Improving Non-Local Mean Denoising Using Local Binary Pattern Classification

The image denoising capability of non-local mean (NLM) algorithm is based on the weighted sum of neighboring pixels. The weights are calculated from the similarity between image patches. However, when there is lighting difference between two similar patches, the lighting difference will be incorporated into the similarity metrics and makes them appear much more dissimilar than their true status. Because the popular image descriptor, local binary pattern (LBP), is calculated by comparing intensity between pixels, it is relative insensitive to lighting difference between image patches. Thus, we propose to incorporate LBP into NLM in this thesis. In order to consider the lighting difference, the calculation of weights in NLM is also modified. We also find that the lighting difference is especially significant in image background. Therefore, we add two kinds of LBP to classify lighter and darker backgrounds. Experiments show that our new approach does indeed produce better PSNR when compared with NLM.我們研究非區域均值演算法(Non-Local Mean)的演算方法，是對給定的圖像其中的像素，觀察中間像素與周圍像素的灰階值分佈狀況來計算權重。但我們發現NLM的演算法有個缺點，如果圖像出現光照差異，會造成兩個相似的圖像變成差異較大。因此NLM的演算法不適合用在圖像有光照變化的時候。我們會去改良NLM演算法內計算結構相似度的部分，以及計算輸出的部分。且加入我們所研究的LBP分類方法，進入NLM去雜訊演算法內。 本論文會探討二值區域模式(Local Binary Pattern)的光照變化而灰階值不變特性，且研究LBP的分類方法。LBP 尋找圖像紋理的方法，是先將中心像素跟附近的像素做比較，然後轉成二進位的位元串。然後再把這些值乘上各自的權重，再做加總。LBP的特性是對光照變化等，計算出的LBP值不變，也就是灰階不變性。 本文還會研究LBP的分類方法。我們認為如果有光照變化時，背景的改變會比較明顯，所以我們特別歸類出背景的部分，而我們這邊歸類了兩種平滑單調的分佈模式，且判定為背景。第一種是較亮的背景影像區塊。第二種是較暗的背景影像區塊。 最後加入我們所研究的LBP分類方法，進入NLM去雜訊演算法內。是為了結合NLM演算法去雜訊能力的優越性，與LBP的光照變化而灰階值不變特性。最後實驗結果顯示本論文的方法會得到更好的去雜訊能力。誌謝 i 摘要 ii Abstract iii 目次 iv 圖目次 v 表目次 vi 第一章 緒論 1 1.1 簡介 1 1.2 論文架構 2 第二章 背景介紹 3 2.1 非區域均值演算法(Non-Local Mean) 3 2.2 二值區域樣本(Local Binary Pattern) 5 2.3 總結 7 第三章 改良方法 8 3.1 NLM的改良 8 3.2 LBP分類 10 3.2.1 LBP分類介紹 10 3.2.2 較亮的背景影像區塊 11 3.2.3 較暗的背景影像區塊 13 3.2.4 實際運用 15 3.2.5 改變LBP範圍 16 3.3 總結 17 第四章 實驗結果 18 4.1 實驗背景說明 18 4.2 實驗比較 19 4.2.1 NLM演算法v.s. NLM結合LBP分類的改良方法 19 4.2.2 NLM結合LBP分類v.s.改變LBP範圍的方法 23 4.2.3 綜合比較 24 第五章 結論 29 參考文獻 3