通过非局部正则化改善基于总变化的图像压缩感知恢复（ISCAS 2013） 抽象的 近年来，基于全变分（TV）的最小化算法由于保留了边缘，因此在自然图像的压缩感测（CS）恢复中取得了巨大的成功。 然而，使用电视不能恢复精细的细节和纹理，并且经常遭受不期望的楼梯假象的困扰。 为了减少这些影响，本文通过在CS优化问题中引入新的非局部正则约束条件，提出了一种改进的基于TV的图像CS恢复算法。 非局部正则化建立在众所周知的非局部均值（NLM）过滤的基础上，并利用图像中的自相似性，这有助于抑制阶梯效应并恢复精细细节。 此外，开发了一种有效的基于增强拉格朗日算法，以解决上述组合的电视和非局部正则化约束问题。 实验结果表明，与基于最新电视的算法相比，该算法在PSNR和视觉感知方面均实现了显着的性能提升。 引文 如果您发现我们的代码对您的研究或工作有所帮助，请引用我们的论文。 @inproceeding

非局部均值算法是近年来在图像处理领域的新兴算法，主要用于图像去噪。由于NLM算法也适用于一维信号，许多学者逐渐将其应用于心电信号和地震信号的降噪。

高斯核函数 数学表示 所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。 　　最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。

改进的多视PolSAR非局部均值滤波算法

Non-Local-Dehazing-Python-master.zip

基于自适应非局部均值滤波的图像去块算法，王慈，刘书，JPEG和MPEG等压缩标准导致的块效应是图像降质的主要表现。以往研究提出了各种降低量化噪声的方法，但都基于噪声大小已知的假设。这�

非局部均值滤波不局限于像素邻域，抗噪性能较好。本代码经过简单修改即可运行，是学习非局部均值滤波的基础，其它改进算法可以以其为基础进行修改。希望对大家有所帮助。

非局部均值滤波（NLM）的matlab程序，内含完美注释及相关文档连接。 （学习NLM自己整理所得，内含完美注释及相关文档连接）

非局部均值滤波代码，可在MATLAB上运行。已经调测。内含测试图片，方便快捷，下载即可用。非局部均值滤波代码。

非局部均值的Matlab程序，一种空间域滤波，和高斯模糊、均值滤波类似，当前像素点的值时通过周围像素的加权平均得到，用于图像平滑和图像去噪，效果很好。