NLM算法
non-Local Means 非局部均值
论文原文:http://www.ipol.im/pub/art/2011/bcm_nlm/?utm_source=doi
论文源代码:http://www.ipol.im/pub/art/2011/bcm_nlm/nlmeansC.tar.gz
NLM去噪:
NLM去噪算法实现 - 羽凌寒 - CSDN博客 https://blog.csdn.net/u011630458/article/details/51317415
NLM插值:
基于NLM的插值算法 - 羽凌寒 - CSDN博客 https://blog.csdn.net/u011630458/article/details/53469918
MATLAB工具包:
Toolbox Non-Local Means - File Exchange - MATLAB Central https://ww2.mathworks.cn/matlabcentral/fileexchange/13619-toolbox-non-local-means
【参考文献】
[1] Buades A,Coll B,Morel J M.A Review of Image Denoising Algorithms, with a New One[J]. Multiscale Modeling & Simulation,2005,4(2);490-530.
[2] 郭红涛. 广义非局部均值算法的图像去噪[J]. 计算机应用研究, 2015, 32(7):2218-2221.
[3] 刘哲, 黄世奇, 姜杰. 基于多尺度自相似性和非局部均值的单幅图像超分辨率方法[J]. 红外技术, 2017, 39(4).
【相关】
Image denoising with block-matching and 3D filtering_百度学术 BM3D
A fast non-local image denoising algorithm_百度学术
分析:
非局部均值滤波详解.doc https://max.book118.com/html/2016/1206/68911778.shtm
相似权重参数h的影响,h小权重分离大,更能保边。
时间优化
1、基于积分图像
构造关于像素差值的积分图像。原图像与平移t=y-x后的图像间欧式距离为:
2、基于傅里叶变换
【其他资料】
【图文】非局部均值滤波_百度文库 https://wenku.baidu.com/view/fc819b3b5022aaea988f0f1d.html
图像保边滤波算法集锦--非局部均值NLM滤波器 - Trent1985的专栏 - CSDN博客 https://blog.csdn.net/trent1985/article/details/82900592
非局部均值滤波算法 - Frankgoogle的博客 - CSDN博客 https://blog.csdn.net/frankgoogle/article/details/52209901
图像去燥中 非局部均值滤波的简单原理 - phoenixtree7的专栏 - CSDN博客 https://blog.csdn.net/phoenixtree7/article/details/51802569
【图像算法】NLM降噪 - Image - CSDN博客 https://blog.csdn.net/jaych/article/details/54562593
非局部均值滤波原理 Non-local means filter 【从零起步完全教程】 - 照玄 - CSDN博客 https://blog.csdn.net/sac761/article/details/76544791
使用自相似度驱动混合的带细节保留的非局部均值图像去噪的制作方法 http://www.xjishu.com/zhuanli/55/201580044895.html
【细节步骤分析】
非局部均值去噪的一点问题_蒋含禄_新浪博客 http://blog.sina.com.cn/s/blog_6cba908f0100t24j.html
NLM算法的更多相关文章
- 非局部均值滤波算法的python实现
如题,比opencv自带的实现效果好 #coding:utf8 import cv2 import numpy as np def psnr(A, B): return 10*np.log(255*2 ...
- IPOL图像处理分析经典在线(文献+源码)
网址: IPOL Journal · Image Processing On Line https://www.ipol.im/ 分类: 搜索: 下载文献和源码: NLM算法:IPOL Journal ...
- NLM非局部均值算法相关
NLM原文: 基于图像分割的非局部均值去噪算法 基于图像分割的非局部均值去噪算法_百度文库 https://wenku.baidu.com/view/6a51abdfcd22bcd126fff705c ...
- 优化IPOL网站中基于DCT(离散余弦变换)的图像去噪算法(附源代码)。
在您阅读本文前,先需要告诉你的是:即使是本文优化过的算法,DCT去噪的计算量依旧很大,请不要向这个算法提出实时运行的苛刻要求. 言归正传,在IPOL网站中有一篇基于DCT的图像去噪文章,具体的链接地址 ...
