非局部平均 (Non-local means, NLM) 算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM 算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进. 但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF) 引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先,

非局部平均 (Non-local means, NLM) 算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM 算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进. 但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF) 引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先,

非局部平均(Non-local means,NLM)算法充分利用图像的自相似性与结构信息的冗余性,取得了很好的去噪效果.然而,在强噪声的干扰下,NLM算法中的权函数不能准确度量图像块之间的相似性.因此,很多文献利用图像的梯度信息对权函数做了改进.但是,传统的梯度算子对噪声十分敏感,不能有效地提高相似性度量的准确性.本文将图像的稀疏梯度场(Sparse gradients field,SGF)引入权函数的定义中,提出一种基于稀疏梯度场的非局部图像去噪算法.首先,区别于传统基于局部的梯度算子,提出了