CN103886553B - 图像非局部均值去噪方法和系统 - Google Patents

Abstract

本发明提供一种图像非局部均值去噪方法，包括：获取待去噪的图像，抽取预设大小的图像块，读取图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；对图像块，根据预设的S级搜索区域，在搜索区域内根据预设的每级搜索区域的搜索步长，以图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，各级搜索区域的搜索步长依次递增；计算搜索块对应的残差矢量矩阵与像素点对应的矢量的欧几里得距离，再根据欧几里得距离计算图像块的权重值，最后根据权重值得到图像块中心像素点的滤波值，完成图像的去噪处理。上述方法具有时间复杂度较低、去噪速度快的特点。

Description

图像非局部均值去噪方法和系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像非局部均值去噪方法，以及一种图像非局部均值去噪系统。

背景技术

数字图像与视频在成像过程中，往往引入多种噪声，包括大气噪声，摄像器材的传感器噪声，尤其是光照度较低的成像图像，其引入的噪声往往比较严重。图像去噪技术包括空域去噪与频域去噪技术。频域去噪由于需要经过空间域到频率域的转换，往往复杂度较高，而且传统的维纳滤波去噪效果并不好。传统的空域滤波去噪方法，如均值滤波，中值滤波，统计排序滤波器等滤波去噪后往往导致图像模糊，去噪效果较差。目前效果较好的空域滤波方法是非局部均值去噪方法（NLM，Non-Local Means）。这种方法计算当前图像块与该块周围的图像块的相似性，并由相似性计算权重值，令相似块的中心点的加权平均值作为当前图像块的中心像素的滤波值。这种方法的算法复杂度简单，且能在保留图像细节的同时较好地去除图像噪声，但其时间复杂度较高，复杂度为O(M×N×(2r+1)²×L²)，其中M与N分别为图像的长度与宽度，r为图像当前块的搜索半径，L为图像块的长宽大小（宽度与长度相同）。随着搜索半径r的增大，图像去噪效果更好，但时间复杂度迅速增高。在实际应用中，往往需要快速的图像/视频去噪技术，实现实时处理，较高的时间复杂度限制了NLM算法的应用。

当图像噪声较严重时，图像细节被噪声掩盖，会对传统的NLM算法中计算图像块的相似性造成影响，无法获得准确的相似性块。同时，研究表明在大多数情况下图像块的相似性会随着搜索半径的增大而下降，较远距离的搜索块的权重较低，而传统的NLM算法的搜索步长时间复杂度较高。

发明内容

基于此，本发明提供一种图像非局部均值去噪方法和系统，其时间复杂度较低，图像去噪速度快。

一种图像非局部均值去噪方法，包括如下步骤：

获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_{n i+x,j+y}为中心，长宽为(2r_s+1)的方形区域，且不包括低于当前级的搜索区域，I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理。

一种图像非局部均值去噪系统，包括：

降维模块，用于获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

搜索模块，用于对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_{n i+x,j+y}为中心，长宽为(2r_s+1)的方形区域，且不包括低于当前级的搜索区域，I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

去噪模块，用于计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理。

上述图像非局部均值去噪方法和系统，在噪声图像中抽取图像块，读取空域数据构成矢量矩阵，再经过主成分分析和降维，生成降维后的残差矢量矩阵，采用降维的方式，可在图像噪声较严重时，获得更准确的图像相似性块；接着在设置搜索区域时采用变步长的搜索方式对图像进行去噪，可显著降低图像去噪的时间复杂度，提高图像的去噪速度。

附图说明

图1为本发明图像非局部均值去噪方法在一实施例中的流程示意图。

图2为本发明图像非局部均值去噪方法在一实施例中搜索区域的示意图。

图3为本发明图像非局部均值去噪方法在一实施例中搜索区域的另一示意图。

图4为本发明图像非局部均值去噪系统在一实施例中的结构示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

如图1所示，是本发明一种图像非局部均值去噪方法的流程示意图，包括如下步骤：

S11、获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

本步骤对图像进行PCA（主成分分析，Principal Component Analysis）预处理，先依次读取图像中的像素点，以每个像素点为中心抽取图像块，通过每个图像块包含的RGB三个颜色分量的空域数据，每个图像块用矢量表示，所有矢量组成矢量矩阵H；

