提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过汇总彼此重叠的所有去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两个迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来减少WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。

Non-Local Neural Networks with Grouped Bilinear Attentional Transforms, 论文Non-Local Neural Networks with Grouped Bilinear Attentional Transforms中提出的一种针对non-local网络改进的网络结构。 Non-local可以建模时间和空间维度上的关联性；GCNet结合了基于通道的注意力机制SE和能够捕获全局空间信息的Non-local网络；BAT是在传统的non-local模块上改进的可进行变形操作的新型模块，并且在图片分类和视频分类的性能上已经超过了传统的non-local网络结构。

快速 NLM 方法基于积分图像，并在 Darbon 的论文中进行了描述。 一般来说，这种快速实现比经典的 NLM 方法快 10 倍以上。

非本地手段 介绍 在这个项目中，我以幼稚的方式并使用积分图像实现了非局部均值过滤。 这些文件中都对这两种方法进行了解释： 非本地均值降噪 用于块匹配的积分图像 描述 非局部均值算法用于去除图像中的噪点。 我们输入了三件事： 我们要去噪的图像 大小为kxk的内核 wxw大小的窗口 对于图像中的每个像素（我们将要去噪），我们将窗口围绕其居中，通常，该窗口是相当大的，但出于性能方面的考虑，当然不如整个图像大。 然后，对于窗口中的每个像素，我们滑动一个补丁（通常为3x3或5x5），我们要去噪的像素将是图像补丁上的加权和。 整体影像改善 如果我们使用积分图像，则可以加快计算速度。 伦敦大学学院图像处理课程中的Lourdes Agapito教授的图像幻灯片 由于以下公式，我们可以加快计算速度： 图片摘自Wikipedia（ ） 如何使用代码 只需打开Matlab并为完整的图像实现运行nonL

这段代码只是 Dirk-Jan Kroon 的 matlab 愿景，他发表了 Fast Non-Local Means 1D、2D Color 和 3D（ http://www.mathworks.com/matlabcentral/fileexchange/27395-fast-non-local-means- 1d-2d-color-and-3d ）。

有关代码方法的详细信息，请参阅相应的论文“ Yue Wu，Brian Tracey，Premkumar Natarajan，Joseph P. Noonan：用于非本地均值图像降噪的James-Stein类型中心像素权重。 20(4): 411-414 (2013)" http://dx.doi.org/10.1109/LSP.2013.2247755

非本地_火炬 。 陈述 您可以在lib /中找到不同种类的非本地块。 您可以按照以下显示的“运行步骤”形象化Non_local Attention Map。 该代码在MNIST数据集上进行了测试。 您可以在lib / network.py中选择非本地块的类型。 如果我的代码有问题，请与我联系，谢谢！ 环境 python 3.7.7 pytorch 1.4.0（> = 1.2.0，1.8.1也可以） opencv 4.2.0.34（其他人也可以） 可视化 在第一个非本地层中。 在第二个非本地层中。 运行步骤 在lib / network.py中选择非本地块的类型。 from lib.non_local_concatenation import NONLocalBlock2D from lib.non_local_gaussian import NONLocalBlock2D f

噪声自适应开关非局部方法

A Non-Local Cost Aggregation Method for Stereo Matching 作者关于核心算法做的PPT

杨庆雄 立体匹配算法 A Non-Local Cost Aggregation Method for Stereo Matching论文源代码 c++ vs2019 可直接运行无需配置