摘 要：基于非局部均值的方法，先对CCD摄像机获得的医学视频图像截取感兴趣帧进行噪声方差估计，然后进行去噪。实验表明，将非局部均值图像去噪算法运用于医学图像去噪能获得较好效果。
关键词：图像去噪；非局部均值；方差估计；医学图像

　因为成像设备、原理的不同，获得的初始图像可能含有大量不同性质的噪声。图像中的噪声严重影响和干扰着人们对图像的观察、分析和理解。严重的噪声直接导致图像完全变形，使图像失去了存储信息的本质意义。图像去噪处理，是人们正确识别图像信息、对图像作进一步处理的可靠保证[1-2]，因此，图像去噪实际是对一幅含有噪声的图像进行特征提取、配准或者图像融合的预处理。
　对高斯噪声的去噪方法有很多，常见去噪方法有：局部均值滤波、高斯滤波、傅里叶变换、小波变换域滤波、维纳滤波、马尔科夫链蒙特卡洛方法、偏微分方程滤波和BM3D等。
局部均值滤波忽略了图像局部的相似度，处理后的图像边缘特征被破坏，在噪声强度大的情况下可能会有大面积的模糊现象。为了弥补这种不足，Buades[3-4]提出非局部均值滤波，该方法运用中心像素间邻域的相似性，并考虑离中心像素较远的像素的影响，从而确定了像素点的灰度值，这样可有效地保护图像边缘细节，从而克服局部均值滤波会出现图像模糊的现象。
　在非局部均值滤波算法中，需要给出去噪程度，去噪程度需要由噪声方差去设定，但在实际应用中，噪声方差不可知，所以需要对噪声方差进行估计。本文运用对高斯类噪声计算精度较高的Donoho和Johnstone[5]频域采样法进行噪声方差估计。


2 噪声方差估计
　由式（7）可知，非局部均值滤波的参数h需要由噪声方差去确定，但在实际应用中，含有噪声图像的噪声方差是未知的，那么只有从噪声图像中估计得出。
目前，有很多噪声方差估计方法，如M.Jansen基于小波域噪声方差估计、EM算法的噪声方差估计和鲁棒中值绝对估计等。本文选用Donoho和Johnstone的频域采样法，用这种方法估计出的噪声方差值较准确，方法也比较简单。

　从图1、图2可以看出，常用的一些图像去噪算法在一定程度上削弱了图像噪声，提高了图像的质量，但用高斯平滑去噪方法去噪后，图像变得模糊，边缘特征不清晰；用维纳去噪后图像上仍存在许多明显噪点。由图3看出，无论用高斯平滑还是维纳算法去噪后，图像都有模糊现象，而本文算法去噪后的图像，噪点基本上被去除，边缘特征较清晰。
　下面定量地分析图像去噪效果。用几种去噪算法对Lena图像和Peppers图像的不同噪声方差图像去噪后所得图像峰值信噪比如表1所示。从表1看出，非局部均值方法去噪效果是最好的。
本文实验分为两部分，第一部分是添加噪声然后去噪，计算出信噪比，用去噪后图像和信噪比的数据说明了该方法去噪性能的优越性。实验第二部分是通过估计得到与真实值比较接近的噪声方差，然后用非局部均值滤波方法对CCD摄像机获得的医学视频图像截取感兴趣帧去噪，实验结果比较理想。但在高噪声情况下，这种方法去噪效果并不理想，还需在算法上做进一步的改进。
参考文献
[1] GONZALEZ C. Digital image processing using MATLAB[M]. 北京：电子工业出版社，2006.
[2] GONZALEZ C. Digital image processing（second edition）[M]. 北京：电子工业出版社， 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.