CN101739671B - 一种含噪图像的降噪处理方法及系统 - Google Patents
一种含噪图像的降噪处理方法及系统 Download PDFInfo
- Publication number
- CN101739671B CN101739671B CN2009102388311A CN200910238831A CN101739671B CN 101739671 B CN101739671 B CN 101739671B CN 2009102388311 A CN2009102388311 A CN 2009102388311A CN 200910238831 A CN200910238831 A CN 200910238831A CN 101739671 B CN101739671 B CN 101739671B
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- image
- conversion
- low
- reduction process
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种含噪图像的降噪处理方法,包括:将含噪图像分成低频图像层和高频图像层;分别对所述低频图像层和所述高频图像层进行降噪处理;将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像。本发明还公开了一种含噪图像的降噪处理系统。本发明可针对低频图像层和高频图像层的特点分别采用合适的降噪方法进行降噪处理,对包含不同类型噪声或者噪声类型未知的复杂图像具有很好的降噪效果,在有效去除图像噪声的同时,很好地保留图像的细节和边缘信息,提高了图像质量,可广泛应用在军事、医学等领域涉及图像识别、目标检测、安全监控的系统中。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种含噪图像的降噪处理方法及系统。
背景技术
图像在采集、转换和传输过程中,易受到成像设备与外部环境噪声干扰等影响而质量下降,因此图像降噪是图像工程中一个基础和必要的预处理步骤,是图像感知、分类与识别的关键技术之一。
目前,图像降噪方法主要分为空域滤波、变换域滤波以及变换域统计建模分析三大类。传统的大部分滤波方法属于前者,如均值滤波、中值滤波等,实际上采用各种平滑函数对图像进行卷积处理,便于硬件实现,削弱噪声的同时对图像有用信息也进行了平滑。在变换域滤波方法中,以Donoho和Johnstone提出的基于小波变换的收缩阈值降噪方法最具代表性,但是变换域收缩阈值容易产生失真,称之为伪吉布斯现象。变换域统计建模分析方法对变换域系数进行统计建模,取得较好的降噪效果,但是需要较多的先验信息,建立适合的模型进行训练,而且计算复杂度很高。
现有技术亟待改进。
发明内容
本发明要解决的主要技术问题是,提供一种可提高图像质量的含噪图像的降噪处理方法及系统。
为解决上述技术问题,本发明提供一种含噪图像的降噪处理方法,包括:
分层步骤:将含噪图像分成低频图像层和高频图像层;
降噪步骤:分别对所述低频图像层和所述高频图像层进行降噪处理;
图像重构步骤:将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像。
所述分层步骤具体包括:将含噪图像通过第一变换分成第一低频部分和第一高频部分;将所述第一低频部分和同阶全零矩阵通过所述第一变换的逆变换重构得低频图像层,将所述第一高频部分和同阶全零矩阵通过所述第一变换的逆变换重构得高频图像层。
所述图像重构步骤具体包括:将降噪处理后的低频图像层通过第二变换得到第二低频部分,将降噪处理后的高频图像层通过第二变换得到第二高频部分,并将所述第二低频部分和所述第二高频部分进行所述第二变换的逆变换重构得到降噪后的图像。
所述第一变换为多尺度几何变换,所述多尺度几何变换为非下采样拉普拉斯塔变换、小波变换、Contourlet变换和曲线波变换中的任意一种。
所述第二变换为多尺度几何变换,所述多尺度几何变换为非下采样拉普拉斯塔变换、小波变换、Contourlet变换和曲线波变换中的任意一种。
所述降噪步骤中对所述低频图像层进行降噪处理,具体包括对所述低频图像层进行小波变换后,采用小波收缩阈值方法进行降噪处理,再进行小波变换的逆变换。
所述降噪步骤中对所述高频图像层进行降噪处理,具体包括对所述高频图像层进行Contourlet变换后,采用隐马尔可夫树模型进行降噪处理,再进行Contourlet变换的逆变换。
一种含噪图像的降噪处理系统,包括:图像分层模块、降噪模块和图像重构模块,所述降噪模块包括第一降噪模块和第二降噪模块;所述图像分层模块用于将含噪图像分成低频图像层和高频图像层;所述第一降噪模块用于对所述低频图像层进行降噪处理;所述第二降噪模块用于对所述高频图像层进行降噪处理;所述图像重构模块用于将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像。
所述图像分层模块还用于将含噪图像通过第一变换分成第一低频部分和第一高频部分,将所述第一低频部分和同阶全零矩阵通过所述第一变换的逆变换重构得低频图像层,将所述第一高频部分和同阶全零矩阵通过所述第一变换的逆变换重构得高频图像层。