具体地，以所述图像中每个像素点为中心抽取预设大小的图像块的步骤可为：

对所述图像进行边界对称拓展，得到拓展后的图像；其中，所述图像的大小为M×N，M为图像长度，N为图像宽度，拓展后的图像大小为(M+l)×(N+l)；

在所述拓展后的图像，从上到下从左到右，依次以每个像素(i,j)为中心，抽取t×t大小的图像块，其中l≤i≤M-l-1，l≤j≤N-l-1，t为预设的图像块长度（t为奇数），l为预设的拓展长度

所述经过主成分分析和降维，生成降维后的残差矢量矩阵的步骤为：

从所述矢量矩阵中选取R个矢量构成一随机矢量矩阵进行主成分分析，获得PCA投影矩阵；

将矢量矩阵中的每个矢量减去所述选取的R个矢量的均值，得到残差矢量矩阵；

将PCA投影矩阵与残差矢量矩阵相乘，得到所述降维后的残差矢量矩阵；

本实施例中进行主成分分析和降维，可在图像噪声较严重时，获得更准确的图像相似性块，获得更好的图像去噪的效果，提高方法的鲁棒性，同时由于维度的降低，可提高图像的去噪速度。

S12、对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_{n i+x,j+y}为中心，长宽为(2r_s+1)的方形区域，且不包括低于当前级的搜索区域（也即是，当前一级的搜索区域，其是以I_{n i+x,j+y}为中心，长宽为(2r_s+1)构成一方形区域，在该方形区域中去除低于当前级的其他级搜索区域后，剩余的区域为当前级的搜索区域），I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

本步骤对图像进行变步长搜索，对于每个图像块，设置S级搜索区域，S的个数可为大于或等于3的整数，对于第1～S-1级的搜索区域，都是以像素点(i,j)为中心，长宽为(2r_s+1)的方形区域（且不包括低于当前级的搜索区域），最后的S级搜索区域则为图像中第1～S-1级搜索区域以外的剩余区域；r_s为第s级搜索区域的搜索半径；其中，如果该方形区域的某一侧边界越过图像I_n本身的边界，则以图像的边界为该方形区域的该侧边界；

在每级搜索区域内，根据该搜索区域预设的搜索步长，从上到下，从左到右移动搜索窗口，获得搜索块P_i+x,j+y，x和y分别为垂直和水平方向相对于(i,j)的位移，其中，各级搜索区域的搜索步长依次递增，能有效提高后续图像去噪的速度。

S13、计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理；

具体地，可根据下式计算所述欧几里得距离：

$d_{i,j,k}=\sqrt{\frac{1}{q}\underset{k=0}{\overset{q-1}{\mathrm{\Σ}}}{(v_{i,j,k}-v_{i+x,j+y,k})}^2};$

其中，d_i,j,k为所述欧几里得距离，k表示矢量v_i,j,k的第k维度，q为所述残差矢量矩阵维度。

根据下式计算所述图像块的权重值：

$w_{i+x,j+y}=\frac{1}{\mathrm{\σ}}{e}^{-\frac{d_{i+x}^2,j+y}{{2\mathrm{\σ}}^2}};$

其中，w_i+x,j+y为所述图像块的权重值，σ为噪声标准差。

根据下式计算所述像素点的滤波值：

$I_{i,j,z}=\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}_{ni+x,j+y,z}\frac{w_{i+x,j+y}}{\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{w}_{i+x,j+y}};$

其中，z表示图像块的RGB色度空间，Ω表示所述搜索区域。

接下来再通过一具体实施例详细阐述本发明。

以M×N大小的噪声图像I_n为例子进行说明，M为图像长度，N为图像宽度。本实施例包括PCA预处理和变步长NLM（非局部均值，Non-local Mean）滤波去噪两个步骤。

（1）PCA预处理

①对M×N大小的噪声图像I_n进行边界对称拓展，得到(M+3)×(N+3)大小的图像I＇_n，然后在图像I＇_n中从上到下从左到右，以像素(i,j)为中心，抽取7×7大小的图像块，其中3≤i≤M-4，3≤j≤N-4。每个块包含RGB三个颜色分量的空域数据，每个块用矢量表示，所有矢量组成矢量矩阵H。

②从矢量矩阵H中选择R个矢量并组成新的矢量矩阵，称为随机矢量矩阵，R的计算方式可为R＝min(M×N,5000)。对这个随机矢量矩阵进行PCA（主成分分析）分析，获得PCA投影矩阵，其维度为q(一般可为30)，以及这R个矢量的均值。

