局部非均值算法

NLM是一种基于图像块相似性的图像去噪方法，由Antoni Buades等人于2005年提出。与传统的基于像素的局部滤波方法不同，NLM利用了图像的自相似性原理，即图像中的大部分结构会在不同的位置重复出现。这种方法在保持边缘清晰度和细节的同时，有效地减少了噪声的影响。

   

NLM降噪的基本步骤：

1. 相似性度量： 对于图像中的每一个像素pp，在图像的某个搜索区域内找到与该像素周围块（block）相似的其他块。相似度通常使用高斯核或指数函数来衡量，这取决于两个块之间的像素差异。
2. 加权平均： 使用相似度作为权重，对所有相似块进行加权平均，得到目标像素的去噪估计值。权重越大意味着对应的块与目标像素周围的块越相似，因此对该像素的贡献也越大。
3. 标准化： 在进行加权平均之前，通常会对权重进行归一化处理，确保所有权重的总和等于1，这样可以避免亮度的改变。

   

具体思路：

1，对当前点A定义较小一个滑动窗口（比如5*5）；

2，再对A定义一个较大的邻域范围（11*11），对邻域范围内所有的点取5*5的窗口。计算与A的窗口的差异；

3，计算所有点的差值的平方和，并利用该值来分配权重，并归一化处理；

4，通过加权平均计算A点新的像素值。

   

   

NLM算法在处理自然图像时效果很好，因为它利用了图像的内在冗余和自相似性，但在处理具有高度纹理或复杂结构的图像时，可能需要调整参数以达到最佳效果。此外，NLM算法的计算量相对较大，因为需要在每个像素处执行块匹配和加权平均操作，这使得它在实时应用中可能受限.

   

可参考

 NLM去噪算法实现 - 羽凌寒 - CSDN博客  https://blog.csdn.net/u011630458/article/details/5131741