CN102819832A - 基于超复数小波幅值软阈值的斑点噪声抑制方法 - Google Patents

基于超复数小波幅值软阈值的斑点噪声抑制方法 Download PDF

Info

Publication number
CN102819832A
CN102819832A CN2012103000377A CN201210300037A CN102819832A CN 102819832 A CN102819832 A CN 102819832A CN 2012103000377 A CN2012103000377 A CN 2012103000377A CN 201210300037 A CN201210300037 A CN 201210300037A CN 102819832 A CN102819832 A CN 102819832A
Authority
CN
China
Prior art keywords
supercomplex
wavelet
coefficient
threshold
amplitude
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.)
Pending
Application number
CN2012103000377A
Other languages
English (en)
Inventor
刘义鹏
金晶
王强
沈毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN2012103000377A priority Critical patent/CN102819832A/zh
Publication of CN102819832A publication Critical patent/CN102819832A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

基于超复数小波幅值软阈值的斑点噪声抑制方法，涉及一种图像处理领域的图像去噪方法。为了克服现有小波阈值无法达到最优效果的不足，本发明包括如下步骤：一、对噪声图像进行HWT，得到超复数小波系数；二、将实部-虚部表示的超复数小波系数转换为幅值-相位表示形式；三、估计超复数小波的幅值系数的噪声阈值；四、对超复数小波的幅值系数，按照噪声阈值进行软阈值处理；五、对处理后的超复数小波的幅值系数和没有处理的相位系数联合起来，进行超复数小波逆变换，得到图像去噪后的结果。本方法能发挥超复数小波相位纹理表示的能力，从而选取噪声抑制的近似最有阈值，并且保留图像的纹理结构信息，得到理想的图像去噪结果。