③矢量矩阵H中每个矢量减去均值，得到残差矢量矩阵。然后投影矩阵与残差矢量矩阵相乘，获得降维后的残差矢量矩阵V，V的维度为q(值为30)。PCA预处理结束。

（2）变步长NLM去噪

①对于噪声图像I_n中以(i,j)为中心的7×7大小的图像块P_i,j，其中0≤i≤M-1，0≤j≤N-1；如图2中矩形虚线内的7×7大小的块，设置3级搜索区域，第s(s=1,2)级的搜索区域为以I_{n i+x,j+y}为中心，长宽为(2r_s+1)的方形区域，r_s为第s级搜索区域的搜索半径，如果该方形区域的某一侧边界越过图像I_n本身的边界，则以图像的边界为该方形区域的该侧边界。第3级搜索区域为第1级与第2级搜索区域外的区域。图2中r₁=5，r₂=11，搜索窗口大小为7×7。第s级区域内的搜索窗口的搜索步长为s，即第1，2，3级区域的搜索窗口的搜索步长依次递增，分别为1，2，3。

例如图3中，灰色7×7方形块P_i-3,j-5位于第1级搜索区域，带斜线的7×7方形块P_i-11,j-11，位于第2级搜索区域。在图3中，在第1级搜索区域内，矩形搜索窗口从P_i-3,j-5块移动到P_i-2,j-5块，搜索步长（移动步长）为1，而在第2级搜索内，矩形窗口从P_i-11,j-11块移动到P_i-9,j-11，搜索步长（移动步长）为2。

②在搜索区域内根据该搜索区域的搜索步长，从上到下，从左到右移动搜索窗口，获得搜索块P_i+x,j+y，x和y分别为垂直和水平方向相对于(i,j)的位移，计算该搜索块所对应的残差矢量v_i+x,j+y与v_i,j的欧几里得距离：

$d_{i,j,k}=\sqrt{\frac{1}{q}\underset{k=0}{\overset{q-1}{\mathrm{\Σ}}}{(v_{i,j,k}-v_{i+x,j+y,k})}^2};$

其中k表示矢量v_i,j,k的第k维度。

③根据欧几里得距离d_i,j,k计算图像块P_i+x,j+y的权重值：

$w_{i+x,j+y}=\frac{1}{\mathrm{\σ}}{e}^{-\frac{d_{i+x}^2,j+y}{{2\mathrm{\σ}}^2}};$

其中σ为噪声标准差。

④根据以下公式计算像素I_i,j的滤波值：

$I_{i,j,z}=\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}_{ni+x,j+y,z}\frac{w_{i+x,j+y}}{\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{w}_{i+x,j+y}};$

上式中z表示图像的RGB色度空间，Ω表示搜索区域；变步长NLM滤波去噪结束。

对整幅图像的每个像素采用以上①-④步骤进行变步长NLM去噪，即完成整幅图像的去噪处理。

本实施例采用PCA分析与降维的方式，可在图像噪声较严重时，获得更准确的图像相似性块，获得更好的图像去噪的效果，提高算法的鲁棒性。同时由于维度的降低，可提高图像的去噪速度。

传统的非局部均值去噪方法采用固定步长（步长为1）的搜索方式，在搜索区域较大时，搜索次数较多，计算量较大，而本实施例采用变步长的搜索方式，在搜索半径较大时，搜索步长增大，从而减少了搜索的次数，可降低图像的时间复杂度，提高图像的去噪速度。如对于7×7的搜索窗口，PCA降维后维度q=30。当第一级搜索区域的半径为r₁=5，第2级搜索区域的半径为r₂=11，对于M×N大小的图像，上述实施例与传统NLM方法的时间复杂度比较如下表1所示。随着搜索半径的增大，本实施例的时间复杂度较传统方法下降的比例更高，从而提高图像去噪的速度。

表1本实施例与传统方法的时间复杂度比较

搜索半径r	传统NLM方法	本发明方法	降低百分比
				3	O(2401×M×N)	O(1470×M×N)	38.8%
5	O(1470×M×N)	O(3630×M×N)	38.8%
				7	O(11025×M×N)	O(4470×M×N)	59.5%
9	O(17689×M×N)	O(5550×M×N)	68.6%
				11	O(25921×M×N)	O(6870×M×N)	73.5%
14	O(41209×M×N)	O(7950×M×N)	80.7%

本发明还提供一种图像非局部均值去噪系统，如图4所示，包括：

降维模块41，用于获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

本模块对图像进行PCA（主成分分析，Principal Component Analysis）预处理，先依次读取图像中的像素点，以每个像素点为中心抽取图像块，通过每个图像块包含的RGB三个颜色分量的空域数据，每个图像块用矢量表示，所有矢量组成矢量矩阵H；

