一种新的混合相似性权重的非局部均值去躁算法

　　针对传统非局部均值（NLM）滤波在噪声标准差较大时，加权欧氏距离不能真实反映邻域块相似度的问题，提出一种新的混合相似性权重的非局部均值去噪算法。首先，利用平稳小波变换的特点对噪声图像进行分解，并利用滤波函数对细节子带进行预去噪处理；然后，根据预去噪图像计算块间相似性参考因子，并使用其替换传统NLM算法中高斯核函数；最后，为使相似性权重更符合人眼视觉系统（HVS）特点，使用基于图像结构感知的块奇异值分解（SVD）方法定义邻域间相似性度量，与传统NLM算法相比能更为真实地反映邻域间相似度。实验结果表明，混合相似性权重的非局部均值去噪算法较传统NLM算法在视觉上能更好地保留纹理细节及边缘信息，而且结构相似度（ SSIM）指标较传统NLM算法也有一定提高，在噪声标准差较大情况下具有有效性和鲁棒性。