所述图像重构模块还用于将降噪处理后的低频图像层通过第二变换得到第二低频部分,将降噪处理后的高频图像层通过第二变换得到第二高频部分,并将所述第二低频部分和所述第二高频部分进行所述第二变换的逆变换重构得到降噪后的图像。
所述第一降噪模块用于对所述低频图像层进行小波变换后,采用小波收缩阈值方法进行降噪处理,再进行小波变换的逆变换。
所述第二降噪模块用于对所述高频图像层进行Contourlet变换后,采用隐马尔可夫树模型进行降噪处理,再进行Contourlet变换的逆变换。
本发明的有益效果是:本发明中,将含噪图像分成低频图像层和高频图像层,分别对低频图像层和高频图像层进行降噪处理得到降噪处理后的低频图像层和高频图像层;将降噪处理后的低频图像层和高频图像层重构得到降噪处理后的图像。本发明可针对低频图像层和高频图像层的特点分别采用合适的降噪方法进行降噪处理,对包含不同类型噪声或者噪声类型未知的复杂图像具有很好的降噪效果,在有效去除图像噪声的同时,很好地保留图像的细节和边缘信息,提高了图像质量,可广泛应用在军事、医学等领域涉及图像识别、目标检测、安全监控的系统中。
附图说明
图1为本发明系统中一种具体实施方式的结构示意图;
图2为本发明系统中一种具体实施方式的具体结构示意图;
图3为本发明方法中一种具体实施方式的流程图;
图4为本发明方法中一种具体实施方式的具体流程图;
图5为Mandrill图及其去噪后的结果图,其中噪声方差为50;
图6为Lena图及其去噪后的结果图,其中噪声方差为40。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明的含噪图像的降噪处理系统,其一种实施方式,如图1、图2所示,图像分层模块、降噪模块和图像重构模块,降噪模块包括第一降噪模块和第二降噪模块;图像分层模块用于将含噪图像分成低频图像层和高频图像层;第一降噪模块用于对低频图像层进行降噪处理;第二降噪模块用于对高频图像层进行降噪处理;图像重构模块用于将降噪处理后的低频图像层和降噪处理后的高频图像层重构得到降噪处理后的图像。
在一种实施方式中,图像分层模块还用于将含噪图像通过第一变换分成第一低频部分和第一高频部分,将第一低频部分和同阶全零矩阵通过第一变换的逆变换重构得低频图像层,将第一高频部分和同阶全零矩阵通过所述第一变换的逆变换重构得高频图像层。在一种具体的实施方式中,第一变换采用多尺度几何变换。多尺度几何变换可以包括非下采样拉普拉斯塔变换、小波变换、Contourlet(Contourlet,轮廓波)变换、曲线波变换。
在一种实施方式中,图像重构模块还用于将降噪处理后的低频图像层通过第二变换得到第二低频部分,将降噪处理后的高频图像层通过第二变换得到第二高频部分,并将第二低频部分和所述第二高频部分进行第二变换的逆变换重构得到降噪后的图像。在一种具体的实施方式中,第二变换采用多尺度几何变换。多尺度几何变换可以包括非下采样拉普拉斯塔变换、小波变换、Contourlet变换、曲线波变换。
在一种实施方式中,多尺度几何变换采用非下采样拉普拉斯塔变换。
第一降噪模块用于对低频图像层进行小波变换后,采用小波收缩阈值方法进行降噪处理,再进行小波变换的逆变换。
第二降噪模块用于对高频图像层进行Contourlet变换后,采用隐马尔可夫树模型进行降噪处理,再进行Contourlet变换的逆变换。
本发明的含噪图像的降噪处理方法,其一种实施方式,如图3所示,包括:
步骤302:将含噪图像分成低频图像层和高频图像层;
步骤304:分别对所述低频图像层和所述高频图像层进行降噪处理;
步骤306:将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像。
下面具体说明本发明的含噪图像的降噪处理方法,其一种具体实施方式,如图3所示,具体包括:
假设含噪图像为
I=f+n
其中f为原始图像,n为独立同分布的高斯白噪声信号N(0,σ2)。
步骤402:将含噪理图像进行第一变换,即多尺度几何变换,在本实施方式中,具体可采用非下采样拉普拉斯塔变换分解,将图像分成第一低频部分ILL和第一高频部分ILH;
步骤404:将第一低频部分ILL和同阶全零矩阵用步骤402中的多尺度几何变换的逆变换重构得到低频图像层IL,在本实施方式中,具体采用非下采样拉普拉斯塔逆变换重构得到低频图像层IL;
步骤406:对低频图像层IL进行小波变换(Wavelet Transform)分解;
步骤408:采用小波收缩阈值方法(Soft-thresholding)进行降噪处理;在本具体实施方式中,对低频图像层采用小波收缩阈值方法进行降噪处理。对低频图像层进行降噪处理还可采用均值滤波、中值滤波、维纳滤波等各种滤波方法或者曲线波收缩阈值法、方向波收缩阈值法等其他变换域收缩阈值法。
步骤410:进行小波变换的逆变换,重构得到降噪后的低频图像层I′L;
W=TW(IL)
步骤412:对降噪后的低频图像层I′L进行第二变换,即多尺度几何变换,在本实施方式中,具体可采用非下采样拉普拉斯塔变换,得到第二低频部分IL′L和低频图像层的高频部分;其中第二低频部分IL′L为低频图像层的低频部分;
步骤414:将第一高频部分ILH和同阶全零矩阵用步骤402中的多尺度几何变换的逆变换重构得到高频图像层IH,在本实施方式中,具体采用非下采样拉普拉斯塔逆变换重构得到高频图像层IH;
步骤416:对高频图像层IH进行Contourlet变换分解;
