[发明专利]一种基于无监督学习的非局部均值图像去噪方法

权利要求书

1.一种基于无监督学习的非局部均值图像去噪方法，其特征在于包括如下步骤：

步骤1：图像加边，在对图像进行操作之前，给原始图像加上一个边框，边框的大小为所选取的用于计算相似性权值的图像块的半径；

步骤2：图像块划分，图像块的划分分为：搜索窗口和邻域窗口，两种类型的图像块，搜索窗口规定用于估计的图像块的数量，邻域窗口内的图像用于计算相似性权值；

步骤3：计算相似性，计算相似性权值用于对图像像素点的估计；计算相似性分为两个阶段：一是使用k-means聚类，二是计算像素值的欧氏距离；

步骤4：利用权值对所求像素点进行估计，在同一个索搜窗口内，每个邻域窗口对于中心点所在的邻域窗口都有一个相似性权值，用邻域窗口之间的相似性表示邻域窗口中心点的相似性，计算方法为：

I(xi)=Σj∈N(xi,xj)w(x‾i,x‾j)In(xj);]]>

每一个搜索窗口可以估计出一个像素点的值，即搜索窗口中心点的值，遍历所有的搜索窗口即可估计出整个图像的值，最后达到去噪的效果。

2.根据权利要求1所述的一种基于无监督学习的非局部均值图像去噪方法，其特征在于：所述步骤2中搜索窗口的划分是在本项目中搜索窗口的大小取的经验值2，将图像划分为半径为2的图像块，每个图像块的中心都是所要估计的像素点，原始图像的每个像素点都在一个搜索窗口内。

3.根据权利要求1所述的一种基于无监督学习的非局部均值图像去噪方法，其特征在于：所述步骤2中邻域窗口的划分是将划分好的搜索窗口内的所有像素点分配一个邻域窗口内，邻域窗口的大小经验值取3，搜索窗口内所有的点都有一个相对应的邻域窗口，且所有的邻域窗口大小相等。

4.根据权利要求1所述的一种基于无监督学习的非局部均值图像去噪方法，其特征在于：所述步骤3中k-means聚类是将所有的邻域窗口使用k-means方法进行聚类，获得一定数量的聚类中心，同样的使用经验值5；聚类中心的最大值即为邻域窗口内像素点的个数。

5.根据权利要求4所述的一种基于无监督学习的非局部均值图像去噪方法，其特征在于：所述步骤3中计算相似性权值是完成聚类操作后每一个邻域窗口都有5个聚类中心，在同一个搜索窗口内计算中心点所在的邻域窗口与其他点所在的邻域窗口包括自身的欧氏距离，计算方法为：

W(x‾i,x‾j)=1Z(xi)exp(-(E(xi)-E(xj))2h2).]]>