具体地，所述降维模块还可用于：

对所述图像进行边界对称拓展，得到拓展后的图像；其中，所述图像的大小为M×N，M为图像长度，N为图像宽度，拓展后的图像大小为(M+l)×(N+l)；

在所述拓展后的图像，从上到下从左到右，依次以每个像素(i,j)为中心，抽取t×t大小的图像块，其中l≤i≤M-l-1，l≤j≤N-l-1，t为预设的图像块长度（t为奇数，

所述降维模块还可用于：从所述矢量矩阵中选取R个矢量构成一随机矢量矩阵进行主成分分析，获得PCA投影矩阵；将矢量矩阵中的每个矢量减去所述选取的R个矢量的均值，得到残差矢量矩阵；将PCA投影矩阵与残差矢量矩阵相乘，得到所述降维后的残差矢量矩阵。

本实施例中进行主成分分析和降维，可在图像噪声较严重时，获得更准确的图像相似性块，获得更好的图像去噪的效果，提高方法的鲁棒性，同时由于维度的降低，可提高图像的去噪速度。

搜索模块42，用于对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_{n i+x,j+y}为中心，长宽为(2r_s+1)的方形区域（且不包括低于当前级的搜索区域），I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

本模块对图像进行变步长搜索，对于每个图像块，设置S级搜索区域，S的个数可为大于或等于3的整数，对于第1～S-1级的搜索区域，都是以像素点(i,j)为中心，长宽为(2r_s+1)的方形区域（且不包括低于当前级的搜索区域），最后的S级搜索区域则为图像中第1～S-1级搜索区域以外的剩余区域；r_s为第s级搜索区域的搜索半径；其中，如果该方形区域的某一侧边界越过图像I_n本身的边界，则以图像的边界为该方形区域的该侧边界；

在每级搜索区域内，根据该搜索区域预设的搜索步长，从上到下，从左到右移动搜索窗口，获得搜索块P_i+x,j+y，x和y分别为垂直和水平方向相对于(i,j)的位移，其中，各级搜索区域的搜索步长依次递增，能有效提高后续图像去噪的速度。

去噪模块43，用于计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理。

具体地，可根据下式计算所述欧几里得距离：

$d_{i,j,k}=\sqrt{\frac{1}{q}\underset{k=0}{\overset{q-1}{\mathrm{\Σ}}}{(v_{i,j,k}-v_{i+x,j+y,k})}^2};$

其中，d_i,j,k为所述欧几里得距离，k表示矢量v_i,j,k的第k维度，q为所述残差矢量矩阵维度。

根据下式计算所述图像块的权重值：

$w_{i+x,j+y}=\frac{1}{\mathrm{\σ}}{e}^{-\frac{d_{i+x}^2,j+y}{{2\mathrm{\σ}}^2}};$

其中，w_i+x,j+y为所述图像块的权重值，σ为噪声标准差。

根据下式计算所述像素点的滤波值：

$I_{i,j,z}=\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}_{ni+x,j+y,z}\frac{w_{i+x,j+y}}{\underset{x,y\∈\mathrm{\Ω}}{\mathrm{\Σ}}{w}_{i+x,j+y}};$

其中，z表示图像块的RGB色度空间，Ω表示所述搜索区域。

本发明图像非局部均值去噪方法和系统，在噪声图像中抽取图像块，读取空域数据构成矢量矩阵，再经过主成分分析和降维，生成降维后的残差矢量矩阵，采用降维的方式，可在图像噪声较严重时，获得更准确的图像相似性块；接着在设置搜索区域时采用变步长的搜索方式对图像进行去噪，可显著降低图像的时间复杂度，提高图像的去噪速度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种图像非局部均值去噪方法，其特征在于，包括如下步骤：

获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_ni+x,j+y为中心，长宽为2r_s+1的方形区域，且不包括低于当前级的搜索区域，I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理。

2.根据权利要求1所述的图像非局部均值去噪方法，其特征在于，以所述图像中每个像素点为中心抽取预设大小的图像块的步骤为：

对所述图像进行边界对称拓展，得到拓展后的图像；其中，所述图像的大小为M×N，M为图像长度，N为图像宽度，拓展后的图像大小为(M+l)×(N+l)；

在所述拓展后的图像，从上到下从左到右，依次以每个像素点(i,j)为中心，抽取t×t大小的图像块，其中l≤i≤M-l-1，l≤j≤N-l-1，t为预设的图像块长度，并且t为奇数，l为预设的拓展长度，

