{n}}_{\text{2}}})=||\mathbf{R}({{\mathbf{n}}_{\text{1}}})-\mathbf{R}({{\mathbf{n}}_{\text{2}}})|{{|}^{2}} $ (3)

式中， $\mathbf{I}$为受噪声污染的图像； ${{\mathbf{I}}_{\text{NL}}}$为经过NLM图像去噪后的图像；${{\mathbf{n}}_{\mathbf{i}}}(i=1,2,3)$表示图像的第 ${{\mathbf{n}}_{\mathbf{i}}}$(${{\mathbf{n}}_{\mathbf{i}}}$为像素点坐标)个像素点； $\mathbf{I}({{\mathbf{n}}_{\mathbf{i}}})$为其对应灰度值； $ \mathbf{R}({{\mathbf{n}}_{\mathbf{i}}}) $ 和 $\mathbf{S}({{\mathbf{n}}_{\mathbf{i}}})$ 分别为以${{\mathbf{n}}_{\mathbf{i}}}$为中心的相似窗和搜索窗； $\mathbf{\omega }({{\mathbf{n}}_{1}},{{\mathbf{n}}_{2}})$ 和$\mathbf{d}({{\mathbf{n}}_{1}},{{\mathbf{n}}_{2}})$分别表示$\mathbf{R}({{\mathbf{n}}_{1}})$与$\mathbf{R}({{\mathbf{n}}_{2}})$之间的相似程度和欧氏距离； $h$为衰减参数。

1.2 引导核

引导核是一种利用回归系数表示图像局部结构的算法，其中回归系数由结构张量和位置信息组成。若图像$\mathbf{I}$中第 $\mathbf{k}$($\mathbf{k}$表示像素点坐标)个像素点的邻域窗口为$\mathbf{N}(\mathbf{k})$，则在$\mathbf{N}(\mathbf{k})$内可求得像素点${{\mathbf{k}}_{\mathbf{i}}}$(${{\mathbf{k}}_{\mathbf{i}}}\in \mathbf{N}(\mathbf{k})$)与中心像素点$\mathbf{k}$的回归系数$\mathbf{w}(\mathbf{k},{{\mathbf{k}}_{\mathbf{i}}})$：

$ \mathbf{w}(\mathbf{k},{{\mathbf{k}}_{\mathbf{i}}})=\frac{\sqrt{\det ({{\mathbf{C}}_{\mathbf{k}}})}}{2\text{ }\!\!\pi\!\!\text{ }{{g}^{2}}}\exp \left\{ -\frac{{{({{\mathbf{k}}_{\mathbf{i}}}-\mathbf{k})}^{\text{T}}}{{\mathbf{C}}_{\mathbf{k}}}({{\mathbf{k}}_{\mathbf{i}}}-\mathbf{k})}{2{{g}^{2}}} \right\} $ (4)

式中，$({{\mathbf{k}}_{\mathbf{i}}}-\mathbf{k})$表示位置信息；${{\mathbf{C}}_{\mathbf{k}}}$表示像素点$\mathbf{k}$的结构张量；$g$为高斯平滑参数。

2 算法原理与步骤 2.1 基于引导核聚类的预筛选

由式(4)计算像素点$\mathbf{k}$的回归系数时，该像素点邻域窗口$\mathbf{N}(\mathbf{k})$的大小应与NLM相似窗的大小相同，设为$m\times m$；另外，基于梯度的算法计算像素点$\mathbf{k}$的结构张量${{\mathbf{C}}_{\mathbf{k}}}$，对噪声比较敏感，无法稳定地表示邻域窗口的结构信息。因此使用对角正则化的算法求取${{\mathbf{C}}_{\mathbf{k}}}$，具体步骤如下：

1) 将${{\mathbf{C}}_{\mathbf{k}}}$按式(5)分解成旋转矩阵${{\mathbf{U}}_{\mathbf{k}}}$、伸缩矩阵${{\mathbf{\Lambda }}_{\mathbf{k}}}$和尺度因子${{\gamma }_{\mathbf{k}}}$：

$ {{\mathbf{C}}_{\mathbf{k}}}={{\gamma }_{\mathbf{k}}}{{\mathbf{U}}_{\mathbf{k}}}{{\mathbf{\Lambda }}_{\mathbf{k}}}{{\mathbf{U}}_{\mathbf{k}}}^{\text{T}} $ (5)