- LLE局部线性嵌入算法
非线性降维 流形学习 算法思想有些类似于NLM,但是是进行的降维操作. [转载自] 局部线性嵌入(LLE)原理总结 - yukgwy60648的博客 - CSDN博客 https://blog.csd ...
- 【代码备份】原图降采样后进行NLM滤波
文件路径: 滤波算法main.m: %% 测试函数 %NLM滤波及滤波与 clc,clear all,close all; ima_ori=double(imread('F:\Users\****n\ ...
- ISP算法高水平分析(上)
ISP算法高水平分析(上) 一.ISP基本框架及算法介绍 ISP是Image Signal Processor的缩写,全称是影像处理器.在相机成像的整个环节中,它负责接收感光元件(Sensor)的原始 ...
- B树——算法导论(25)
B树 1. 简介 在之前我们学习了红黑树,今天再学习一种树--B树.它与红黑树有许多类似的地方,比如都是平衡搜索树,但它们在功能和结构上却有较大的差别. 从功能上看,B树是为磁盘或其他存储设备设计的, ...
- 分布式系列文章——Paxos算法原理与推导
Paxos算法在分布式领域具有非常重要的地位.但是Paxos算法有两个比较明显的缺点:1.难以理解 2.工程实现更难. 网上有很多讲解Paxos算法的文章,但是质量参差不齐.看了很多关于Paxos的资 ...
随机推荐
- JavaScript(三)-- DOM编程
JavaScript编程中最基本的就是DOM编程,DOM是 Document Object Model文本对象模型,就是对DOM对象进行编程的过程. Java语言和Js都有针对于DOM的编程,两者类似 ...
- 01-spring-专题IOC
接口: 1,用于沟通的中介物的抽象化 2,实体把自己提供给外界的一种抽象化说明,用以内部操作分离出外部沟通方法,使其能被修改内部而不影响外界其他实体与其交互的方式(内部可能修改了,但是接口不变). 简 ...
- (七)Oracle学习笔记—— 游标
1.游标简介 游标用来处理从数据库中检索的多行记录(使用SELECT语句).利用游标,程序可以逐个地处理和遍历一次检索返回的整个记录集. 为了处理SQL语句,Oracle将在内存中分配一个区域,这就是 ...
- 图解Java机制
一图胜过千万言!希望本文能帮助童鞋们回顾已经知道的那些知识. 1String对象不可改变的特性 下图显示了如下代码运行的过程: String s = "abcd"; s = s.c ...
- Git 创建仓库
本文将为大学介绍如何创建一个远程的Git仓库.您可以使用一个已经存在的目录作为Git仓库或创建一个空目录. 使用您当前的目录作为Git仓库,我们只需要使它初始化. git init 使用我们指定目录作 ...
- Android 4.4KitKat Sound System
Alsa Lib: File path:external/tinyalsa Audio Hal Library: Core File path:hardware/libhardware_legacy/ ...
- pandas所占内存释放
df = pd.read_csv('....') 要调用循环处理多个文件时,内存占用情况严重,如果互相之间不需要调用,可以直接del df 释放内存
- 在同一台服务器上启动多个 FreeSWITCH 实例
有时候,需要用到多个FreeSWITCH进行测试,或者需要在一台服务器上部署多个“不兼容”的系统.我们在这一节探讨一下怎么做. 背景故事 几年前我还在Idapted工作的时候,由于需要连接Skype及 ...
- 如何将git 关联到Pycharm
一,预置条件 1,安装pycharm 2,安装git 仓库 二,关联步骤 1,打开Pycharm File | Settings | Version Control | Git 2,配置需要关联的 ...
- make之eval函数
函数原型: $(eval text) 它的意思是 text 的内容将作为makefile的一部分而被make解析和执行. 需要注意的是该函数在执行时会对它的参数进行两次展开,第一次展开是由函数本身完成 ...