3.根据权利要求1所述的图像非局部均值去噪方法，其特征在于，所述经过主成分分析和降维，生成降维后的残差矢量矩阵的步骤为：

从所述矢量矩阵中选取R个矢量构成一随机矢量矩阵进行主成分分析，获得PCA投影矩阵；

将矢量矩阵中的每个矢量减去所述选取的R个矢量的均值，得到残差矢量矩阵；

将PCA投影矩阵与残差矢量矩阵相乘，得到所述降维后的残差矢量矩阵。

4.根据权利要求1所述的图像非局部均值去噪方法，其特征在于，根据下式计算所述欧几里得距离：

$d_{i,j,k}=\sqrt{\frac{1}{q}\underset{k=0}{\overset{q-1}{\Σ}}{(v_{i,j,k}-v_{i+x,j+y,k})}^2};$

其中，d_i,j,k为所述欧几里得距离，k表示矢量v_i,j,k的第k维度，v_i,j,k为第k维的所述像素点对应的矢量，v_i+x,j+y,k为第k维的所述搜索块对应的残差矢量，q为所述残差矢量矩阵维度。

5.根据权利要求4所述的图像非局部均值去噪方法，其特征在于，根据下式计算所述图像块的权重值：

$w_{i+x,j+y}=\frac{1}{\mathrm{\σ}}{e}^{-\frac{d_{i+x,j+y}^2}{2{\mathrm{\σ}}^2}};$

其中，w_i+x,j+y为所述图像块的权重值，σ为噪声标准差；

根据下式计算所述像素点的滤波值：

$I_{i,j,z}=\underset{x,y\∈\mathrm{\Ω}}{\Σ}{I}_{ni+x,j+y,z}\frac{w_{i+x,j+y}}{\underset{x,y\∈\mathrm{\Ω}}{\Σ}{w}_{i+x,j+y}};$

其中，z表示图像块的RGB色度空间，Ω表示所述搜索区域。

6.根据权利要求1所述的图像非局部均值去噪方法，其特征在于，如果该方形区域的某一侧边界越过所述图像本身的边界，则以所述图像的边界为所述方形区域的侧边界。

7.一种图像非局部均值去噪系统，其特征在于，包括：

降维模块，用于获取待去噪的图像，以所述图像中每个像素点为中心抽取预设大小的图像块，读取每个图像块的RGB三个颜色分量的空域数据组成矢量矩阵，并经过主成分分析和降维，生成降维后的残差矢量矩阵；

搜索模块，用于对所述图像块，根据预设的S级搜索区域，在各级搜索区域内根据预设的每级搜索区域的搜索步长，以所述图像块的中心像素点为中心从上到下，从左到右移动预设大小的搜索窗口，得到搜索块；其中，S为大于或等于3的整数；第1至第S-1级的搜索区域都为所述图像中以I_ni+x,j+y为中心，长宽为(2r_s+1)的方形区域，且不包括低于当前级的搜索区域，I_n为所述待去噪的图像，r_s为第S级搜索区域的搜索半径，第S级搜索区域为所述图像中第1～S-1级搜索区域以外的区域；x和y分别为垂直和水平方向相对于像素点(i,j)的位移，各级搜索区域的搜索步长依次递增；

去噪模块，用于计算所述搜索块对应的所述残差矢量矩阵与所述像素点对应的矢量的欧几里得距离，再根据所述欧几里得距离计算所述图像块的权重值，最后根据所述权重值得到所述图像块中心像素点的滤波值，完成所述图像的去噪处理。

8.根据权利要求7所述的图像非局部均值去噪系统，其特征在于，所述降维模块还用于：

对所述图像进行边界对称拓展，得到拓展后的图像；其中，所述图像的大小为M×N，M为图像长度，N为图像宽度，拓展后的图像大小为(M+l)×(N+l)；

在所述拓展后的图像，从上到下从左到右，依次以每个像素(i,j)为中心，抽取t×t大小的图像块，其中l≤i≤M-l-1，l≤j≤N-l-1，t为预设的图像块长度，并且t为奇数，l为预设的拓展长度，

9.根据权利要求7所述的图像非局部均值去噪系统，其特征在于，所述降维模块还用于：从所述矢量矩阵中选取R个矢量构成一随机矢量矩阵进行主成分分析，获得PCA投影矩阵；将矢量矩阵中的每个矢量减去所述选取的R个矢量的均值，得到残差矢量矩阵；将PCA投影矩阵与残差矢量矩阵相乘，得到所述降维后的残差矢量矩阵。