2) 使用旋转因子${{\theta }_{\mathbf{k}}}$表示旋转矩阵${{\mathbf{U}}_{\mathbf{k}}}$，伸缩因子${{\sigma }_{\mathbf{k}}}$表示伸缩矩阵${{\mathbf{\Lambda }}_{\mathbf{k}}}$：

${{\mathbf{U}}_{\mathbf{k}}}=\left[ \begin{matrix} \begin{matrix} \cos {{\theta }_{\mathbf{k}}} & \sin {{\theta }_{\mathbf{k}}} \\ \end{matrix} \\ \begin{matrix} -\sin {{\theta }_{\mathbf{k}}} & \cos {{\theta }_{\mathbf{k}}} \\ \end{matrix} \\ \end{matrix} \right],{{\mathbf{\Lambda }}_{\mathbf{k}}}=\left[ \begin{matrix} \begin{matrix} {{\sigma }_{\mathbf{k}}} \\ 0 \\ \end{matrix} & \begin{matrix} 0 \\ {{\sigma }_{\mathbf{k}}} \\ \end{matrix} \\ \end{matrix} \right]$ (6)

3) 以 $N(\mathbf{k})$ 内水平方向的梯度值为第1列，竖直方向的梯度值为第2列，组成一个大小为${{m}^{2}}\times 2$的梯度矩阵${{\mathbf{G}}_{\mathbf{k}}}$。

4) 对${{\mathbf{G}}_{\mathbf{k}}}$进行截断奇异值分解，得到对角矩阵 ${{\mathbf{S}}_{\mathbf{k}}}$和正交矩阵${{\mathbf{V}}_{\mathbf{k}}}$：

$ {{\mathbf{G}}_{\mathbf{k}}}={{\mathbf{P}}_{\mathbf{k}}}{{\mathbf{S}}_{\mathbf{k}}}{{\mathbf{V}}_{\mathbf{k}}} $ (7)

式中， ${{\mathbf{S}}_{\mathbf{k}}}=\left[ \begin{matrix} \begin{matrix} {{s}_{11}} & 0 \\ \end{matrix} \\ \begin{matrix} 0 & {{s}_{22}} \\ \end{matrix} \\ \end{matrix} \right]$；${{\mathbf{V}}_{\mathbf{k}}}=\left[ \begin{matrix} \begin{matrix} {{v}_{11}} & {{v}_{12}} \\ \end{matrix} \\ \begin{matrix} {{v}_{21}} & {{v}_{22}} \\ \end{matrix} \\ \end{matrix} \right]$；${{\mathbf{P}}_{\mathbf{k}}}$为${{m}^{2}}\times {{m}^{2}}$的正交矩阵。

5) 使用${{\mathbf{S}}_{\mathbf{k}}}$和${{\mathbf{V}}_{\mathbf{k}}}$中的元素求取旋转因子${{\theta }_{\mathbf{k}}}$、伸缩因子${{\sigma }_{\mathbf{k}}}$、尺度因子${{\gamma }_{\mathbf{k}}}$；

$\begin{align} & \ \ \ \ \ {{\theta }_{\mathbf{k}}}=\arctan \left( \frac{{{v}_{12}}}{{{v}_{22}}} \right) \\ & {{\sigma }_{\mathbf{k}}}=\frac{{{s}_{11}}+{{\lambda }_{1}}}{{{s}_{22}}+{{\lambda }_{1}}},{{\gamma }_{\mathbf{k}}}={{\left( \frac{{{s}_{11}}{{s}_{22}}+{{\lambda }_{2}}}{{{m}^{2}}} \right)}^{\frac{1}{2}}} \\ \end{align}$ (8)

式中，${{\lambda }_{1}}$为伸缩调节参数；${{\lambda }_{2}}$为尺度调节参数。

由式(4)求出像素点$\mathbf{k}$的回归系数后，进行归一化：

$\overset{\wedge }{\mathop{\mathbf{w}}}\,(\mathbf{k},{{\mathbf{k}}_{i}})=\frac{\mathbf{w}(\mathbf{k},{{\mathbf{k}}_{i}})}{\sum\limits_{i=1}^{{{m}^{2}}}{\mathbf{w}(\mathbf{k},{{\mathbf{k}}_{i}})}}$ (9)

