NLM去噪

参考 https://blog.csdn.net/piaoxuezhong/article/details/78345929 如此博主所说，以前使用的对像素点pt，其Size x Size邻域内取均值或加权平均后的值作为去噪后的像素值pt_denoised，这常常导致细节丢失、边缘模糊，因为这些都是依赖于像素点pt邻域Size x Size内的每个像素点pt_neighbor。而NLM却不是这样，NLM是针对块的相似性。NLM是：

首先设置pt的搜索窗WinSize x WinSize，搜索窗内的每个像素点如点pt_neighbor，

然后对中心像素点 pt邻域Size x Size即W1 ， pt_neighbor邻域Size x Size即W2。易知，搜索窗WinSize x WinSize内会有多个W2，W2在围绕W1滑动。

对每一个W2，可与W1计算出一个权重tmp_w，将tmp_w作为W2中心像素点pt_neighbor的权重。

那么对于每一个W2，都可以与W1计算出一个权重tmp_w，作为每个W2中心pt_neighbor的权重。找出最大的权重wmax，作为W1的中心即pt的权重。

然后整个WinSize x WinSize内滑完，可求得所有 pt_neighbor*tmp_w之和即加权平均值average_value。还可求得 所有权重 tmp_w 之和即weight_value。

那么最终的去噪后像素值为pt_denoised=average_value/weight_value 。

标签：pt,WinSize,W2,neighbor,NLM,像素点,Size
来源： https://www.cnblogs.com/mango-pudding/p/15965861.html