苏州科技学院本科生毕业设计（论文）
1nuin,?j?1???gE?gW?gS?gN?i,jui,j?u?gEuE?gWuW?gSuS?gNuN?i,j (11)
nN??在u 是是时间与空间对比率的地方，?uE,uW,uS,uN?i,j是ui,j的四个相邻的像素点。它们相应的扩散只是一个带有相似性窗口和平均窗口的简化的外地均衡滤波器。
对于边缘或角落的一个像素点而言，由于更少的相似点，一个加权平均窗更合适，如各向异性扩散。相反，就纹理区域的一个像素点，因为许多相似点，更大的加权平均窗应该适应不同的图像特征，如几何结构和纹理细节。最后，包含在各向异性扩散当地向后扩散在某种程度上阻止了平滑的边缘和细节。 B 图像去噪中的实例
在图像去噪中，我们提出了一种改进的方法。我们把各向异性扩散作为几何正规化方法。我们可以看到，给定的噪声f被分解成两部分：u和v=f-u(第一个剩余部分)，这里图像的大部分纹理细节被丢失于v中。在v中的大部分纹理在v*中被恢复，v*被添加到最终结果g中。在残留部分w中，主要包含噪声和较少的图像信息。这些信息也可以由外地均衡滤波器来处理。但是，为了简洁起见，我们不会继续这一迭代处理。
可以观察到，最终结果u储存的纹理与细节比g更多。
C．图像去噪
我们测试了不同噪声水平的图像噪声的相关方法。丽娜(PSNR=28.15(dB)),芭芭拉(PSNR=20.15(dB))从这些结果可以明显地看到，通过均衡滤波器所处理的残留部分，更多的纹理细节被存为经典的几何正规化方法：各向异性扩散，总变异和各向异性扩散的冲击滤波器。至于自适应正规化总变异去噪算法，由于它仅阻止了图像纹理细节的扩散，它的去噪能力是有限的，即使使用了图像噪声的这个标准差。
D．图像去噪与增强
接下来我们会研究相关方法在不同噪声和模糊等级的噪声图像：丽娜(PSNR=27.58(dB)),辣椒(PSNR=26.86(dB)).在这里，我们只讨论各向异性扩散，耦合的各向异性扩散和改进的图像去噪与增强算法。
34
苏州科技学院本科生毕业设计（论文）
从噪声图像的结果和方法中我们可以看到，外地均衡处理包含更多的纹理细节。除了外地均衡滤波器外，所有的算法都可以通过锐化图像的边缘与细节来增强图像。作为一个加权平均处理过程，外地均衡滤波器仅可以模糊图像的边缘与细节，并不能锐化它们。此外，通过处理会产生一些工件，所有的这些效果都可以在图像放大中轻易地观察到。可以看到仍有一些图像信息与原始图像相比会丢失一些信息。包括外地均衡滤波器在内，所有的这些方法都需要进一步改善。
E. 总结
接下来，我们进一步通过匹配滤波器和3D滤波算法进一步讨论自适应处理和图像增强的重要性，这是一种先进的去噪算法。接下来的实验中，采用一个标准差已知的图像，否则，评估噪声的效果更差。在本算法中我们会采用其他的默认参数值。
1) 自适应处理：从之前的实验结果中我们可以看到，几何正规化和邻域滤波器在图像几何结构和细节的处理中都存在优势。通过对图像细节的分解，可以把这些有时用来形成我们所需要的方法。这些自适应处理方法可以用来获得更好的增强与去噪效果。
BM3D算法用于去除几何图像的噪声，我们可以看到，尽管BM3D算法保留了图像边缘与细节的清晰度，但是它会产生令人苦恼的后果。这些后果是滤波光谱的典型后果。从这些结果的第110概要可以看出，与各向异性相比较，超调量在图像边缘中更易观察到。因此，需要采用一种不同的处理方法来适应这些特性。
2) 图像锐化：在表1中峰值信噪比更好地验证了所提算法的优良特性。然而，事实上在图像去噪中，BM3D算法常包含最好的信噪值。
BM3D算法被用来去除图像噪声，即使它有更好的信噪比，与AD+NLM算法相比，它模糊了图像的边缘与细节。因此，即使在单一的去噪过程中，我们也需要一个图像锐化操作。
综合考虑视觉效果和信噪比，我们认为AD+NLM算法在图像去噪与增强中是一个更具竞争力的方法。
3) 扩展：所提出的算法可以进一步恢复图像在剩余部分所丢失的信息。可
35
苏州科技学院本科生毕业设计（论文）
以找到一个相似的想法。此外，我们可以把图像分解的方法用于把图像分解成细节部分和震荡部分，这些部分通过几何正规化和外地均衡滤波器可以进行处理，正如我们所做的那样。在本文中，我们不会再讨论这些情况了。
Ⅴ. 结论与展望
自适应图像特征的处理在图像去噪与增强过程中是非常重要的，特别是含躁的纹理图像，本论文展出了一些简单有效的算法，这些算法把几何正规化方法与更好的图像几何结构处理方法：边缘对角和细节融合在了一起，并且把外部均衡滤波器与更好的图像纹理细节结合在一起。与此同时，图像锐化在图像去噪过程中也是很必要的，正如数字型试验中所显示的那样，图像保留和锐化了图像的纹理细节部分。
36
苏州科技学院本科生毕业设计（论文）
附录B 英文参考资料
Simple and efficient algorithms for denoising and enhancement
based on image decomposition
Shujun Fu,Caiming Zhang
1. INTRODUCTION
Digital images often suffer from poor contrast and noise from various sources,which affect the quality of images.In order to interpret these images correctly,image denoising and enhancement are necessary to eliminate or reduce these degradations.
In the past decades,variational approaches and partial differential equations have been widely used in image processing:for example,the total variation(TV) regularization and the anisotropic diffusion(AD) for image denoising and enhancement,and the shock filters for image sharpening,etc.However,in the process of image denoising and enhancement these classic geometrical regularization methods,based on operators in differential geometry such as gradient,divergence and directional derivative,often tend to modify image towards a piecewise constant function,and blur fine features of image,particularly image textures.
In order to model oscillating patterns such as texture and noise,Meyer proposed the G space to replace the bounded variation(BV) space.If a degraded image f is a characteristic function with sufficiently small G norm,Meyer has verified that the solution u of the TV model and its residual part v satisfy u=0 and v=f,which is not what we would expect.In view of the poor preservation of image texture by the TV denoising,he proposed a TV-G image decomposition model.However,the G norm is not easy to compute numerially.To overcome this difficulty,some algorithms are proposed to approximate the Meyer’s model.It should be noted that,the main concern of above methods is image decomposition,and they can not be used immediately to denoise and sharpen image simultaneously.
In 2005,Buades proposed a nonlocal means(NLM) filter based on some similarity
37
