CN103839234A - 一种基于可控核的双几何非局部均值图像去噪方法 - Google Patents
一种基于可控核的双几何非局部均值图像去噪方法 Download PDFInfo
- Publication number
- CN103839234A CN103839234A CN201410060377.6A CN201410060377A CN103839234A CN 103839234 A CN103839234 A CN 103839234A CN 201410060377 A CN201410060377 A CN 201410060377A CN 103839234 A CN103839234 A CN 103839234A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- matrix
- interior
- denoising
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于双几何的非局部均值图像去噪方法,其实现过程是:(1)输入含噪的自然图像;(2)在含噪图像中,分别计算以当前像素点i为中心的局部分析窗wi和搜索区域Si内的权重矩阵和(3)利用新的权重公式计算当前像素点i与其搜寻区域内所有像素点j的相似性,得到搜寻区域内所有像素点的权值;(4)根据计算出的搜寻区域内所有像素点的权值,对搜寻区域内所有像素点进行加权平均,得到当前像素点修正后的灰度值;(5)用修正后像素点的灰度值取代输入的含噪图像中像素点的灰度值,得到去噪后的图像。本发明的去噪效果比原始非局部方法更好,能够利用图像的几何结构信息,可以更好地在去除噪声的同时保持自然图像的边缘和纹理等细节,可用于对自然图像的去噪处理。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于可控核的双几何非局部均值图像去噪方法。
背景技术
由于成像设备和成像条件等因素的影响,数字图像在产生、存储和传输等过程中不可避免的受到各种噪声的干扰,一般来说,现实中的图像都是含有噪声的,降质图像不能真实反映景物,影响图像的视觉效果,甚至妨碍人们的正常识别。此外图像去噪是很多图像处理任务的预处理步骤,它的好坏直接关系到后续处理的效果,因此图像去噪在图像处理领域占据着举足轻重的地位,成为该领域最基本的技术之一。图像处理中绝大多数的噪声都可近似认为是均值为零,标准差不同的高斯白噪声,因此去除图像中的高斯白噪声成为图像去噪应用中一个重要的研究方向。
按照图像处理域的不同,图像去噪方法一般分为空间域滤波方法和变换域滤波方法。传统空域滤波法中比较经典的方法包括均值滤波、中值滤波、双边滤波等,这些方法的共同特点是利用局部窗口内像素灰度值的连续性对当前像素的灰度进行调整。它们的缺点是在去除噪声的同时,模糊了图像的边缘、纹理等细节信息。变换域滤波方法中比较成熟的是小波去噪,但是由于它缺少方向选择性,不适宜表示图像的边缘、轮廓等线状奇异性的结构特征,为此,多尺度几何分析方法应运而生,如Contourlet变换,Curvelet变换,Ridgelet变换等。
非局部均值去噪方法属于一种空间域滤波方法,它充分挖掘了图像的非局部相似性,它的实现是以当前像素点为中心取一定大小的窗口,在整幅图像内寻找与其相似的窗口,以窗口之间的相似性作为权值进行加权平均来获得去噪图像中每一个像素点的灰度值;但其实际处理图像块相似性计算不准确,在去除噪声的同时滤除的部分图像几何结构信息,图像去噪效果不高。
发明内容
本发明的目的在于克服非局部均值去噪方法中图像块相似性计算不准确的问题,提出一种基于可控核的双几何非局部均值图像去噪方法,以减少非局部均值去噪方法在去除噪声的同时滤除的部分图像几何结构信息,提高图像去噪效果。
为实现上述目的,本发明提供一种基于可控核的双几何非局部均值图像去噪方法,包括如下步骤:
(1)输入待去噪的含噪图像Y,其中Y=X+N,X是原始干净图像,N是均值为零标准差为σ的高斯白噪声;
(3)利用如下公式对含噪图像Y中待估计像素点i与其搜索区域Si内像素点j之间的权值进行计算,得到搜索区域Si内所有像素点的权值;
其中,w(i,j)表示含噪图像Y中像素点i和j之间的相似性,即像素点j在像素点i复原过程中所占的权值,w(i,j)满足条件:0≤w(i,j)≤1且yi是含噪图像Y中局部分析窗wi内的图像块,yj是含噪图像Y中以像素点j为中心大小为9×9局部分析窗wj内的图像块,是由权重矩阵加权后的欧式距离的平方,平滑参数h=0.9σ,σ是高斯白噪声的标准差,exp(·)表示底数为e的指数运算,是权重矩阵在像素点j处的值,Z(i)表示归一化常数,Si是以像素i为中心大小为17×17的搜索区域;
(4)利用(3)中得到的搜索区域Si内所有像素点的权值,对含噪图像Y中待估计像素点i的搜索区域Si内所有像素点进行加权平均,得到待估计像素点i的估计值:
(5)重复步骤(2)至(4),依次得到每个像素点的估计值;
其中,所述步骤(2),按如下步骤进行:
(2a)计算含噪图像Y的梯度矩阵G,并取出局部分析窗wi内的局部梯度矩阵Gi,并对其做截断奇异值分解Gi=UiSiVi T,其中, 是2×2的对角矩阵,Vi是2×2的正交矩阵,v2=[v1,v2]T是Vi的第二列;