步骤418:捕捉Contourlet系数的尺度间、方向间以及邻域的相关性建立二状态隐马尔科夫树模型,利用Contourlet域隐马尔可夫树模型进行噪声抑制处理,在本具体实施方式中,对高频图像层采用Contourlet域隐马尔可夫树模型进行噪声抑制处理;对高频图像层进行降噪处理还可采用小波隐马尔科夫树模型以及复小波邻域隐马尔科夫树模型等方法;
步骤420:进行Contourlet逆变换,重构得到降噪后的高频图像层I′H;
步骤422:对降噪后的高频图像层I′H进行第二变换,即多尺度几何变换,在本实施方式中,具体可采用非下采样拉普拉斯塔变换得到降噪图像的第二高频部分IL′H和高频图像层的低频部分;其中第二高频部分IL′H为高频图像层的高频部分;
步骤424:对第二低频部分IL′L和第二高频部分IL′H采用步骤412和步骤422中的多尺度几何变换的逆变换,重构得到最终降噪后的图像I′。在本实施方式中,具体采用非下采样拉普拉斯塔逆变换重构得到最终降噪后的图像I′。
表1为不同噪声水平下降噪结果的评价指标比较,给出了本发明图像分层降噪处理方法降噪结果(PSNR值)的客观评价指标,其中WT-ST为小波变换软阈值降噪方法,CT-ST为Contourlet变换软阈值降噪方法,CDHMT为Contourlet域隐马尔可夫树模型降噪方法,WT-CDHMT为本发明方法。
表1
本发明中,采用非下采样拉普拉斯塔变换对含噪图像进行变换,可将待处理图像完全无损地分成低频部分和高频部分,使图像在处理过程在不失真。
本发明中,针对低频图像层的平滑特征利用小波阈值的方法降噪得到低频降噪图像层,充分利用小波对含点状奇异的目标函数而言是最优的基的特性,可有效去除低频图像层中的噪声干扰。
本发明中,针对高频图像层的纹理丰富的特征利用对细节纹理区域图像具有降噪优势的基于Contourlet变换的隐马尔科夫树模型降噪得到高频降噪图像层;充分利用数据本身所特有的几何特征,是最优的或者说“最稀疏”的函数表示方法,有效表示二维或更高维奇异性,能准确地将图像中的边缘捕获到不同尺度、不同频率、不同方向的子带中的奇异性,从而能有效地处理图像中的线奇异性。
总之,无论是从人眼的主观视觉效果还是在客观指标PSNR(Peak-Signal-to-Noise-Rate,峰值信噪比)方面,本发明都取得很好的降噪效果,有效地降低图像中的噪声信号,同时保留了图像的纹理边缘等细节信息,提高了图像质量。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种含噪图像的降噪处理方法,其特征在于,包括:
分层步骤:将含噪图像分成低频图像层和高频图像层;
降噪步骤:分别对所述低频图像层和所述高频图像层进行降噪处理;
图像重构步骤:将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像;
所述图像重构步骤具体包括:
将降噪处理后的低频图像层通过第二变换得到第二低频部分,将降噪处理后的高频图像层通过第二变换得到第二高频部分,并将所述第二低频部分和所述第二高频部分进行所述第二变换的逆变换重构得到降噪后的图像。
2.如权利要求1所述的含噪图像的降噪处理方法,其特征在于,所述分层步骤具体包括:
将含噪图像通过第一变换分成第一低频部分和第一高频部分;
将所述第一低频部分和同阶全零矩阵通过所述第一变换的逆变换重构得低频图像层,将所述第一高频部分和同阶全零矩阵通过所述第一变换的逆变换重构得高频图像层。
3.如权利要求2所述的含噪图像的降噪处理方法,其特征在于,所述第一变换为多尺度几何变换,所述多尺度几何变换为非下采样拉普拉斯塔变换、小波变换、Contourlet变换和曲线波变换中的任意一种。
4.如权利要求1所述的含噪图像的降噪处理方法,其特征在于,所述第二变换为多尺度几何变换,所述多尺度几何变换为非下采样拉普拉斯塔变换、小波变换、Contourlet变换和曲线波变换中的任意一种。
5.如权利要求1所述的含噪图像的降噪处理方法,其特征在于,所述降噪步骤中对所述低频图像层进行降噪处理,具体包括对所述低频图像层进行小波变换后,采用小波收缩阈值方法进行降噪处理,再进行小波变换的逆变换。
6.如权利要求1所述的含噪图像的降噪处理方法,其特征在于,所述降噪步骤中对所述对高频图像层进行降噪处理,具体包括对所述高频图像层进行Contourlet变换后,采用隐马尔可夫树模型进行降噪处理,再进行Contour let变换的逆变换。
7.一种含噪图像的降噪处理系统,其特征在于,包括:图像分层模块、降噪模块和图像重构模块,所述降噪模块包括第一降噪模块和第二降噪模块;
所述图像分层模块用于将含噪图像分成低频图像层和高频图像层;
所述第一降噪模块用于对所述低频图像层进行降噪处理;所述第二降噪模块用于对所述高频图像层进行降噪处理;
所述图像重构模块用于将所述降噪处理后的低频图像层和所述降噪处理后的高频图像层重构得到降噪处理后的图像;
所述图像重构模块还用于将降噪处理后的低频图像层通过第二变换得到第二低频部分,将降噪处理后的高频图像层通过第二变换得到第二高频部分,并将所述第二低频部分和所述第二高频部分进行所述第二变换的逆变换重构得到降噪后的图像。
8.如权利要求7所述的含噪图像的降噪处理系统,其特征在于,所述图像分层模块还用于将含噪图像通过第一变换分成第一低频部分和第一高频部分,将所述第一低频部分和同阶全零矩阵通过所述第一变换的逆变换重构得低频图像层,将所述第一高频部分和同阶全零矩阵通过所述第一变换的逆变换重构得高频图像层。
