与传统的成像技术不同, 赝热关联成像基于强度涨落统计测量, 仅采用一个不具有空间分辨率的桶探测器可以实现目标场景图像的采集, 具有探测灵敏度高、抗干扰能力强等优势。在实验室赝热关联成像验证的基础上提出了远场赝热关联成像系统样机, 系统主要包括激光光源、赝热场调制系统、散斑远场发射系统以及高灵敏度强度涨落探测系统等。由于该成像技术需要多次测量后进行重构计算, 为了提升系统信息采集效率和图像重构效果, 提出了基于非局部均匀滤波的图像重构算法, 充分利用先验信息, 有效提高图像复原的效果。最后通过仿真测试和实际成像试验验证了该方法的可行性, 试验结果表明提出的系统能对远程目标进行清晰成像, 并且在相同的采样次数下能够获得更好的复原效果。

针对传统非局部均值图像去噪算法对纹理细节处理保持不足的问题,提出一种结合模糊边缘补足(FEC)的非局部均值图像去噪算法。利用FEC算法检测出图像的边缘纹理特征图像;基于此自适应选择相似性权重参数,有针对性地对边缘纹理区域和平坦区域进行不同程度的平滑,以防止边缘细节信息的过平滑;用边缘的结构相似性改进非局部图像块的相似性权重,加强相同区域像素的贡献而削弱不同区域像素的贡献,从而达到更好地保持纹理细节的作用。实验结果表明:该方法能够很好地达到去除噪声的效果,同时还能保持更多的纹理细节特征和几何结构特征。

构建了近地背景下的小目标图像模型, 提出了一种基于暗图像处理和改进非局部均值滤波的红外图像预处理算法。采用图像去雾思想, 将红外图像类比为有雾图像, 通过暗通道去雾方法实现近地背景抑制, 并引入相似度权值阈值改进双边 NLM(Non-Local Means)算法, 减少邻域内相似度权值较低的像素点对灰度值估计的影响, 得到预处理后的红外图像。实验表明, 对于近地背景下红外弱小目标检测, 该算法能够有效抑制背景, 增强目标与背景对比度, 提高红外图像预处理性能。

为了有效去除图像噪声并保留更多图像细节信息, 提出一种结合 PDTDFB变换域各项异性双变量拉普拉斯模型和非局部均值滤波的自适应图像去噪算法。首先分析了 PDTDFB变换系数的分布特点, 使用各项异性双变量拉普拉斯模型作为其父子系数相关性的先验分布, 在贝叶斯去噪框架下推导出闭式形式的各项异性双变量阈值函数, 然后对估计的变换系数进行逆 PDTDFB变换得到初步去噪图像, 最后使用非局部均值滤波对其进行平滑处理。实验结果显示: 本文所提算法去噪效果明显, 与一些经典算法相比, 本文方法在主客观上皆取得了有竞争力的结果。

快速有效地对所获图像进行去噪是提高激光主动成像制导精度的关键一步。针对成像中的散斑噪声，提出了一种改进的小波阈值与基于积分图像的非局部均值滤波相结合的去噪算法。首先对激光主动成像图像进行噪声分析；然后通过对数变换将乘性噪声转换为加性噪声；而后将含噪图像进行两层小波分解，在第一层高频部分运用改进的小波阈值法，在第二层高频部分运用基于积分图像的非局部均值滤波算法进行去噪；最后进行相应的逆变换得到去噪图像。理论分析和实验结果证明，该算法能有效去除噪声，较好地保证了图像细节，并且满足激光主动成像制导对图像去噪实时性的要求。

针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

THz共焦扫描成像中，由于太赫兹激光器不可能恒定输出和采集信号微弱等原因，导致成像质量有待提高；数字图像复原方法是一种节约系统成本和空间的有效手段。文中提出了一种用于太赫兹共焦扫描图像复原的基于两步背景抑制、中值非局部均值(MNLM)滤波和灰度变换的复合方法，并将此方法用于真实太赫兹图像，与中值滤波、开运算和非局部均值滤波相比较。真实图像处理结果表明，此方法具有较好的复原效果，尤其是图像对比度有明显提高。

图像超分辨率重建技术在提升图像质量，改善图像视觉效果等方面有着重要意义。为了充分利用图像自身蕴含的信息，本文提出一种基于自相似性和稀疏表示的单幅图像超分辨率重建算法。针对图像中存在的相同尺度和不同尺度的相似结构，算法联合稀疏K-SVD 字典学习方法和非局部均值方法将蕴含在其中的有效信息以正则项的形式加入到最大后验概率估计框架中，然后，采用梯度下降法求解算法构建的目标函数，重建出高分辨率图像。实验表明，与经典的算法相比，本文算法在视觉效果和评价指标上都有一定的提高。

为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声, 提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同, 采用SUSAN算子检测出大量的特征点, 特征点主要是脉冲噪声点, 也可能含有小部分角点.将特征点进行排序, 出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值, 以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像, 采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明: 与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比, 本文方法主观视觉效果更好, 能够更好地保留图像中的边缘细节, 客观评价指标峰值信噪比有较大的提高, 滤除混合噪声的优势明显.