科创中国

高新技术改造传统产业

本发明公开了一种基于开关非局部全变分的椒盐噪声污染图像滤波方法，包括以下步骤：通过一个二阶段的形态学检测算子对噪声污染图像进行预处理，得到参考图像和噪声标志位。基于噪声标志位，再用改进的非局部全变分方法对参考图像进行滤波，以得到去噪后的图像。本发明可以有效检测图像的噪声分布情况，产生很低的漏检率和误检率。此外，本发明基于参考图像，能精确计算两个图像块之间的相似度，可在有效抑制椒盐噪声的同时很好地保护图像边缘和纹理等细节信息，其提供的峰值信噪比和结构相似度优于现有椒盐噪声滤波方法。

针对图像中的椒盐噪声，目前主流的降噪技术是基于决策的滤波方法，即先采用噪声检测算法检测图像中的噪声，然后对检测出的噪声污染像素进行滤波，而未被污染的像素则保留其恢复值。典型的基于决策的滤波方法包括开关自适应加权均值(switching adaptive weighted mean,简称SAWM)滤波方法、基于拉普拉斯噪声检测的开关中值(Laplacian detector-based switching median,简称LDSM)滤波方法及噪声自适应模糊开关中值(noisy adaptive fuzzy switching median,简称NAFSM)滤波方法等。这些方法在对某一噪声像素进行处理时，通过选定其邻域内像素点的加权或非加权平均来恢复其灰度值。由于只利用了较小的局部邻域内像素点的统计信息，上述方法往往会导致细节模糊和失真，尤其是在图像中噪声水平较高的时候。和上述方法不同，非局部均值(non-local mean，简称NLM)方法利用两个像素点邻域(也称为图像块)之间的欧式距离来度量像素间的相似度，并利基于相似度的权系数来对图像的所有像素点进行加权平均得到恢复图像。

尹周平，1972年9月出生，华中科技大学教授、博士生导师，现任华中科技大学机械科学与工程学院院长、数字制造装备与技术国家重点实验室主任，兼任湖北省人工智能学会理事长 [2] 、中国微米纳米技术学会常务理事 [3] 、中国人工智能学会理事等。2006年获国家杰出青年基金资助；2009年受聘特聘教授；2013年入选科技部中青年科技创新领军人才；2014年获何梁何利青年创新奖；2016年入选国家科技创新领军人才。