CN103971345B - 一种基于改进双边滤波的图像去噪方法 - Google Patents
一种基于改进双边滤波的图像去噪方法 Download PDFInfo
- Publication number
- CN103971345B CN103971345B CN201410228825.9A CN201410228825A CN103971345B CN 103971345 B CN103971345 B CN 103971345B CN 201410228825 A CN201410228825 A CN 201410228825A CN 103971345 B CN103971345 B CN 103971345B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- image
- mfrac
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于改进双边滤波的图像去噪方法,该方法首先对输入的带噪图像采用维纳函数对邻域中心像素灰度值进行估算,然后采用GM函数计算亮度相似度权值,并采用高斯权值计算空间邻近度权值,将计算获得的两个权值相乘后对图像进行去噪。与现有技术相比,本发明具有能提高去噪图像的质量,保护边缘纹理信息,准备表达了目标和背景信息,达到较理想的去噪效果等优点。
Description
技术领域
本发明涉及一种图像去噪方法,尤其是涉及一种基于改进双边滤波的图像去噪方法。
背景技术
在获取、传输和处理过程中,图像通常会因为噪声的干扰而导致质量的下降,从而严重影响图像的后续处理如:图像特征提取、图像识别和图像检索等的性能。因此图像去噪作为图像处理的基本技术,一直是人们关注的重点。经典的图像去噪算法有:高斯滤波、中值滤波、小波变换、维纳滤波等等。其中,高斯滤波器由于具有各向同性,而对边缘和细节不加区分,因此该方法容易造成图像边缘和细节模糊;中值滤波虽然能有效地保持图像的边缘信息,但对图像的细节和纹理部分过于平滑,且中值滤波和小波变换在计算量上劣势明显;维纳滤波是一种基于最小均方误差估计准则设计的最优滤波器。双边滤波(Bilateralfilter,简称BF)将高斯滤波和保特征权函数结合起来,相对于传统的高斯滤波和均值滤波来说,在去噪的同时有效地保护了图像的边界特征,但是同时存在以下问题:
1)经典的双边滤波算法是基于像素的,因而亮度加权系数的计算因噪声的干扰有失准确,从而造成滤波后某些区域存在剩余噪声并且结构保持效果没有明显提高;
2)典型的双边滤波算法采用的权值函数为高斯函数,公式如下:
存在高斯函数的无限拖尾效应,使得双边滤波算法在平滑图像的同时也可能模糊了图像的边缘。
而Geman-McClure函数(GM函数)在γ取值合适时,具有很好的断尾效应,比高斯函数更适合做权值函数,公式为:
图1为高斯函数和GM函数(GM函数的指数r=1,2,3,4,5)的函数曲线,取h=20。由于函数具有对称性,图中只分析位于x正半轴的曲线。从图1中可以看出,所有曲线函数值均能随着x值的增大而减小,不同之处如下:
1)GM函数在r=1时,当x超过一定值时,函数值并没有马上降为零,该特点使其做为非局部均值算法的权值函数时,在平滑图像的同时也会模糊边缘。
2)GM函数在r=2时,当x超过一定值时,其函数值比高斯函数降零的速度要缓慢一些,因此做为权值函数,应该比高斯函数效果更模糊。
3)GM函数在r=3,4,5时,当x超过一定值时,函数值马上降为零,降零的速度比高斯函数快,因此做为权值函数,效果应该比高斯权值和GM函数(r=1,2)时要好。此外r=3,4,5这三条曲线之间相差不大。
另外随着r值的进一步增大,GM函数曲线更陡,即x取很小的值时,函数值就会马上降为零,这会造成在平滑区噪声消除效果很差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可对图像进行有效去噪,并提高图像质量的基于改进双边滤波的图像去噪方法,适用于军事领域或非军事领域的光学成像、目标检测和安全监控等系统中。
本发明的目的可以通过以下技术方案来实现:
一种基于改进双边滤波的图像去噪方法,该方法首先对输入的带噪图像采用维纳函数对邻域中心像素灰度值进行估算,然后采用GM函数计算亮度相似度权值,并采用高斯权值计算空间邻近度权值,将计算获得的两个权值相乘后对图像进行去噪。
该方法具体包括:
步骤S1:对原始图像I进行维纳滤波,i∈I,v(i)是原始图像各像素的灰度值,并利用维纳函数估计出
式中,σn是图像中噪声的方差,μ,σ分别是每个像素M×N邻域内像素的均值和方差:
式中,Ω是图像中像素i的M×N邻域,j∈Ω,v(j)是像素j的像素点值;
步骤S2:采用GM函数计算亮度相似度权值w1(i,j),公式为:
式中,r为GM函数的指数;
步骤S3:采用高斯函数计算空间邻近度权值w2(i,j),公式为:
式中,(xi,yi)是像素i的坐标,(xj,yj)是像素j的坐标,σd控制w2(i,j)的衰减程度;
步骤S4:计算混合权值w(i,j),公式为:
式中,K(i)是归一化权值;
步骤S5:根据获得的混合权值,对原始图像I进行去噪,得到BF[v](i),公式为:
亮度相似度权值计算中,采用维纳函数对邻域中心像素灰度值进行估算。
