NLM(非局部均值)是一种降噪算法，其中每个像素的值由该像素周围的像素矩形(一个“中心补丁”)确定，所有像素大小相同的矩形(“搜索补丁”)都位于像素周围的一个相对较大的矩形(“搜索窗口”)中。 然后根据对应的搜索patch到中心patch的距离，对每个“搜索patch”的中心像素进行加权，通过计算搜索窗口中所有像素的加权平均得到输出像素

NLM的源代码。使用NLM，对高斯噪声，乘性噪声，椒盐噪声进行性能测试

这是流行的 Nonlocal Means 去噪方案的快速而稳健的实现，适用于 Rician 和 Gaussian 平稳噪声。 它的工作原理是基于特征空间中的距离计算非局部权重，包括图像的局部平均值和梯度。 与原始实现相比，它可以达到 20 倍的加速因子，并提高了中低 SNR 图像的性能。 我们基于众所周知的传统方法对 Rician 噪声使用偏差校正步骤。 可以在以下参考资料中找到有关此算法的更多详细信息（如果您使用此软件进行研究，我们要求您引用）： A. Tristan-Vega、V. Garcia Perez、S. Aja-Fenandez 和 C.-F. 威斯汀， '基于MR数据的高效鲁棒非局部均值去噪显着特征匹配，计算机方法和程序生物医学，105（2）：131-44。 2012 年。 注意：此 Matlab 实现无法利用上述论文中描述的所有计算方法。 如果计算性能对您来说

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

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。