9.如权利要求7所述的含噪图像的降噪处理系统,其特征在于,所述第一降噪模块用于对所述低频图像层进行小波变换后,采用小波收缩阈值方法进行降噪处理,再进行小波变换的逆变换。
10.如权利要求7所述的含噪图像的降噪处理系统,其特征在于,所述第二降噪模块用于对所述高频图像层进行Contour let变换后,采用隐马尔可夫树模型进行降噪处理,再进行Contourlet变换的逆变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102388311A CN101739671B (zh) | 2009-12-30 | 2009-12-30 | 一种含噪图像的降噪处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102388311A CN101739671B (zh) | 2009-12-30 | 2009-12-30 | 一种含噪图像的降噪处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101739671A CN101739671A (zh) | 2010-06-16 |
CN101739671B true CN101739671B (zh) | 2012-11-28 |
Family
ID=42463123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102388311A Active CN101739671B (zh) | 2009-12-30 | 2009-12-30 | 一种含噪图像的降噪处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101739671B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782406A (zh) * | 2019-10-15 | 2020-02-11 | 深圳大学 | 一种基于信息蒸馏网络的图像去噪方法及装置 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779328A (zh) * | 2011-05-12 | 2012-11-14 | 中兴通讯股份有限公司 | 一种图像降噪方法及系统 |
CN102289793B (zh) * | 2011-07-19 | 2013-05-01 | 天津理工大学 | 一种面向游牧服务的多尺度图像处理方法 |
CN102509269B (zh) * | 2011-11-10 | 2014-04-02 | 重庆工业职业技术学院 | 一种结合曲线波的基于图像子块相似性的图像去噪方法 |
CN104680485B (zh) * | 2013-11-27 | 2018-04-27 | 展讯通信(上海)有限公司 | 一种基于多分辨率的图像去噪方法及装置 |
CN104683660A (zh) * | 2015-01-29 | 2015-06-03 | 乐视网信息技术(北京)股份有限公司 | 一种视频去噪方法及装置 |
RU2705014C1 (ru) | 2015-12-31 | 2019-11-01 | Шанхай Юнайтид Имиджинг Хелскеа Ко., Лтд. | Способы и системы для обработки изображений |
CN106127712B (zh) * | 2016-07-01 | 2020-03-31 | 上海联影医疗科技有限公司 | 图像增强方法及装置 |
CN106910166B (zh) * | 2016-08-31 | 2020-06-26 | 湖南拓视觉信息技术有限公司 | 一种图像处理方法和装置 |
CN107248966B (zh) * | 2017-06-08 | 2020-02-28 | 黑龙江大学 | 单节点动态接收传感器噪声分析系统及分析方法 |
CN108171664A (zh) * | 2017-12-27 | 2018-06-15 | 努比亚技术有限公司 | 一种图像优化方法、终端及计算机可读存储介质 |
US10915990B2 (en) * | 2018-10-18 | 2021-02-09 | General Electric Company | Systems and methods for denoising medical images with deep learning network |
CN109242804A (zh) * | 2018-10-19 | 2019-01-18 | 华南理工大学 | 一种基于水平集曲率及小波变换的图像去噪方法 |
CN109635776A (zh) * | 2018-12-23 | 2019-04-16 | 广东腾晟信息科技有限公司 | 通过程序识别人体动作的方法 |
CN110033417B (zh) * | 2019-04-12 | 2023-06-13 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110060217A (zh) * | 2019-04-22 | 2019-07-26 | 杨勇 | 一种有效降低噪点的图像处理方法 |