亮度相似度权值计算中,采用GM函数,并取r=4。
与现有技术相比,本发明具有以下优点:
1)本发明采用双边滤波方法通过邻域像素值的加权,可以去除图像噪声的同时保留图像边缘,而改进后的双边滤波算法的灰度值或色彩值相似度不再基于单个像素级,而是由像素邻域估算出来的新的像素值,这样在计算亮度相似度权值时,可以减少噪声干扰;
2)本发明选用GM函数在r取一定值时取代高斯函数,具有好的断尾效应,保护边缘纹理信息,避免因高斯函数的无线拖尾效应而导致图像边缘模糊,保护了图像中的重要细节信息,以提高图像质量,适用于军事领域或非军事领域的光学成像、目标检测和安全监控等系统中。
附图说明
图1为高斯函数和GM函数(r=1,2,3,4,5)的函数对比曲线图;
图2为本发明的图像去噪算法的流程图;
图3a为示例一的输入图像;图3b为示例一以高斯函数求取的亮度相似度权值进行去噪的输出图像;图3c为示例一以GM函数(r=1)求取的亮度相似度权值进行去噪的输出图像;图3d为示例一以GM函数(r=2)求取的亮度相似度权值进行去噪的输出图像;图3e为示例一以GM函数(r=3)求取的亮度相似度权值进行去噪的输出图像;图3f为示例一以GM函数(r=4)求取的亮度相似度权值进行去噪的输出图像;图3g为示例一以GM函数(r=5)求取的亮度相似度权值进行去噪的输出图像;
图4a为示例二的输入图像;图4b为示例二以高斯函数求取的亮度相似度权值进行去噪的输出图像;图4c为示例二以GM函数(r=1)求取的亮度相似度权值进行去噪的输出图像;图4d为示例二以GM函数(r=2)求取的亮度相似度权值进行去噪的输出图像;图4e为示例二以GM函数(r=3)求取的亮度相似度权值进行去噪的输出图像;图4f为示例二以GM函数(r=4)求取的亮度相似度权值进行去噪的输出图像;图4g为示例二以GM函数(r=5)求取的亮度相似度权值进行去噪的输出图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,一种基于改进双边滤波的图像去噪方法,首先对输入的带噪图像采用维纳函数对邻域中心像素灰度值进行估算,然后采用GM函数计算亮度相似度权值,并采用高斯权值计算空间邻近度权值,将计算获得的两个权值相乘后对图像进行去噪,具体如下:
步骤S1:对原始图像I进行维纳滤波,i∈I,v(i)是原始图像的像素点值,对每一个像素利用维纳函数估计出其灰度值
式中,σn是图像中噪声的方差,为局部估计方差的平均值,μ,σ分别是每个像素5×5邻域内像素的平均值和均方差:
式中,Ω是图像中像素i的5×5邻域,j∈Ω,v(j)为像素j的像素点值;
步骤S2:采用GM函数计算亮度相似度权值w1(i,j),公式为:
式中,参考图1,选取r=4,这样替代高斯函数解算亮度相似度权值,具有号的断尾效应,算法的去噪性能更好;
步骤S3:采用高斯函数计算空间邻近度权值w2(i,j),公式为:
式中,(xi,yi)是像素i的坐标,(xj,yj)是像素j的坐标,σd控制w2(i,j)的衰减程度,本发明中σd=3;
步骤S4:计算混合权值w(i,j),公式为:
式中,K(i)为归一化权值;
步骤S5:对原始图像I采用改进后的双边滤波算法去噪得到BF[v](i),公式为:
从图3a、3b、3c、3d、3e、3f、3g和图4a、4b、4c、4d、4e、4f、4g的去噪结果比较可以看出,本发明的图像去噪方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。从视觉效果上看,本发明方法显优于传统的双边滤波去噪算法。在去噪的过程中,改进后的双边滤波算法的灰度值或色彩值相似度不再基于单个像素级,而是由像素邻域估算出来的新的像素值,这样在计算亮度相似度权值时,可以减少噪声干扰。传统算法中,由于高斯函数的无限拖尾效应,使得双边滤波算法在平滑图像的同时也可能模糊了图像的边缘,而采用GM函数(r=4)取代高斯函数计算亮度相似度权值,改善去噪效果。
表1、表2给出了本发明去噪方法去噪结果的客观评价指标。表中采用了峰值信噪比(PSNR)(dB)来衡量去噪图像的质量,进行评价噪声方法的优劣,从表中可以看出,本发明的图像去噪方法在PSNR方面取得很好的去噪效果,有效地降低图像中的噪声信号,提高图像质量。
表1示例一(256×256)灰度图像去噪后的PSNR比较
表2示例二(256×256)灰度图像去噪后的PSNR比较
总之,无论是从人眼视觉效果,还是从客观评价指标,均表明本发明方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。
Claims (1)
1.一种基于改进双边滤波的图像去噪方法,其特征在于,该方法首先对输入的带噪图像采用维纳函数对邻域中心像素灰度值进行估算,然后采用GM函数计算亮度相似度权值,并采用高斯权值计算空间邻近度权值,将计算获得的两个权值相乘后对图像进行去噪,该方法具体包括:
步骤S1:对原始图像I进行维纳滤波,i∈I,v(i)是原始图像各像素的灰度值,并利用维纳函数估计出
<mrow>
<mover>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>&mu;</mi>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>n</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>&lsqb;</mo>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mo>&rsqb;</mo>
</mrow>
式中,σn是图像中噪声的方差,μ,σ分别是每个像素M×N邻域内像素的均值和方差:
<mrow>
<mi>&mu;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<msup>
<mi>v</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
</mrow>
式中,Ω是图像中像素i的M×N邻域,j∈Ω,v(j)是像素j的像素点值;
步骤S2:采用GM函数计算亮度相似度权值w1(i,j),公式为:
<mrow>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>^</mo>
</mover>
<mo>-</mo>
<mi>v</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>h</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mi>r</mi>
</mrow>
</msup>
</mrow>
式中,r为GM函数的指数;
步骤S3:采用高斯函数计算空间邻近度权值w2(i,j),公式为:
<mrow>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>d</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
式中,(xi,yi)是像素i的坐标,(xj,yj)是像素j的坐标,σd控制w2(i,j)的衰减程度;
步骤S4:计算混合权值w(i,j),公式为:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,K(i)是归一化权值;
步骤S5:根据获得的混合权值,对原始图像I进行去噪,得到BF[v](i),公式为:
<mrow>
<mi>B</mi>
<mi>F</mi>
<mo>&lsqb;</mo>
<mi>v</mi>
<mo>&rsqb;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
亮度相似度权值计算中,采用维纳函数对邻域中心像素灰度值进行估算;
亮度相似度权值计算中,采用GM函数,并取r=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410228825.9A CN103971345B (zh) | 2014-05-27 | 2014-05-27 | 一种基于改进双边滤波的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410228825.9A CN103971345B (zh) | 2014-05-27 | 2014-05-27 | 一种基于改进双边滤波的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971345A CN103971345A (zh) | 2014-08-06 |
CN103971345B true CN103971345B (zh) | 2018-03-02 |
Family
ID=51240794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410228825.9A Active CN103971345B (zh) | 2014-05-27 | 2014-05-27 | 一种基于改进双边滤波的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971345B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184747B (zh) * | 2015-09-09 | 2019-05-10 | 天津光电高斯通信工程技术股份有限公司 | 低照度图像对比度的提升方法 |
CN106127692A (zh) * | 2016-02-25 | 2016-11-16 | 哈尔滨理工大学 | 可用于灰度和彩色图像的双边回归滤波方法 |
CN106815821B (zh) * | 2017-01-23 | 2020-08-28 | 上海兴芯微电子科技有限公司 | 近红外图像的去噪方法和装置 |
CN109406458B (zh) * | 2018-03-20 | 2019-06-21 | 上海工业控制安全创新科技有限公司 | 云端测量方法 |
CN109741267B (zh) * | 2018-12-05 | 2023-04-25 | 西安电子科技大学 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
CN111242859B (zh) * | 2020-01-07 | 2023-09-08 | 上海菲戈恩微电子科技有限公司 | 一种改进的图像处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639938A (zh) * | 2009-08-28 | 2010-02-03 | 浙江大学 | 一种基于双边滤波器和余量去卷积的图像复原方法 |
CN101841706A (zh) * | 2009-12-10 | 2010-09-22 | 香港应用科技研究院有限公司 | 改善视频质量的方法和装置 |
CN101853490A (zh) * | 2010-04-21 | 2010-10-06 | 中国科学院半导体研究所 | 一种基于人类视觉特性的仿生图像复原方法 |
-
2014
- 2014-05-27 CN CN201410228825.9A patent/CN103971345B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639938A (zh) * | 2009-08-28 | 2010-02-03 | 浙江大学 | 一种基于双边滤波器和余量去卷积的图像复原方法 |
CN101841706A (zh) * | 2009-12-10 | 2010-09-22 | 香港应用科技研究院有限公司 | 改善视频质量的方法和装置 |
CN101853490A (zh) * | 2010-04-21 | 2010-10-06 | 中国科学院半导体研究所 | 一种基于人类视觉特性的仿生图像复原方法 |
Non-Patent Citations (1)
Title |
---|
基于内容的图像检索若干技术研究;赵倩;《中国博士学位论文全文数据库 信息科技辑》;20130515(第5期);第二章 * |
Also Published As
Publication number | Publication date |
---|---|
CN103971345A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971345B (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN109767439A (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN105844601A (zh) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 | |
CN104331863B (zh) | 一种图像滤波去噪方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN102238316A (zh) | 一种3d数字视频图像的自适应实时降噪方案 | |
CN102034224B (zh) | 基于伪Zernike矩的图像去噪算法 | |
CN104036455B (zh) | 基于二代小波的红外图像细节增强方法 | |
CN109003233B (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN104835127B (zh) | 一种自适应平滑滤波方法 | |
CN100417191C (zh) | 一种图像组合降噪方法 | |
CN104881847A (zh) | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 | |
CN111724315B (zh) | 一种基于自适应加权中值滤波的红外图像噪声去除方法 | |
CN110400274A (zh) | 一种车载红外行人检测用红外图像增强方法 | |
Chen et al. | Improve transmission by designing filters for image dehazing | |
CN104036461A (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
Verma et al. | Non local means algorithm with adaptive isotropic search window size for image denoising | |
CN103793889A (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN107292844B (zh) | 全变差正则化变分随机共振自适应暗图像滤波增强方法 | |
CN108805845A (zh) | 小波包与偏微分方程相结合的图像去噪方法 | |
Shruthi et al. | A novel approach for speckle reduction and enhancement of ultrasound images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |