我已经实现了一个很好的算法（“Non Local Means”）来减少图像中的噪点。 它基于Matlab implementation。
NLMeans的问题是原始算法即使在c / c ++这样的编译语言上也很慢，我试图用脚本语言来运行它。
最好的解决方案之一是使用改进的Blockwise NLMeans algorithm，速度提高约60-80倍。问题在于描述它的论文是用复杂的数学语言编写的，我很难理解一个想法并对其进行编程 （是的，我没有在大学学习数学）。
这就是为什么我拼命寻找这种算法的伪代码。
（原始Matlab实现的修改将是完美的）
答案 0 :(得分：7)
我承认，直到我看到结果 - 双核心上260秒以上，并没有假设脚本语言的开销，并且这是针对优化块非局部均值过滤器时，我很感兴趣。
让我为你分解数学 - 我对伪代码的想法是用Ruby写的。
假设图像为200 x 100像素（总共20000像素），这是一个非常小的图像。我们将不得不经历20,000像素，并在其他19,999像素的加权平均值上评估每个像素：[对不起间距，但方程式被解释为没有它的链接]
NL [v]（i）=Σw（i，j）v（j）[j∈I]
其中0≤w（i，j）≤1且Σ j w（i，j）= 1
可以理解，这最后一部分可能有点令人困惑，但这实际上只不过是一个卷积滤波器，应用于每个像素的整个图像的大小。
块状实现采用重叠的体素集（体积像素 - 您指向我们的实现是用于3D空间）。据推测，采用类似的方法，您可以将其应用于2D空间，采用多组重叠像素。让我们看看我们是否可以描述这个......
NL [v]（i j k ）= 1 / | A i |Σw（i j k ，i）v（i）
其中A是要估计的像素的矢量，并且应用了与上述类似的情况。
[NB：我可能会稍微离开;我做了大量的图像处理已经有几年了]
很有可能，我们正在谈论以最低成本降低算法的复杂性以降低质量。样本矢量越大，质量越高，复杂性越高。通过重叠，然后对图像中的样本矢量进行平均，然后将加权平均值应用于每个像素，我们在图像中循环的次数要少得多。
非常简单，但处理时间会因较大的图像而变得可怕。
你将不得不做出一些艰难的决定。如果您要使用脚本语言，那么您已经在处理重要的解释开销。使用脚本语言进行重型图像处理远非最佳。如果你没有处理医学图像，那么很可能会有更好的算法用于较小的O.
希望这是有帮助的......我不是非常擅长清楚简洁地说明一点，所以如果我能澄清任何事情，请告诉我。