摘  要： 基于非局部均值的方法，先對CCD攝像機獲得的醫學視頻圖像截取感興趣幀進行噪聲方差估計，然后進行去噪。實驗表明，將非局部均值圖像去噪算法運用于醫學圖像去噪能獲得較好效果。
關鍵詞： 圖像去噪；非局部均值；方差估計；醫學圖像

　因為成像設備、原理的不同，獲得的初始圖像可能含有大量不同性質的噪聲。圖像中的噪聲嚴重影響和干擾著人們對圖像的觀察、分析和理解。嚴重的噪聲直接導致圖像完全變形，使圖像失去了存儲信息的本質意義。圖像去噪處理，是人們正確識別圖像信息、對圖像作進一步處理的可靠保證[1-2]，因此，圖像去噪實際是對一幅含有噪聲的圖像進行特征提取、配準或者圖像融合的預處理。
　對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、小波變換域濾波、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，在噪聲強度大的情況下可能會有大面積的模糊現象。為了彌補這種不足，Buades[3-4]提出非局部均值濾波，該方法運用中心像素間鄰域的相似性，并考慮離中心像素較遠的像素的影響，從而確定了像素點的灰度值，這樣可有效地保護圖像邊緣細節，從而克服局部均值濾波會出現圖像模糊的現象。
　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定，但在實際應用中，噪聲方差不可知，所以需要對噪聲方差進行估計。本文運用對高斯類噪聲計算精度較高的Donoho和Johnstone[5]頻域采樣法進行噪聲方差估計。


2 噪聲方差估計
　由式（7）可知，非局部均值濾波的參數h需要由噪聲方差去確定，但在實際應用中，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得出。
目前，有很多噪聲方差估計方法，如M.Jansen基于小波域噪聲方差估計、EM算法的噪聲方差估計和魯棒中值絕對估計等。本文選用Donoho和Johnstone的頻域采樣法，用這種方法估計出的噪聲方差值較準確，方法也比較簡單。

　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。由圖3看出，無論用高斯平滑還是維納算法去噪后，圖像都有模糊現象，而本文算法去噪后的圖像，噪點基本上被去除，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。
本文實驗分為兩部分，第一部分是添加噪聲然后去噪，計算出信噪比，用去噪后圖像和信噪比的數據說明了該方法去噪性能的優越性。實驗第二部分是通過估計得到與真實值比較接近的噪聲方差，然后用非局部均值濾波方法對CCD攝像機獲得的醫學視頻圖像截取感興趣幀去噪，實驗結果比較理想。但在高噪聲情況下，這種方法去噪效果并不理想，還需在算法上做進一步的改進。
參考文獻
[1] GONZALEZ C. Digital image processing using MATLAB[M]. 北京：電子工業出版社，2006.
[2] GONZALEZ C. Digital image processing（second edition）[M]. 北京：電子工業出版社， 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.