(2b)利用如下三个公式计算可控核在像素点i处的伸缩参数σi,旋转参数θi,尺度参数γi:
其中,λ=1.0和λ'=0.01都是正则参数,s1和s2是步骤(2a)中对角矩阵Si的主对角线上的两个元素,v1和v2是步骤(2a)中正交矩阵Vi的第二列的两个元素,M=81是局部分析窗wi内像素点的个数,arctan(·)表示反正切函数;
(2d)利用如下公式计算像素点i处协方差矩阵Ci:
其中,Ci是像素点i处的协方差矩阵,det(·)表示计算矩阵的行列式,表示开根方运算,ti和tj分别是由像素点i和j的横纵坐标组成的2×1矩阵,(·)T表示矩阵的转置运算,h'=0.125σ+2.25是全局光滑参数,μi=1表示局部采样密度的大小,π表示圆周率,是一个大小约为3.14的常数。
本发明具有如下技术效果和优点:
采用(1)输入含噪的自然图像;(2)在含噪图像中,分别计算以当前像素点i为中心的局部分析窗wi和搜索区域Si内的权重矩阵和(3)利用新的权重公式计算当前像素点i与其搜寻区域内所有像素点j的相似性,得到搜寻区域内所有像素点的权值;(4)根据计算出的搜寻区域内所有像素点的权值,对搜寻区域内所有像素点进行加权平均,得到当前像素点修正后的灰度值;(5)用修正后像素点的灰度值取代输入的含噪图像中像素点的灰度值,得到去噪后的图像。具体效果和优点如下:
1.本发明实现在不同的尺度上两次利用可控核构造权重矩阵,挖掘图像的几何结构信息,能在去除噪声的同时更加有效的提取图像的细节信息,有利于去噪效果的提高。
2.本发明与非局部均值去噪方法相比,利用几何结构信息指导并修正权重公式,使得权重的计算更加准确,能够达到更好的去噪效果。
本发明克服了非局部均值去噪方法中图像块相似性计算不准确的问题,减少了非局部均值去噪方法在去除噪声的同时滤除的部分图像几何结构信息,提高图像去噪效果。
附图说明
下面结合实施例附图对本发明的具体实施方式予以描述。
图1是本发明的流程图;
图2是本发明中伸缩、旋转以及尺度因子的示例图;
图3是本发明使用的4幅测试图像;
图4是用本发明方法与非局部均值方法对Cameraman图像的去噪结果图;
图5是用本发明方法与非局部均值方法对Boat图像的去噪结果图。
具体实施方式
实施例1,结合附图1、2描述。
本发明的一种基于可控核的双几何非局部均值图像去噪方法,包括如下步骤:
(1)输入待去噪的含噪图像Y,其中Y=X+N,X是原始干净图像,N是均值为零标准差为σ的高斯白噪声;
(3)利用如下公式对含噪图像Y中待估计像素点i与其搜索区域Si内像素点j之间的权值进行计算,得到搜索区域Si内所有像素点的权值;
其中,w(i,j)表示含噪图像Y中像素点i和j之间的相似性,即像素点j在像素点i复原过程中所占的权值,w(i,j)满足条件:0≤w(i,j)≤1且yi是含噪图像Y中局部分析窗wi内的图像块,yj是含噪图像Y中以像素点j为中心大小为9×9局部分析窗wj内的图像块,是由权重矩阵加权后的欧式距离的平方,平滑参数h=0.9σ,σ是高斯白噪声的标准差,exp(·)表示底数为e的指数运算,是权重矩阵在像素点j处的值,Z(i)表示归一化常数,Si是以像素i为中心大小为17×17的搜索区域。
(4)利用(3)中得到的搜索区域Si内所有像素点的权值,对含噪图像Y中待估计像素点i的搜索区域Si内所有像素点进行加权平均,得到待估计像素点i的估计值:
其中,表示对原始图像X中像素点i灰度值的估计,即为去噪后像素点i的灰度值,y(j)是含噪图像Y中像素点j的灰度值。
(5)重复步骤(2)至(4),依次得到每个像素点的估计值;
该方案克服了非局部均值去噪方法中图像块相似性计算不准确的问题,减少了非局部均值去噪方法在去除噪声的同时滤除的部分图像几何结构信息,提高图像去噪效果。
实施例2,结合附图1至5描述。
在实施例1的基础上,对其主要的图像处理步骤进行详细描述,其中,所述步骤(2),按如下步骤进行:
(2a)计算含噪图像Y的梯度矩阵G,并取出局部分析窗wi内的局部梯度矩阵Gi,并对其做截断奇异值分解Gi=UiSiVi T,其中, 是2×2的对角矩阵,Vi是2×2的正交矩阵,v2=[v1,v2]T是Vi的第二列;
(2b)利用如下三个公式计算可控核在像素点i处的伸缩参数σi,旋转参数θi,尺度参数γi:
其中,λ=1.0和λ'=0.01都是正则参数,s1和s2是步骤(2a)中对角矩阵Si的主对角线上的两个元素,v1和v2是步骤(2a)中正交矩阵Vi的第二列的两个元素,M=81是局部分析窗wi内像素点的个数,arctan(·)表示反正切函数;
(2d)利用如下公式计算像素点i处协方差矩阵Ci:
其中,Ci是像素点i处的协方差矩阵,det(·)表示计算矩阵的行列式,表示开根方运算,ti和tj分别是由像素点i和j的横纵坐标组成的2×1矩阵,(·)T表示矩阵的转置运算,h'=0.125σ+2.25是全局光滑参数,μi=1表示局部采样密度的大小,π表示圆周率,是一个大小约为3.14的常数;
该方案实现在不同的尺度上两次利用可控核构造权重矩阵,挖掘图像的几何结构信息,能在去除噪声的同时更加有效的提取图像的细节信息,有利于去噪效果的提高。利用几何结构信息指导并修正权重公式,使得权重的计算更加准确,能够达到更好的去噪效果。凡本实施例中未展开描述的步骤均属于现有技术或公知常识,通常通过网络便可得知。
本发明的效果通过以下仿真实验进一步说明。
1、实验条件与内容
实验条件:实验所使用的输入图像如图3所示,共四幅灰度图像,分别是:图3(a)所示的Peppers图,图3(b)所示的Cameraman图,图3(c)所示的Lena图,图3(d)所示的Boat图,其中Peppers图和Cameraman图是256×256,Lena图和Boat图是512×512,对每幅图所加上的高斯白噪声的标准差分别是σ=10,σ=20,σ=30,σ=50,σ=75,σ=100。
实验内容:
实验一,对图3所示的Cameraman图和Boat图在σ=20下进行仿真实验,结果如图4和图5所示,其中图4(a)是干净的Cameraman图,图4(b)原始非局部均值滤波方法对Cameraman图的去噪结果图,图4(c)是本发明方法对Cameraman图的去噪结果图,图4(d)是图4(a)中矩形建筑物的局部放大图,图4(e)是图(4b)中矩形建筑物的局部放大图,图4(f)是图(4c)中矩形建筑物的局部放大图,图5(a)是干净的Boat图,图5(b)原始非局部均值滤波方法对Boat图的去噪结果图,图5(c)是本发明方法对Boat图的去噪结果图,图5(d)是图5(a)中桅杆线状物的局部放大图,图5(e)是图5(b)中桅杆线状物的局部放大图,图5(f)是图5(c)中桅杆线状物的局部放大图。
实验二,用本发明方法和非局部均值滤波方法对图3所示的四幅自然图像在给出的σ分别为10,20,30,50,75,100数值下去噪,其峰值信噪比PSNR如表1所示:
表1非局部均值方法与本发明的PSNR的比较
2.实验结果
从图4和图5各个子图的对比中可以看出,非局部均值方法虽然抑制能力比较好,但是此方法在滤除噪声的同时也出现了模糊现象,丢了较多的图像信息,不能很好的保持图像细节信息,而本发明的方法从整体上减少了非局部均值方法中出现的模糊过平滑现象,在去除噪声的同时更好的保留了边缘、纹理等细节,丢失更少的图像信息。
从表1中可以看出,本发明的方法的去噪效果与非局部均值方法相比,在各个噪声级上峰值信噪比PSNR都有明显的优势。
以上实验结果表明,本发明在总体性能上优于非局部均值方法,能够在更好地去除噪声的同时保持图像的结构和细节信息,而且本发明的方法在噪声级大时仍然可以获得去噪结果的提升,说明它对噪声有较好的鲁棒性。
Claims (2)
1.一种基于可控核的双几何非局部均值图像去噪方法,包括如下步骤:
(1)输入待去噪的含噪图像Y,其中Y=X+N,X是原始干净图像,N是均值为零标准差为σ的高斯白噪声;
其中wi和Si是以像素点i为中心大小分别为9×9和17×17的方形窗口;
(3)利用如下公式对含噪图像Y中待估计像素点i与其搜索区域Si内像素点j之间的权值进行计算,得到搜索区域Si内所有像素点的权值;
其中,w(i,j)表示含噪图像Y中像素点i和j之间的相似性,即像素点j在像素点i复原过程中所占的权值,w(i,j)满足条件:0≤w(i,j)≤1且yi是含噪图像Y中局部分析窗wi内的图像块,yj是含噪图像Y中以像素点j为中心大小为9×9局部分析窗wj内的图像块,是由权重矩阵加权后的欧式距离的平方,平滑参数h=0.9σ,σ是高斯白噪声的标准差,exp(·)表示底数为e的指数运算,是权重矩阵在像素点j处的值,Z(i)表示归一化常数,Si是以像素i为中心大小为17×17的搜索区域;
(4)利用(3)中得到的搜索区域Si内所有像素点的权值,对含噪图像Y中待估计像素点i的搜索区域Si内所有像素点进行加权平均,得到待估计像素点i的估计值:
(5)重复步骤(2)至(4),依次得到每个像素点的估计值;
2.根据权利要求1所述的基于可控核的双几何非局部均值图像去噪方法,其中所述步骤
(2),按如下步骤进行:
(2a)计算含噪图像Y的梯度矩阵G,并取出局部分析窗wi内的局部梯度矩阵Gi,并对其做截断奇异值分解Gi=UiSiVi T,其中, 是2×2的对角矩阵,Vi是2×2的正交矩阵,v2=[v1,v2]T是Vi的第二列;
(2b)利用如下三个公式计算可控核在像素点i处的伸缩参数σi,旋转参数θi,尺度参数γi:
其中,λ=1.0和λ'=0.01都是正则参数,s1和s2是步骤(2a)中对角矩阵Si的主对角线上的两个元素,v1和v2是步骤(2a)中正交矩阵Vi的第二列的两个元素,M=81是局部分析窗wi内像素点的个数,arctan(·)表示反正切函数;
(2d)利用如下公式计算像素点i处协方差矩阵Ci:
其中,Ci是像素点i处的协方差矩阵,det(·)表示计算矩阵的行列式,表示开根方运算,ti和tj分别是由像素点i和j的横纵坐标组成的2×1矩阵,(·)T表示矩阵的转置运算,h'=0.125σ+2.25是全局光滑参数,μi=1表示局部采样密度的大小,π表示圆周率,是一个大小约为3.14的常数;
(2f)类似步骤(2e),依次计算搜索区域Si内每个像素点j与待估计像素点i的权重,并将其放在对应位置处组成权重矩阵不同的是h'=0.1σ+7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060377.6A CN103839234B (zh) | 2014-02-21 | 2014-02-21 | 一种基于可控核的双几何非局部均值图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060377.6A CN103839234B (zh) | 2014-02-21 | 2014-02-21 | 一种基于可控核的双几何非局部均值图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839234A true CN103839234A (zh) | 2014-06-04 |
CN103839234B CN103839234B (zh) | 2016-09-14 |
Family
ID=50802704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060377.6A Active CN103839234B (zh) | 2014-02-21 | 2014-02-21 | 一种基于可控核的双几何非局部均值图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839234B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600567A (zh) * | 2017-01-03 | 2017-04-26 | 长沙全度影像科技有限公司 | 一种自适应非局部均值去噪方法 |
CN106651813A (zh) * | 2017-01-03 | 2017-05-10 | 长沙全度影像科技有限公司 | 一种多图像块融合的非局部均值去噪方法 |
CN107328777A (zh) * | 2017-07-05 | 2017-11-07 | 河北科技大学 | 一种在夜间测量大气能见度的方法及装置 |
CN107341495A (zh) * | 2017-07-17 | 2017-11-10 | 深圳森阳环保材料科技有限公司 | 一种有效的井下煤尘检测系统 |
CN107610056A (zh) * | 2017-08-11 | 2018-01-19 | 南京信息工程大学 | 基于全变分的混合加权维纳滤波图像去噪方法 |
CN108254789A (zh) * | 2018-01-26 | 2018-07-06 | 东北石油大学 | 一种压制地震数据随机噪音的去噪方法、设备及介质 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
CN109146824A (zh) * | 2018-09-27 | 2019-01-04 | 福州瑞芯微电子股份有限公司 | 一种图像降噪处理方法及一种存储设备 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100034296A1 (en) * | 2008-08-07 | 2010-02-11 | California Institute Of Technology | Fast noise reduction in digital images and video |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103258324A (zh) * | 2013-04-02 | 2013-08-21 | 西安电子科技大学 | 基于可控核回归和超像素分割的遥感图像变化检测方法 |
-
2014
- 2014-02-21 CN CN201410060377.6A patent/CN103839234B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100034296A1 (en) * | 2008-08-07 | 2010-02-11 | California Institute Of Technology | Fast noise reduction in digital images and video |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103258324A (zh) * | 2013-04-02 | 2013-08-21 | 西安电子科技大学 | 基于可控核回归和超像素分割的遥感图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
WENCHAO JIN 等: "A Steering Kernel based Nonlocal-means Method for Image Denoising", 《2011 3RD INTERNATIONAL CONFERENCE ON AWARENESS SCIENCE AND TECHNOLOGY(ICAST)》 * |
刘伟华: "基于机器视觉的煤尘在线检测系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600567A (zh) * | 2017-01-03 | 2017-04-26 | 长沙全度影像科技有限公司 | 一种自适应非局部均值去噪方法 |
CN106651813A (zh) * | 2017-01-03 | 2017-05-10 | 长沙全度影像科技有限公司 | 一种多图像块融合的非局部均值去噪方法 |
CN107328777A (zh) * | 2017-07-05 | 2017-11-07 | 河北科技大学 | 一种在夜间测量大气能见度的方法及装置 |
CN107341495A (zh) * | 2017-07-17 | 2017-11-10 | 深圳森阳环保材料科技有限公司 | 一种有效的井下煤尘检测系统 |
CN107610056A (zh) * | 2017-08-11 | 2018-01-19 | 南京信息工程大学 | 基于全变分的混合加权维纳滤波图像去噪方法 |
CN107610056B (zh) * | 2017-08-11 | 2020-08-11 | 南京信息工程大学 | 基于全变分的混合加权维纳滤波图像去噪方法 |
CN108254789A (zh) * | 2018-01-26 | 2018-07-06 | 东北石油大学 | 一种压制地震数据随机噪音的去噪方法、设备及介质 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
CN108921800B (zh) * | 2018-06-26 | 2021-01-22 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
CN109146824A (zh) * | 2018-09-27 | 2019-01-04 | 福州瑞芯微电子股份有限公司 | 一种图像降噪处理方法及一种存储设备 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
CN114764803B (zh) * | 2022-06-16 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103839234B (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839234A (zh) | 一种基于可控核的双几何非局部均值图像去噪方法 | |
US11488308B2 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
CN102063708B (zh) | 基于Treelet和非局部均值的图像去噪 | |
CN103020918B (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN102393966B (zh) | 基于多尺度显著图的自适应图像压缩采样方法 | |
Shen et al. | Image denoising using a tight frame | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
Muduli et al. | A novel technique for wall crack detection using image fusion | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN106169174B (zh) | 一种图像放大方法 | |
Patel et al. | Separated component-based restoration of speckled SAR images | |
CN106846253A (zh) | 一种基于反向传播神经网络的图像超分辨率重建方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
Ono et al. | Vectorial total variation based on arranged structure tensor for multichannel image restoration | |
CN105869133A (zh) | 一种基于非因果分数阶次微分的图像锐化方法 | |
CN102222327A (zh) | 基于Treelet变换和最小均方误差估计的图像去噪方法 | |
CN101957984B (zh) | 基于非局部萎缩因子参数估计的图像去噪方法 | |
CN115713469A (zh) | 基于通道注意力和形变生成对抗网络的水下图像增强方法 | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
KR101028699B1 (ko) | 회화적 렌더링 장치 및 방법 | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN104867120B (zh) | 基于比值分布的sar图像非局部降斑方法 | |
CN103886590A (zh) | 一种基于小波包能量谱的推扫式遥感相机自动对焦方法 |
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 |