并将其拉成${{m}^{2}}\times 1$的行向量$\mathbf{W}(\mathbf{k})$：

$ \begin{align} & \mathbf{W}(\mathbf{k})=\{\overset{\wedge }{\mathop{\mathbf{w}}}\,(\mathbf{k},{{\mathbf{k}}_{1}}),\overset{\wedge }{\mathop{\mathbf{w}}}\,(\mathbf{k},\mathbf{k}2),\cdots , \\ & \overset{\wedge }{\mathop{\mathbf{w}}}\,(\mathbf{k},{{\mathbf{k}}_{\mathbf{i}}}),\cdots ,\begin{matrix} {{\mathbf{k}}_{\mathbf{i}}}\in \mathbf{N}(\mathbf{k})\} \\ \end{matrix} \\ \end{align} $ (10)

式中，$\mathbf{W}(\mathbf{k})$是像素点$\mathbf{k}$的特征向量，表示$\mathbf{N}(\mathbf{k})$的结构信息。

再使用FCM将$\mathbf{W}(\mathbf{k})$分成5类[16]。$256\times 256$的图像迭代20次可达到收敛，$512\times 512$的图像则需30次左右收敛，且具有较强的抗噪能力。

2.2 自适应搜索窗

经过基于引导核的FCM分类后，设像素点$\mathbf{k}$的类别为${{c}_{j}}$($j=1,2,3,4,5$)。以$\mathbf{k}$为中心像素点，选取较小的搜索窗，并统计与$\mathbf{k}$属于同一类别的像素点个数，如果个数较少则扩大搜索窗，并对扩大的搜索窗再次进行统计，直到个数达到期望值。自适应搜索窗选取过程的流程图如图 1所示。

图1 自适应搜索窗选取过程
2.3 算法步骤

基于引导核聚类的NLM图像去噪算法的具体步骤为：

1) 以图像$\mathbf{f}$的每个像素点为中心提取大小为$m\times m$的相似窗；

2) 使用基于结构张量和位置信息的引导核提取每个相似窗的结构特征；

3) 根据每个相似窗的结构特征，使用FCM对其进行分类；

4) 根据相似窗的类别确定对应像素点的搜索窗的大小；

5) 分别对每一类进行自适应搜索窗的NLM图像去噪。

3 实验结果与分析

本文通过大量图像去噪实验对所提出的算法进行验证，给出了图像去噪结果，并将提出的算法与基于Zernike矩、基于PND、基于均值方差预筛选等3种NLM改进算法，在主观视觉效果和客观定量评价指标上进行了去噪性能比较。所采用的客观定量评价指标包括峰值信噪比(peak signal to noise ratio, PSNR)和结构相似性测度(structural similarity, SSIM)[17]。

实验的参数设置如下：基于Zernike矩的NLM改进算法中，衰减参数$h=0.15$。基于PND的NLM改进算法中，衰减参数$h=5\sigma $，$\sigma $为噪声的标准差。基于均值方差预筛选的NLM改进算法中，$h=\sigma $，均值比的最小值为0.85，最大值为1/0.85，方差比最小值为0.5，最大值为1.5。且上述3种算法的相似窗大小均为7×7，搜索窗大小为21×21。本文提出的NLM改进算法中，伸缩调节参数${{\lambda }_{1}}=1$，尺度调节参数${{\lambda }_{2}}=0.01$，高斯平滑参数$g=1$，邻域窗口大小为7×7，与相似窗的大小对应，聚类类别为5，搜索窗内相似性较高的相似窗数量为250，衰减参数$h=0.67\sigma $。4种算法的运行环境为：Intel®Core™i5-2450CPU@2.5GHz，4GB内存的PC机，Matlab版本为Matlab R2013a。

现以其中的3幅图像加入不同强度的高斯白噪声为例，对上述4种NLM改进算法的去噪情况进行说明。图 2～图 4分别给出了测井图像(256×256)、CT图像(153×152)、鱼图像(368×256)的去噪结果。其中，图 2a～图 4a为原始图像，图 2b～图 4b为加标准差为30的噪声图像，图 2c～图 4c、图 2d～图 4d、图 2e～图 4e及图 2f～图 4f分别为基于Zernike矩、基于PND、基于均值方差预筛选等3种NLM改进算法及本文算法所得到的去噪结果图像。除了从主观视觉效果上对4种不同的去噪算法进行对比外，在以上图像中分别加入标准差为20、30、40的高斯白噪声，对4种NLM改进算法的去噪效果采用PSNR和SSIM两种客观评价指标进行了定量分析。4种NLM改进算法的PSNR值、SSIM值及运行时间如表 1所示。

