非局部均值（NL-means）

　　非局部均值（NL-means）是近年來提出的一項新型的去噪技術。該方法充分利用了圖像中的冗余信息，在去噪的同時能最大程度地保持圖像的細節特征。 基本思想是：當前像素的估計值由圖像中與它具有相似鄰域結構的像素加權平均得到。

 

　　理論上，該算法需要在整個圖像范圍內判斷像素間的相似度，也就是說，每處理一個像素點時，都要計算它與圖像中所有像素點間的相似度。但是考慮到效率問題，實現的時候，會設定兩個固定大小的窗口：搜索窗口 和鄰域窗口 。鄰域窗口在搜索窗口中滑動，根據鄰域間的相似性確定像素的權值。

 

　　下圖是NL-means算法執行過程，大窗口是以目標像素為中心的搜索窗口，兩個灰色小窗口分別是以、為中心的鄰域窗口。其中以為中心的鄰域窗口在搜索窗口中滑動，通過計算兩個鄰域窗口間的相似程度為賦以權值 。

　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　NL-means執行過程

　　設含噪聲圖像為，去噪后的圖像為。中像素點處的灰度值通過如下方式得到：

　　　　　　　 　　

　　其中權值表示像素點和間的相似度，它的值由以、為中心的矩形鄰域、間的距離決定：

　　

　　其中

　　

　　

　　

　　 其中為歸一化系數，為平滑參數，控制高斯函數的衰減程度。越大高斯函數變化越平緩，去噪水平越高，但同時也會導致圖像越模糊。越小，邊緣細節成分保持得越多，但會殘留過多的噪聲點。的具體取值應當以圖像中的噪聲水平為依據。

 

與均值濾波的對比：

均值濾波：

均值濾波的計算非常簡單，將圖像像素點灰度記錄在數組中，然后設置方框半徑的值，然后將方框中的所有點的像素求和取平均，得到的結果就是均值濾波后對應像素點的灰度值。
優點：
計算很快而且簡單
從算法可以看出，只是求了平均，並沒有很復雜的計算
缺點：
得到的圖像很模糊
當方框的半徑越大，得到的圖像中那些變化較大的地方（邊緣）計算后變化就越小，即邊緣不明顯，即模糊。

 

非均值濾波：

優點
可以既去除噪聲，又保留圖像邊緣細節
當然去噪聲指的一般是高斯白噪聲，因為高斯白噪聲的均值是0，所以求和取平均會比較有效果
缺點
計算起來很慢
如果圖像像素點比較多，而且計算的時候取的框還比較大的話，那么計算一般幾分鍾是要的了。

 

 

 

 

 

 

參考：https://blog.csdn.net/Frankgoogle/article/details/52209901

　　　https://blog.csdn.net/u010839382/article/details/48229579