參考**：a non-local algorithm for image denoising
參考部落格：
內含**）、彩色影象**）
對於影象，我們設 v(i) = u(i) + n(i)，其中 v(i）為帶雜訊的所觀測到的影象，u(i)為真實不帶雜訊的影象，n(i)是畫素點 i 的雜訊擾動。
如下給出乙個帶雜訊的影象：
其中 i 表示影象中畫素點的位置，i 代表影象中各個畫素點的集合，v(i) 代表畫素點 i 位置所對應的值。
影象去噪公式：
該式表示對v這個影象中的i點進行nlm去噪。其中w(i,j)為權重，表示畫素點i和畫素點j之間的近似度，越相似，值越大，且w(i,j)∈[0,1]且∑w(i,j)=1。
那麼接下來就是求解w(i,j)這個權重矩陣的問題了。其核心問題是判斷畫素點i和畫素點j之間的相似度，文中提出的方法是以畫素點i和畫素點j為中心點，取乙個領域（該區域稱之為相似塊比較區域，一般取7x7），計算這個領域裡，各個點之間的畫素值的高斯加權歐式距離。
其中w(i,j）公式如下：
其中整體與高斯平滑相似，高斯平滑是直接對影象的值進行加權，而這個是對兩個影象對應位置的歐式距離的平方進行加權。然後再進行歸一化的操作。
此外畫素點的相似性比較一般不在全圖進行，而是取乙個搜尋區域，該搜尋區域一般取21x21。
總而言之，non-local-mean的具體操作為以下幾個步驟：
1.確定搜尋塊的大小（一般21x21），確定相似度比較塊的大小（一般7x7）。
2.一般會將影象進行外擴方便進行塊之間的比較。首先在搜尋塊內取第一點，然後取該點j為中心的比較塊與影象內的第一點i為中心的比較塊進行求w(i,j)。
3.反覆取搜尋塊下乙個點j重複2操作，直至遍歷完搜尋塊的點為止進入下一步。
4.將最大權重賦值給點i，並進行權重歸一化，然後通過nl[v]（i）得到新影象第一點的畫素值。
5.取原影象第二點i，重複2操作。直至遍歷完影象，得到一副新的影象為止。
傳統去噪 小波去噪
通過短波實現噪音消除，與高斯去噪的基本原理一致。小波變換具有如下特點 低熵性，小波係數的稀疏分布，使得影象變換後的熵降低 多解析度，由於採用了多解析度的方法，可以刻畫訊號的非平穩特徵 去相關性，小波變換可以對訊號進行去相關，且雜訊在變換後具有白化趨勢，所以小波域比時域更利於去噪 對於小波去噪問題的本...
稀疏表示去噪的理解
1 對稀疏表示的理解 稀疏訊號定義為 若訊號僅有限非零取樣點，而其他取樣點均為零 或接近於零 則稱訊號是稀疏的。但是自然影象訊號中，可以稀疏表示的情況是極少的，因為儘管有的地方值很小，但是並不為零，因此另一種概念 可壓縮的 就被提出來，其定義是 如果在不丟失全部 大部分 資訊的前提下，訊號經過任何變...
python opencv濾波去噪
利用均值濾波去除雜訊，python版opencv的安裝不再贅述 左邊是原圖，右邊是濾波之後的結果 附 import cv2 生成8000個噪點 a random.randint 0 499 b random.randint 0 499 img01 a,b 255 cv2.imshow origina...