表1 4 种 NLM 改进算法的去噪性能定量评价

图2 测井图像及4种NLM改进算法的去噪结果

图3 CT图像及4种NLM改进算法的去噪结果

图4 鱼图像及4种NLM改进算法的去噪结果

图 2～图 4分别针对测井、CT、鱼图像，给出了4种NLM改进算法的去噪结果。由于直接对去噪后的图像进行对比，视觉效果不够明显，故使用无噪原始图像与去噪后图像的差值图像辅助分析去噪效果。表 1中，PSNR表明算法的去噪能力，其值越大，去噪效果越好；SSIM表明算法在去噪能力相同的前提下，其值越接近于1，图像的纹理、边缘保持得越好。每种算法对3幅图像表现出的去噪效果相近，因此这里只对每一种算法的实验结果进行具体分析。

对于基于Zernike矩的NLM改进算法，去噪后的图像效果较差，去噪能力较弱；但差值图像中纹理、边缘分量较少，说明纹理、边缘保持得较好；PSNR、SSIM较低。而基于PND的NLM改进算法的去噪后图像效果较好，去噪能力较强；但差值图像中纹理、边缘分量较多；PSNR、SSIM较基于Zernike的NLM改进算法有较大提高。基于均值方差预筛选的NLM改进算法的去噪效果相对基于PND的NLM改进算法略有提高；但从差值图像可以看出，纹理、边缘的保持明显得到了改善；PSNR、SSIM也相对较高。本文的NLM改进算法在对弱噪声进行处理时，其去噪效果与基于均值方差预筛选的NLM改进算法相近，但随着噪声污染程度的加深，本文算法的PSNR逐渐表现出优势；差值图像表明，对纹理、边缘的保持得到进一步的提升。

实验图像为不规则纹理图像，且通过不断加深噪声的污染程度来检验算法的去噪效果。基于Zernike矩的NLM改进算法使用矩不变量表示相似窗特征，但由于Zernike矩对纹理表达得不够稳定，使得对纹理图像表现出较差的去噪效果。基于PND的NLM改进算法使用PCA减少相似窗内的冗余信息，虽然PSNR得到了较大的提高，但对于强噪声影响或不规则纹理的图像，存在较多非相似的相似窗干扰，纹理、边缘保持较差。基于均值方差预筛选的NLM算法使用均值方差对相似窗进行预筛选，减少了非相似的相似窗的干扰，可提高PSNR并较好地保持纹理和边缘。但随着噪声污染的加重，均值方差不能较好地筛选相似窗，而本文的NLM算法可在强噪声污染下，更准确地筛选相似窗，且根据相似性较高的相似窗数量自适应地选取搜索窗大小，进一步增强了基于预筛选NLM算法的去噪能力和纹理、边缘保持能力。

另外，4种方法的运算时间均随着图像尺寸的增大而增加，其中基于PND的NLM去噪算法极大的缩短了运算时间，但由于降维损失了部分结构信息，且存在非相似窗的影响，使去噪后的图像平滑，边缘、纹理保持较差；基于Zernike的NLM去噪方法仅是改进了相似窗的相似性度量方法，运算时间并未得到提升，速度较慢；基于均值方差预筛选的方法使用固定大小的搜索窗和相似窗，仅在计算欧氏距离时做了一步判断，运算时间有一定的提升；本文方法自适应选取搜索窗的大小，保证相似窗数量的同时，减少了不必要的欧氏距离计算，不仅图像的去噪效果得到改善，且运算时间也得到了提升。

4 结 束 语

本文针对受强噪声污染或不规则纹理的图像，提出了一种基于引导核聚类的NLM去噪算法。将引导核用于相似窗的结构特征提取，并根据提取的特征，通过FCM对相似窗进行分类，表现出较强的抗噪性。在自适应选取搜索窗过程中，利用相似窗的类别选取搜索窗的大小，从而避免了搜索窗内非相似的相似窗的干扰，并保证了相似性较高相似窗的数量。通过大量实验与基于Zernike矩、基于PND、基于均值方差预筛选等3种NLM改进算法进行比较发现：本文的算法对受强噪声污染或不规则纹理图像表现出更强的噪声去除能力，且更好地保持了图像中的纹理和边缘，在峰值信噪比和结构相似性测度等客观定量评价指标上优于其他NLM改进算法，是一种行之有效的图像去噪算法。