Description

基于超复数小波幅值软阈值的斑点噪声抑制方法
技术领域
本发明涉及一种图像处理领域的图像去噪方法，具体涉及一种基于超复数小波幅值建模和软阈值的图像斑点噪声抑制方法。
背景技术
斑点噪声是有别于加性高斯噪声的乘性噪声，在超声及雷达成像中广泛存在。超声相对于MRI和CT来说，是一种价格相对低廉的成像模式，其具有便携性，并且能够实时获取图像，但超声受限于声波的衰减和穿透力，成像分辨率和对比度较低。为进一步分析，需要对超声图像进行预处理，包括斑点噪声抑制和图像增强。
斑点噪声是由一定数量具有随机相位的散射体引起的，散射体的大小要小于超声波束的分辨率。斑点的存在降低了图像的视觉效果，并且影响专家对于病灶的诊断。这样，斑点噪声抑制是超声图像处理、分析领域非常重要的问题。由于斑点噪声和图像本身是混合在一起的，不是简单的加性关系，对噪声的抑制是很困难的任务。
现有抑制斑点噪声的方法，大致分为以下3类：(1)滤波技术；(2)多分辨率方法；(3)混合方法。用于斑点噪声抑制的经典滤波算法包括Kuan、Lee滤波器，以及它们的变种。它们的性能不错，但是，不能保存原始图像的边缘，存在去噪图像过平滑的问题。这些空间域滤波器的性能和窗口大小和方向的选择密切相关，这样，就很难对不同的图像在处理过程中都具有自适应性。基于小波变换的方法是最近的趋势，小波多分辨率分析具有在不同尺度上对图像特征检测的潜力。阈值技术的关键是选取合适的阈值，以及利用设定的阈值如何处理小波系数。目前，常用的有硬阈值和软阈值两种阈值处理函数。
超复数小波变换（Hypercomplex Wavelet Transform，HWT），作为一种新的图像分析工具，相比于离散小波变换，具有优越的性质，比如系数近似移不变，相位系数提供了更丰富的图像纹理信息等。1999年，Bülow在他的博士论文中第一次构建了二维解析信号，将超复数傅里叶变换的概念延伸到超复数Gabor变换，是HWT的前身，并将其用于差异估计和纹理分割。Chan W.等人在2008年使用二维希尔伯特变换（Hilbert Transform，HT）和解析信号的概念将双树复小波的概念延伸到超复数域，并应用到差异估计。HWT提供了四元数表示的子带，它的系数可以通过代数运算转换为一个幅值和三个相位的形式——其幅值具有近似移不变特性，三个二维相位包含了描述局部二维结构的几何信息。
因为HWT相位系数的纹理表示能力以及受到噪声很小的干扰，所以采用对超复数小波幅值系数建模后的软阈值处理为斑点噪声的抑制提供了一种新的途径。
发明内容
本发明的目的在于克服现有小波阈值无法达到最优效果的不足，提供一种基于超复数小波变换幅值建模的软阈值斑点噪声抑制方法。它能发挥超复数小波相位纹理表示的能力，从而选取噪声抑制的近似最有阈值，并且保留图像的纹理结构信息，得到理想的图像去噪结果。
本发明的目的是通过以下技术方案实现的：
对噪声图像进行HWT，通过幅值建模后的超复数小波系数，估计出噪声方差进而推导出用于噪声阈值，用于去除斑点噪声。如图1所示，具体步骤如下：
步骤一：对噪声图像进行HWT，得到超复数小波系数。本步骤将图像进行高维的多分辨率分解，能够挖掘图像的内在几何结构，可以有效的抑制噪声，保留图像边缘。
超复数解析信号由信号本身                                               和其部分HT（
Figure 2012103000377100002DEST_PATH_IMAGE004
，
Figure 2012103000377100002DEST_PATH_IMAGE006
）和完全HT（）构成，
Figure 2012103000377100002DEST_PATH_IMAGE010
     （1）；
其中，
Figure 2012103000377100002DEST_PATH_IMAGE012
，
Figure 2012103000377100002DEST_PATH_IMAGE014
，
Figure 2012103000377100002DEST_PATH_IMAGE016
是超复数的三个虚部，即超复数解析信号的构造结果。
二维HT等价于对矩阵的行和列分别做一维的HT。对于二维可分小波，
Figure 2012103000377100002DEST_PATH_IMAGE020
，考虑到小波函数的一维HT对
Figure 2012103000377100002DEST_PATH_IMAGE022
和尺度方程
Figure 2012103000377100002DEST_PATH_IMAGE024
，二维HWT可以记作可分小波乘积的形式：
Figure DEST_PATH_IMAGE026
      （2）；
    （3）；
Figure DEST_PATH_IMAGE030
     （4）；
Figure DEST_PATH_IMAGE032
    （5）；
通过对图像和公式（2）-（5）进行卷积，就可以得到噪声图像的HWT系数。其中，为二维小波滤波器，
Figure DEST_PATH_IMAGE036
为超复数小波低频系数，
Figure DEST_PATH_IMAGE038
为超复数小波水平分量系数，
Figure DEST_PATH_IMAGE040
为超复数小波垂直分量系数，
Figure DEST_PATH_IMAGE042
为超复数小波对角分量系数。
步骤二：将实部-虚部表示的超复数小波系数转换为幅值-相位表示形式，相位可以表示出图像的纹理信息，这样在处理幅值系数时，受到噪声较小影响的图像纹理信息可以得到充分的保留。
由超复数小波与图像卷积得到的超复数小波系数可以表示为：
                  
Figure DEST_PATH_IMAGE044
                           （6）；
即实部-虚部的表示方式，其中，为超复数代数符号，
Figure DEST_PATH_IMAGE048
为超复数实部系数，
Figure DEST_PATH_IMAGE050
为超复数虚部i分量系数，
Figure DEST_PATH_IMAGE052
为超复数虚部j分量系数，
Figure DEST_PATH_IMAGE054
为超复数虚部k分量系数，，为三个虚部。
根据超复数代数的计算规则，公式（6）可以转换为如下形式：
Figure DEST_PATH_IMAGE060
                          （7）；
其中：
Figure DEST_PATH_IMAGE062
                       （8）；
Figure DEST_PATH_IMAGE064
， 
Figure DEST_PATH_IMAGE066
为超复数的幅值，为超复数的相位，
Figure DEST_PATH_IMAGE070
  为指数符号。三个相位角
Figure DEST_PATH_IMAGE068A
的计算步骤如下：
1）首先将超复数
Figure DEST_PATH_IMAGE046A
归一化为单位超复数，即
Figure DEST_PATH_IMAGE072
。
2）计算
Figure DEST_PATH_IMAGE074
：
Figure DEST_PATH_IMAGE076
。
3）计算
Figure DEST_PATH_IMAGE078
和
Figure DEST_PATH_IMAGE080
：如果
Figure DEST_PATH_IMAGE082
，那么
Figure DEST_PATH_IMAGE084
；否则，或者
Figure DEST_PATH_IMAGE088
；
其中，
Figure 2012103000377100002DEST_PATH_IMAGE090
，，
Figure DEST_PATH_IMAGE094
。
4）如果
Figure DEST_PATH_IMAGE096
，需要调整
Figure DEST_PATH_IMAGE078A
：如果
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
；如果
Figure DEST_PATH_IMAGE102
，
Figure DEST_PATH_IMAGE104
。
步骤三：估计超复数小波的幅值系数的噪声阈值，即：对幅值系数进行瑞利分布建模，通过中值估计的思想可以得到近似最优的噪声阈值，有利于得到良好的去噪结果。瑞利分布的概率密度函数为：
                  
Figure DEST_PATH_IMAGE106
                          （9）；
其中，参数和
Figure DEST_PATH_IMAGE110
满足：
                 
Figure DEST_PATH_IMAGE112
                     （10）；
Figure DEST_PATH_IMAGE114
为概率密度函数，
Figure DEST_PATH_IMAGE116
为变量；
Figure DEST_PATH_IMAGE118
为瑞利分布的参数；
Figure DEST_PATH_IMAGE108A
为瑞利分布的均值；
Figure DEST_PATH_IMAGE110A
为瑞利分布的方差。
小波高频系数子带（subband 
Figure DEST_PATH_IMAGE120
）反映的是图像的特征和噪声，根据中值估计（Median Estimation）的思想，可以从超复数小波幅值系数里，推导出噪声分布的均值和方差，即
Figure DEST_PATH_IMAGE122
和，
Figure DEST_PATH_IMAGE122A
为瑞利分布均值的估计值；
Figure DEST_PATH_IMAGE124A
为瑞利分布方差的估计值。
            
Figure DEST_PATH_IMAGE126
  （11）；
根据方程（10）和（11），
      
Figure DEST_PATH_IMAGE128
（12）；
当变量
Figure DEST_PATH_IMAGE130
达到
Figure DEST_PATH_IMAGE132
倍的标准方差加上均值时，即
Figure DEST_PATH_IMAGE134
，
Figure DEST_PATH_IMAGE136
的概率
Figure DEST_PATH_IMAGE138
。当
Figure DEST_PATH_IMAGE140
，
Figure DEST_PATH_IMAGE142
。 也就是说，当噪声阈值
Figure DEST_PATH_IMAGE144
具有合适的放大系数，有很大的概率可以消除噪声。如果阈值过大，图像特征也会被抑制。设置
Figure DEST_PATH_IMAGE016A
为1.5，阈值取为：
Figure DEST_PATH_IMAGE148
         （13）；
步骤四：对超复数小波的幅值系数，按照噪声阈值进行软阈值处理。软阈值处理对大系数收缩，小系数扼杀，在阈值处函数连续，图像整体效果更加平滑，去噪图像视觉效果好，在最小最大均方误差意义上，是对原图像的一种渐近最优估计。
在设置噪声阈值后，需要采用软阈值函数
Figure DEST_PATH_IMAGE150
（
Figure DEST_PATH_IMAGE152
为有噪声的超复数小波系数，
Figure DEST_PATH_IMAGE154
为阈值）对含噪声图像的超复数小波幅值系数进行处理。
Figure DEST_PATH_IMAGE156
             （14）；
其中，
Figure DEST_PATH_IMAGE158
为去噪后的超复数小波幅值系数。
步骤五：对处理后的超复数小波的幅值系数和没有处理的相位系数联合起来，进行超复数小波逆变换，这样就可以得到图像去噪后的结果。联合软阈值处理后的去噪后的幅值系数和保留了图像纹理信息的相位系数，经过超复数小波逆变换后，图像去噪效果很好。
本方法能发挥超复数小波相位纹理表示的能力，从而选取噪声抑制的近似最有阈值，并且保留图像的纹理结构信息，得到理想的图像去噪结果。本发明与现有技术相比具有如下优点：
1）本发明所提出的图像斑点噪声去噪方法利用超复数小波变换，基于幅值系数建模并估计噪声阈值对超复数小波系数进行软阈值处理，与小波变换的软阈值方法相比，能够得到更好的去噪效果。
2）本发明引入超复数小波变换进行图像去噪，在超复数小波域中，本发明提出的幅值系数建模的思想估计噪声阈值，与其他阈值方法相比，更接近于最优阈值，能够使得图像噪声得到充分抑制，并保留图像的边缘纹理信息。
附图说明
图1为基于超复数小波幅值幅值软阈值的图像去噪方法流程图；
图2为含噪声图像；
图3为实部表示的超复数小波变换结果；
图4为虚部i表示的超复数小波变换结果；
图5为虚部j表示的超复数小波变换结果；
图6为虚部k表示的超复数小波变换结果；
图7为幅值表示的超复数小波幅值低频系数；
图8为幅值表示的超复数小波垂直分量系数；
图9为幅值表示的超复数小波水平分量系数；
图10为幅值表示的超复数小波对角分量系数；
图11为软阈值后幅值表示的超复数小波低频系数；
图12为软阈值后幅值表示的超复数小波水平分量系数；
图13为软阈值后幅值表示的超复数小波垂直分量系数；
图14为软阈值后幅值表示的超复数小波对角系数；
图15为斑点噪声抑制结果；
图16为超声图像；
图17为超声图像的去噪结果。
具体实施方式
下面通过标准测试图像仿真实例阐述本发明的具体实施方式：
执行步骤一：对含有斑点噪声的图像进行HWT，得到实部-虚部表示的超复数小波系数。
以图2为例，图像分辨率为256*256。其一层HWT后的结果见图3-6。
执行步骤二：将步骤一得到的图3-6显示的实部-虚部表示的超复数小波系数图像转换为幅值-相位表示形式，应用于系数建模的幅值分量见图7-10。
执行步骤三：估计超复数小波的幅值系数的噪声阈值。
因为超复数小波幅值-相位表示的相位分量，受到噪声较小的影响，所以只对幅值系数进行噪声阈值的估计就可以达到很好的去噪效果。图3-6的噪声阈值估计结果为22.9568。
执行步骤四：对超复数小波的幅值系数，按照噪声阈值进行软阈值处理。结果如图11-14所示。
执行步骤五：对处理后的超复数小波的幅值系数和没有处理的相位系数联合起来，进行超复数小波逆变换，就可以得到图像去噪后的结果。结果如图15所示。
图16-17为超声成像设备采集的肝脏图像及其用本发明算法的去噪结果。从图中可以看出，肝脏分叉内部的黑色区域噪声得到抑制，去噪后更加内部管腔更加通透，图像左侧背景区域像素值区域一致，白色反射体区域图像对比度提升。

Claims (4)

1.一种基于超复数小波幅值软阈值的斑点噪声抑制方法，其特征在于所述斑点噪声抑制方法包括如下步骤：
步骤一：对噪声图像进行HWT，得到超复数小波系数：                                                
Figure 159390DEST_PATH_IMAGE002
；
其中：
Figure 263481DEST_PATH_IMAGE004
为超复数代数符号，
Figure 980901DEST_PATH_IMAGE006
为超复数实部系数，
Figure 500744DEST_PATH_IMAGE008
为超复数虚部i分量系数，
Figure 315116DEST_PATH_IMAGE010
为超复数虚部j分量系数，
Figure 324530DEST_PATH_IMAGE012
为超复数虚部k分量系数，
Figure 529246DEST_PATH_IMAGE014
，
Figure 915097DEST_PATH_IMAGE016
为三个虚部；
步骤二：将实部-虚部表示的超复数小波系数转换为幅值-相位表示形式：
Figure 583975DEST_PATH_IMAGE018
；
其中：
Figure 515022DEST_PATH_IMAGE020
，， 
Figure 335526DEST_PATH_IMAGE024
为超复数的幅值，
Figure 796595DEST_PATH_IMAGE026
为超复数的相位，
Figure 413390DEST_PATH_IMAGE028
为指数符号；
步骤三：对超复数小波的幅值系数进行瑞利分布建模，通过中值估计的思想得到噪声阈值
Figure 655015DEST_PATH_IMAGE030
，其中：
Figure 54772DEST_PATH_IMAGE032
，
Figure 698243DEST_PATH_IMAGE034
，
Figure 971093DEST_PATH_IMAGE036
为瑞利分布均值的估计值；
Figure 886965DEST_PATH_IMAGE038
为瑞利分布方差的估计值；
步骤四：对超复数小波的幅值系数，按照噪声阈值进行软阈值处理，得到处理后的超复数小波幅值系数
Figure 965780DEST_PATH_IMAGE040
；其中，
Figure 401440DEST_PATH_IMAGE042
为有噪声的超复数小波系数，
Figure 360038DEST_PATH_IMAGE044
为阈值；
    步骤五：对处理后的超复数小波的幅值系数和没有处理的相位系数联合起来，进行超复数小波逆变换，得到图像去噪后的结果。
2.    根据权利要求1所述的基于超复数小波幅值软阈值的斑点噪声抑制方法，其特征在于所述步骤二中，相位角
Figure DEST_PATH_IMAGE045
的计算步骤如下：
1）首先将超复数
Figure 248359DEST_PATH_IMAGE004
归一化为单位超复数，即
Figure DEST_PATH_IMAGE047
；
2）计算
Figure DEST_PATH_IMAGE049
：；
3）计算
Figure DEST_PATH_IMAGE053
和
Figure DEST_PATH_IMAGE055
：如果
Figure DEST_PATH_IMAGE057
，那么
Figure DEST_PATH_IMAGE059
；否则，
Figure DEST_PATH_IMAGE061
或者
Figure DEST_PATH_IMAGE063
；
其中，，
Figure DEST_PATH_IMAGE067
，
Figure DEST_PATH_IMAGE069
；
4）如果
Figure DEST_PATH_IMAGE071
，需要调整
Figure 822210DEST_PATH_IMAGE053
：如果，
Figure DEST_PATH_IMAGE075
；如果
Figure DEST_PATH_IMAGE077
，。
3.根据权利要求1所述的基于超复数小波幅值软阈值的斑点噪声抑制方法，其特征在于所述步骤三中，和
Figure 179559DEST_PATH_IMAGE080
满足如下条件：
Figure 804444DEST_PATH_IMAGE082
；
Figure 162744DEST_PATH_IMAGE084
。
4.根据权利要求3所述的基于超复数小波幅值软阈值的斑点噪声抑制方法，其特征在于设置为1.5，阈值
Figure 935714DEST_PATH_IMAGE088
取为
Figure DEST_PATH_IMAGE090
。
CN2012103000377A 2012-08-22 2012-08-22 基于超复数小波幅值软阈值的斑点噪声抑制方法 Pending CN102819832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012103000377A CN102819832A (zh) 2012-08-22 2012-08-22 基于超复数小波幅值软阈值的斑点噪声抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012103000377A CN102819832A (zh) 2012-08-22 2012-08-22 基于超复数小波幅值软阈值的斑点噪声抑制方法

Publications (1)

Publication Number Publication Date
CN102819832A true CN102819832A (zh) 2012-12-12

Family

ID=47303936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012103000377A Pending CN102819832A (zh) 2012-08-22 2012-08-22 基于超复数小波幅值软阈值的斑点噪声抑制方法

Country Status (1)

