基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means,NLM)算法充分利用图像的自相似性与结构信息的冗余性,取得了很好的去噪效果.然而,在强噪声的干扰下,NLM算法中的权函数不能准确度量图像块之间的相似性.因此,很多文献利用图像的梯度信息对权函数做了改进.但是,传统的梯度算子对噪声十分敏感,不能有效地提高相似性度量的准确性.本文将图像的稀疏梯度场(Sparse gradients field,SGF)引入权函数的定义中,提出一种基于稀疏梯度场的非局部图像去噪算法.首先,区别于传统基于局部的梯度算子,提出了基于全局的稀疏梯度场模型,进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field,ASGF),并利用向前–向后分裂算法求解.然后,利用图像的稀疏梯度场对NLM算法的权函数进行改进,得到本文提出的算法.实验结果表明,无论是客观评价还是视觉效果,本文所提算法的性能优于NLM算法和其他利用梯度信息改进的NLM算法.