從最優線性無偏估計BLUE出發了解:
- BLUE在獨立不同分布的統計下的線性組合估計真值
NLMeans(4)——總結補充:BLUE的計算過程 - 對于NLMeans而言,其真值的估計為: ,Xk為像素值。α為權重。權重的計算就比較講究了。
NLMeans(4)——總結補充:BLUE的計算過程 - 對于BLUE,認為最優線性估計的權重應該是: ,即樣本方差的倒數作為權重權重。
NLMeans(4)——總結補充:BLUE的計算過程 - 但在NLM-P中:權重權重為 ,其中d^2就是樣本方差。是以用的是exp(-
NLMeans(4)——總結補充:BLUE的計算過程 )來做的權重函數。NLMeans(4)——總結補充:BLUE的計算過程 - NLM-P中,Kernel是均值函數1/d^2
- NLM-P中,是高斯歐氏距離,Kernel是高斯函數。
- NLM與BLUE的差異在于權重函數:exp(-kd^2)與1/d^2的差別,且k=kernel/h^2
- 就普通而言,不加k的話,指數函數比倒數平滑。
- 但是隻要除以h^2,且h^2比1大的話,權重函數是非常平滑的。越來越傾向于均值濾波了。
- 但是在 ,首先減去2σ^2,使得曲線右移。其次除以(kσ)^2會使得曲線變陡峭。
NLMeans(4)——總結補充:BLUE的計算過程 - 陡峭使得階梯型更明顯。
- 搬移使得更加陡峭。是以減去2σ^2,會使得曲線更加銳利,篩選能力越強。
- 加入kernel,其實是對d^2的權重。這個函數對最終結果的影響我認為較小。
- 對于BLUE,認為最優線性估計的權重應該是: