前言
非局部模型因其全局信息积累而成为图像处理中非常有用的工具。众所周知，在采用一些图像处理算法时，以图像中某一固定像素为中心的面片是动态变化的，而在经典的非局部模型中，权重被设置为常数。
例如，在非局部导向滤波方法中，非局部权值需要根据其他参数和导向进行微调。为了解决这个问题，我们利用模糊集理论改进了非局部模型。这样，全局信息在迭代优化中以模糊权重累积。
本文提出了一种模糊非局部图像制导滤波和平均方法(FNLGFF和FNLGAF ),利用制导图像的模糊加权非局部相似性，在许多图像处理任务中表现出良好的性能。该模糊模型通过在每次迭代中更新非局部信息来处理图像噪声，从而显示出更可靠的加权滤波和平均图像结果。
在此过程中，它还抑制引导图像的低相似度值，并提升高相似度值。包括图像去噪和图像去雾在内的几个图像处理任务的实验结果验证了我们的模糊非局部图像引导方法的优越性。
边缘滤波
随着图像处理和现代计算机视觉技术的发展，图像滤波发挥着越来越重要的作用。它有许多应用，如图像去噪，图像增强，图像识别等。它可以用于平滑图像和去除噪声，而不会丢失细节。但是这种边缘保持平滑滤波器仍然是当前图像处理研究中的一大挑战。
一些边缘保持滤波器，如双边滤波器(BF) 和图像引导滤波器(GF)，图像去噪使用非局部模糊手段，已被提出来平滑，增强或去雾的图像。由于双边滤波在接近边缘时会产生一些不必要的伪影，所以我们更加关注图像引导滤波的研究。
由于来自引导图像的重要信息，图像处理应用程序可以为不同的目的使用不同的引导。例如，图像引导滤波器将待处理的图像本身作为引导图像进行图像增强和去噪，但是需要以另一幅图像为指导来对一幅图像进行去雾。
从非局部模型导出的非局部图像引导滤波器已被提议作为引导滤波器的增强。与经典的图像引导滤波器相比，非局部图像引导滤波器在保持非局部引导信息传播的细节方面表现出更好的性能。
非局部权重
虽然非局部导向滤波器在传播非局部信息方面表现良好，但在图像平滑过程中仍然存在细节保留问题。非局部模型的最终结果，例如非局部图像恢复，总是具有非局部权重的非局部窗口中所有数据的总和。所以非局部权重非常重要。
在非局部均值方法中，权重较高的像素更类似于图像中的中心像素。
在非局部图像引导滤波器中，具有高权重的引导补片比非局部窗口中的其他补片更重要，以获得更好的最终图像。本文提出了一种利用模糊理论来寻找合适权重的策略。
模糊理论
这里基于模糊理论的概念，对GF中现有的非局部模型进行了改进。应用模糊理论应用中常用的聚类方法模糊c均值。在某些研究领域比K-means具有更好的性能。
非局部模糊方法是通过把非局部权重看作一个模糊集，用模糊集改进的。受这种模糊非局部方法启发，我们提出了一种模糊非局部图像引导滤波器。
这样，通过将非局部权重作为一个模糊集，将模糊理论引入到引导滤波方法中。