CN111192212B (zh) * | 2019-12-25 | 2022-05-17 | 北京东宇宏达科技有限公司 | 一种自适应红外数字图像细节增强方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404084A (zh) * | 2008-11-14 | 2009-04-08 | 哈尔滨工业大学 | 基于Wavelet和Curvelet变换的红外图像背景抑制方法 |
-
2009
- 2009-12-30 CN CN2009102388311A patent/CN101739671B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404084A (zh) * | 2008-11-14 | 2009-04-08 | 哈尔滨工业大学 | 基于Wavelet和Curvelet变换的红外图像背景抑制方法 |
Non-Patent Citations (7)
Title |
---|
.一种基于小波变换的图像去噪算法与实现.《电脑知识与技术》.2008,第3卷(第8期),第1768页. |
乔闹生.一种混合噪声图像去噪方法.《计算机工程与应用》.2009,第45卷(第29期),第144-145页. * |
曾山佰 |
李洪均 等.基于Contourlet域HMT模型的红外图像去噪算法.《红外技术》.2007,第29卷(第6期), * |
蒋晓玲 |
蒋晓玲;高尚兵;曾山佰;.一种基于小波变换的图像去噪算法与实现.《电脑知识与技术》.2008,第3卷(第8期),第1768页. * |
高尚兵 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782406A (zh) * | 2019-10-15 | 2020-02-11 | 深圳大学 | 一种基于信息蒸馏网络的图像去噪方法及装置 |
CN110782406B (zh) * | 2019-10-15 | 2022-10-11 | 深圳大学 | 一种基于信息蒸馏网络的图像去噪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101739671A (zh) | 2010-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101739671B (zh) | 一种含噪图像的降噪处理方法及系统 | |
CN101482617B (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN103093441B (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
CN104657948B (zh) | 一种用于海洋探测的激光水下成像图像去噪和增强方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN103854264A (zh) | 一种基于改进型阈值函数的小波变换图像去噪方法 | |
CN101477679A (zh) | 基于轮廓波Contourlet变换的图像去噪方法 | |
CN102509269A (zh) | 一种结合曲线波的基于图像子块相似性的图像去噪方法 | |
CN102663695A (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN101719267B (zh) | 一种带噪图像降噪处理方法和系统 | |
CN101980286A (zh) | 结合双树复小波与双变量模型的sar图像降斑方法 | |
CN101566688B (zh) | 基于邻域方向性信息的sar图像降斑方法 | |
CN101887580A (zh) | 非下采样轮廓波变换域的图像降噪方法 | |
CN109035156A (zh) | 基于dnst的医学ct图像去噪方法 | |
CN103955894A (zh) | 一种量子启发的医学超声图像去斑方法 | |
CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
CN104240201A (zh) | 基于群-轮廓小波变换断口图像去噪和增强方法 | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
Liu et al. | The Translation Invariant Wavelet-based Contourlet Transform for Image Denoising. | |
CN104182944A (zh) | 基于曲波与小波变换相串联的光学图像去噪方法 | |
CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
Sadreazami et al. | Ultrasound image despeckling in the contourlet domain using the Cauchy prior | |
CN102622731B (zh) | 基于二维Otsu的轮廓波域维纳滤波图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |