摘  要： 基于非局部均值的方法，先對(duì)CCD攝像機(jī)獲得的醫(yī)學(xué)視頻圖像截取感興趣幀進(jìn)行噪聲方差估計(jì)，然后進(jìn)行去噪。實(shí)驗(yàn)表明，將非局部均值圖像去噪算法運(yùn)用于醫(yī)學(xué)圖像去噪能獲得較好效果。
關(guān)鍵詞： 圖像去噪；非局部均值；方差估計(jì)；醫(yī)學(xué)圖像

　因?yàn)槌上裨O(shè)備、原理的不同，獲得的初始圖像可能含有大量不同性質(zhì)的噪聲。圖像中的噪聲嚴(yán)重影響和干擾著人們對(duì)圖像的觀察、分析和理解。嚴(yán)重的噪聲直接導(dǎo)致圖像完全變形，使圖像失去了存儲(chǔ)信息的本質(zhì)意義。圖像去噪處理，是人們正確識(shí)別圖像信息、對(duì)圖像作進(jìn)一步處理的可靠保證[1-2]，因此，圖像去噪實(shí)際是對(duì)一幅含有噪聲的圖像進(jìn)行特征提取、配準(zhǔn)或者圖像融合的預(yù)處理。
　對(duì)高斯噪聲的去噪方法有很多，常見去噪方法有：局部均值濾波、高斯濾波、傅里葉變換、小波變換域?yàn)V波、維納濾波、馬爾科夫鏈蒙特卡洛方法、偏微分方程濾波和BM3D等。
局部均值濾波忽略了圖像局部的相似度，處理后的圖像邊緣特征被破壞，在噪聲強(qiáng)度大的情況下可能會(huì)有大面積的模糊現(xiàn)象。為了彌補(bǔ)這種不足，Buades[3-4]提出非局部均值濾波，該方法運(yùn)用中心像素間鄰域的相似性，并考慮離中心像素較遠(yuǎn)的像素的影響，從而確定了像素點(diǎn)的灰度值，這樣可有效地保護(hù)圖像邊緣細(xì)節(jié)，從而克服局部均值濾波會(huì)出現(xiàn)圖像模糊的現(xiàn)象。
　在非局部均值濾波算法中，需要給出去噪程度，去噪程度需要由噪聲方差去設(shè)定，但在實(shí)際應(yīng)用中，噪聲方差不可知，所以需要對(duì)噪聲方差進(jìn)行估計(jì)。本文運(yùn)用對(duì)高斯類噪聲計(jì)算精度較高的Donoho和Johnstone[5]頻域采樣法進(jìn)行噪聲方差估計(jì)。


2 噪聲方差估計(jì)
　由式（7）可知，非局部均值濾波的參數(shù)h需要由噪聲方差去確定，但在實(shí)際應(yīng)用中，含有噪聲圖像的噪聲方差是未知的，那么只有從噪聲圖像中估計(jì)得出。
目前，有很多噪聲方差估計(jì)方法，如M.Jansen基于小波域噪聲方差估計(jì)、EM算法的噪聲方差估計(jì)和魯棒中值絕對(duì)估計(jì)等。本文選用Donoho和Johnstone的頻域采樣法，用這種方法估計(jì)出的噪聲方差值較準(zhǔn)確，方法也比較簡(jiǎn)單。

　從圖1、圖2可以看出，常用的一些圖像去噪算法在一定程度上削弱了圖像噪聲，提高了圖像的質(zhì)量，但用高斯平滑去噪方法去噪后，圖像變得模糊，邊緣特征不清晰；用維納去噪后圖像上仍存在許多明顯噪點(diǎn)。由圖3看出，無論用高斯平滑還是維納算法去噪后，圖像都有模糊現(xiàn)象，而本文算法去噪后的圖像，噪點(diǎn)基本上被去除，邊緣特征較清晰。
　下面定量地分析圖像去噪效果。用幾種去噪算法對(duì)Lena圖像和Peppers圖像的不同噪聲方差圖像去噪后所得圖像峰值信噪比如表1所示。從表1看出，非局部均值方法去噪效果是最好的。
本文實(shí)驗(yàn)分為兩部分，第一部分是添加噪聲然后去噪，計(jì)算出信噪比，用去噪后圖像和信噪比的數(shù)據(jù)說明了該方法去噪性能的優(yōu)越性。實(shí)驗(yàn)第二部分是通過估計(jì)得到與真實(shí)值比較接近的噪聲方差，然后用非局部均值濾波方法對(duì)CCD攝像機(jī)獲得的醫(yī)學(xué)視頻圖像截取感興趣幀去噪，實(shí)驗(yàn)結(jié)果比較理想。但在高噪聲情況下，這種方法去噪效果并不理想，還需在算法上做進(jìn)一步的改進(jìn)。
參考文獻(xiàn)
[1] GONZALEZ C. Digital image processing using MATLAB[M]. 北京：電子工業(yè)出版社，2006.
[2] GONZALEZ C. Digital image processing（second edition）[M]. 北京：電子工業(yè)出版社， 2009.
[3] BUADES A， COLL B， MOREL J M. A review of image denoising algorithmas，with a new one[J]. Society for industrial and applied mathematics， 2005，4（2）：490-530.
[4] BUADES A， COLL B， MOREL J M. On image denoising methods[J]. SIAM Review，2010， 52（1）：113-147.
[5] DONOHO D L， JOHNSTONE I M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika， 1994，81（3）：425-455.
[6] NOWAK R D. Wavelet-based rician noise removal for magnetic resonance imaging[J]. IEEE Transactions on Image Pocessing， 1999， 8（10）：1408-1419.