Country Link
CN (1) CN102819832A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816599A (zh) * 2018-12-07 2019-05-28 西安电子科技大学 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN111122507A (zh) * 2019-11-06 2020-05-08 中国工程物理研究院激光聚变研究中心 一种基于离散小波变换的光学平板波前的降噪方法和装置
CN111325689A (zh) * 2020-02-04 2020-06-23 淮阴师范学院 基于复四元数小波的图像降噪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980286A (zh) * 2010-11-12 2011-02-23 西安电子科技大学 结合双树复小波与双变量模型的sar图像降斑方法
WO2012066568A1 (en) * 2010-11-15 2012-05-24 Indian Institute Of Technology An improved ultrasound imaging method/technique for speckle reduction/suppression in an improved ultra sound imaging system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980286A (zh) * 2010-11-12 2011-02-23 西安电子科技大学 结合双树复小波与双变量模型的sar图像降斑方法
WO2012066568A1 (en) * 2010-11-15 2012-05-24 Indian Institute Of Technology An improved ultrasound imaging method/technique for speckle reduction/suppression in an improved ultra sound imaging system

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JING JIN ET AL.: "Ultrasonic Speckle Reduction Based on Soft Thresholding in Quaternion Wavelet Domain", 《INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC), 2012 IEEE INTERNATIONAL》 *
PETER KOVESI: "Phase Preserving Denoising of Images", 《THE AUSTRALIAN PATTERN RECOGNITION SOC. CONF.》 *
WAI LAM CHAN ET AL.: "Coherent Multiscale Image Processing Using Dual-Tree Quaternion Wavelets", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816599A (zh) * 2018-12-07 2019-05-28 西安电子科技大学 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN109816599B (zh) * 2018-12-07 2020-12-29 西安电子科技大学 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN111122507A (zh) * 2019-11-06 2020-05-08 中国工程物理研究院激光聚变研究中心 一种基于离散小波变换的光学平板波前的降噪方法和装置
CN111325689A (zh) * 2020-02-04 2020-06-23 淮阴师范学院 基于复四元数小波的图像降噪方法

Similar Documents

Publication Publication Date Title
Yu et al. Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain
Guo et al. A novel approach to speckle reduction in ultrasound imaging
US9563939B2 (en) De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof
CN104103041B (zh) 超声图像混合噪声自适应抑制方法
CN101980286B (zh) 结合双树复小波与双变量模型的sar图像降斑方法
Gupta et al. Speckle filtering of ultrasound images using a modified non‐linear diffusion model in non‐subsampled shearlet domain
Guan et al. Anisotropic diffusion filtering for ultrasound speckle reduction
CN101901476A (zh) 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法
WO2015080006A1 (ja) 超音波診断装置
CN103927715A (zh) 一种超声图像斑点噪声抑制方法
CN102819832A (zh) 基于超复数小波幅值软阈值的斑点噪声抑制方法
Forouzanfar et al. A new multiscale Bayesian algorithm for speckle reduction in medical ultrasound images
Rajabi et al. Non-local adaptive hysteresis despeckling approach for medical ultrasound images
Li et al. SAR ship image speckle noise suppression algorithm based on adaptive bilateral filter
Yang et al. Speckle reduction and structure enhancement by multichannel median boosted anisotropic diffusion
Zhang et al. A reverberation noise suppression method of sonar image based on shearlet transform
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
CN102289800B (zh) 基于Treelet的Contourlet域图像去噪方法
Jin et al. Ultrasonic speckle reduction based on soft thresholding in quaternion wavelet domain
Garg et al. Speckle noise reduction in medical ultrasound images using coefficient of dispersion
Vishwa et al. Modified method for denoising the ultrasound images by wavelet thresholding
Hiremath et al. Removal of Gaussian noise in despeckling medical ultrasound images
CN104574308A (zh) 一种基于采样矩阵方向优化的sar图像去噪方法
Hverven et al. Point scatterer enhancement in ultrasound by wavelet coefficient shrinkage
Guo et al. An Image Denoising Algorithm based on Kuwahara Filter

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121212