参考文献
[1] BUADES A, COLL B, MOREL J M. A non-local algorithm for image denoising[C]//Proceedings of International Conference on Computer Society Conference Vision and Pattern Recognition. San Diego: IEEE Computer Society Press, 2005.
[2] BUADES A, COLL B, MOREL J M. Denoising image sequences does not require motion estimation[C]//Proceedings of International Conference on Advanced Video and Signal Based Surveillance. Como, Italy: IEEE Computer Society Press, 2005.
[3] JI Ze-xuan, CHEN Qiang, SUN Quan-sen, et al. A moment-based nonlocal-means algorithm for image denoising[J]. Information Processing Letters, 2009, 109(23): 1238-1244.
[4] GREWENIG S, ZIMMER S, WEICKERT J. Rotationally invariant similarity measures for nonlocal image denoising[J]. Journal of Visual Communication and Image Representation, 2011, 22(2): 117-130.
[5] 张宇, 王向阳. 频域小波矩的非局部均值图像去噪[J]. 小 型微型计算机系统, 2012, 33(9): 2079-2082. ZHANG Yu, WANG Xiang-yang. Nonlocal-means algorithm for image denosising based on wavelet moment in domain[J]. Journal of Chinese Computer Systems, 2012, 33(9): 2097-2082.
[6] 张小华, 陈佳伟, 孟红云, 等. 基于方向增强邻域窗和非 下采样Shearlet描述子的非局部均值图像去噪[J]. 电子与 信息学报, 2011, 33(11): 2634-2639. ZHANG Xiao-hua, CHEN Jia-wei, MENG Hong-yun, et al. A non-local means filter image denoising with directional enhancement neighborhood windows and non-subsampled shearlet feature descriptors[J]. Journal of Electronics & Information Technology, 2011, 33(11): 2634-2639.
[7] MALEKI A, NARAYAN M, BARANIUK R G. Anisotropic nonlocal means denoising[J]. Applied and Computational Harmonic Analysis, 2013, 35(3): 452-482.
[8] DELEDALLE C A, DUVAL V, SALMON J. Non-local methods with shape-adaptive patches[J]. Journal of Mathematical Imaging and Vision, 2012, 43(2): 103-120.
[9] TASDIZEN T. Principal neighborhood dictionaries for nonlocal means image denoising[J]. IEEE Transactions on Image Processing, 2009, 18(12): 2649-2660.
[10] 张丽果. 快速非局部均值滤波图像去噪[J]. 信号处理, 2013, 29(8): 1043-1049. ZHANG Li-guo. Fast non-local mean for image denoising[J]. Journal of Signal Processing, 2013, 29(8): 1043-1049.
[11] 郑永恒, 程建, 曹宗杰. 改进非局部均值滤波的SAR图 像降噪[J]. 中国图象图形学报, 2012, 17(7): 886-891. ZHENG Yong-heng, CHENG Jian, CAO Zong-jian. SAR image denoising via improved non-local means filter[J]. Journal of Image and Graphics, 2012, 17(7): 886-891.
[12] 胡金蓉, 蒲亦非, 张意, 等. DCT子空间的非局部均值去 噪算法[J]. 计算机辅助设计与图形学学报, 2012, 24(1): 89-96 HU Jin-rong, PU Yi-fei, ZHANG Yi, et al. Nonlocal means denoising algorithm based on DCT subspace[J]. Journal of Computer-Aided Design & Computer Graphics, 2012, 24(1): 89-96.
[13] COUPÉ P, YGER P, BARILLOT C. Fast non local means denoising for 3D MR images[M]. Copenhagen Denmark: Springer, 2006: 33-40.
[14] MAHMOUDI M, SAPIRO G. Fast image and video denoising via nonlocal means of similar neighborhoods[J]. Signal Processing Letters, 2005, 12(12): 839-842.
[15] TAKEDA H, FARSIU S, MILANFAR P. Kernel regression for image processing and reconstruction[J]. IEEE Transactions on Image Processing, 2007, 16(2): 349-366.
[16] CHATTERJEE P, MILANFAR P. Clustering-based denoising with locally learned dictionaries[J]. IEEE Transactions on Image Processing, 2009, 18(7): 1438-1451.
[17] WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.