CN104077746B - 灰度图像处理方法及其装置 - Google Patents
灰度图像处理方法及其装置 Download PDFInfo
- Publication number
- CN104077746B CN104077746B CN201310109326.3A CN201310109326A CN104077746B CN 104077746 B CN104077746 B CN 104077746B CN 201310109326 A CN201310109326 A CN 201310109326A CN 104077746 B CN104077746 B CN 104077746B
- Authority
- CN
- China
- Prior art keywords
- component
- pixel
- level
- prime
- non local
- 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.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 abstract description 20
- 238000012935 Averaging Methods 0.000 abstract description 15
- 238000001914 filtration Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Abstract
本发明实施例提供一种图像处理方法及其装置,该方法及其装置将小波变换和非局部平均法相结合,其中,利用小波变换法将原始灰度图像进行N级分解,从第N级开始逐级对每一级的分量进行非局部平均处理及小波重构,从而获得处理后的灰度图像。该图像处理方法及其装置能够有效去除图像的各类噪声,并且较好的保留图像的细节。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种灰度图像处理方法及其装置。
背景技术
目前,随着数码相机、扫描仪等电子设备的流行与发展,很容易获得数码图像。然而,任何实体传感器(例如热传感器、电传感器或其他种类的传感器)都会受到一定程度噪声的影响,这些噪声将会影响信号测量的真实性,这样,获得的任何图像数据都包含了信号和噪声。各种各样与图像相关的应用,例如医学图像分析、图像分割、以及物体检测等,通常都需要有效的噪声抑制方法以进一步获得可靠的结果。因此,图像过滤已经成为图像处理以及计算机视觉中最为重要和广泛的研究课题之一。灰度图像是重要且广泛使用的图像类型之一,它的噪声抑制方法是非常重要的。
现有技术中,为了进行图像的去噪,已经尝试了各种方法来过滤灰度图像,例如,小波阈值法、非局部平均法、高斯滤波法、双向滤波法等。
其中,小波阈值法将小波变换应用到原始图像以将其变换至小波域,并且利用阈值方法过滤多通道的小波系数,该小波系数在第一级分解中通常为斜线细节系数、水平细节系数以及垂直细节系数。目前公知的一种阈值方法是硬阈值法,其将所有的细节系数设定为从零至某个设定值的范围内,最后,所有经过阈值设定的小波系数将通过小波逆变换返回到图像域。这种方法能够抑制噪声,但是,一些图像细节也将同时被抑制。
非局部平均法是一种非线性的边缘保留滤波方法,该方法计算输入像素的加权求和作为每个输出像素。输入像素的集合导致一个输出像素可能来源于输入图像的一个大区域,因此成为“非局部”。非局部平均法的一个关键特征是权值由小图像块之间的距离决定。该方法能够保留图像细节并且有效的抑制高斯噪声。但是,在一些实际应用中,除了高斯噪声还有其他噪声,利用该方法不能有效去除这些其他噪声。
高斯滤波法是一种加权平均法,每个输出像素被设定为该像素周围像素的加权平均,其中,原始像素的权值最大,周围像素的权值随着与该原始像素距离的增大而逐渐变小。通过将图像平滑化,该方法能够降低噪声,但是,图像细节也同时被降低。
双向滤波法是一种边缘保留和噪声降低的平滑滤波方法,图像中每个像素的亮度值被邻近像素亮度值的加权平均值所代替。该方法基于高斯分布,关键的,这些权值不仅基于欧氏距离,还基于辐射差异。该方法可以通过系统的遍历每个像素及其相应的依据邻近像素的权值来保留尖锐的边缘。但是,如果图像的噪声较大,该方法将使得图像的边缘不真实。
可以看出,现有的这些方法都不能在有效去除图像各类噪声的同时,较好的保留图像的细节。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本发明实施例的目的在于提供一种灰度图像的处理方法及其装置,能够有效去除图像的各类噪声,并且较好的保留图像的细节。
根据本发明实施例的一个方面,提供了一种灰度图像的处理方法,所述方法包括:利用小波变换法对原始灰度图像进行N级分解;从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;其中,对N级中的每一级的分量进行处理,包括:对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,对非局部平均处理后的四个分量进行小波重构,以获得所述当前级的上一级的第一分量;其中,对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理,包括:对当前级的第一分量的一个像素进行非局部平均处理,获得所述一个像素的非局部平均处理后的像素值以及所述一个像素周围预定搜索范围内的像素的权值矩阵,其中,所述权值矩阵为R×R的矩阵,R表示所述预定搜索范围内的像素个数,R为大于等于1的整数;利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值;或者,所述对N级中的每一级的分量进行处理,包括:对当前级的第一分量的所有像素进行非局部平均处理,对非局部平均处理后的所述第一分量、所述当前级的第二分量、第三分量和第四分量进行小波重构,以获得所述当前级的上一级的第一分量;其中,N大于等于1,在所述当前级为第N级时,所述当前级的第一分量为第N级分解后获得的第一分量;在N大于1且当前级不是第N级时,所述当前级的第一分量为对所述当前级的下一级的分量进行处理后获得的第一分量;在N大于1时,对所述N级中不同级的分量的处理方式相同或不同。
根据本发明实施例的又一个方面,提供了一种灰度图像的处理装置,所述装置包括:分解单元,所述分解单元用于利用小波变换法对原始灰度图像进行N级分解;处理单元,所述处理单元用于从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;其中,所述处理单元对N级中的每一级的分量进行处理,包括:对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,对非局部平均处理后的四个分量进行小波重构,以获得所述当前级的上一级的第一分量;其中,所述处理单元对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理,包括:对当前级的第一分量的一个像素进行非局部平均处理,获得所述一个像素的非局部平均处理后的像素值以及所述一个像素周围预定搜索范围内的像素的权值矩阵,其中,所述权值矩阵为R×R的矩阵,R表示所述预定搜索范围内的像素个数,R为大于等于1的整数;利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值;或者,所述处理单元对N级中的每一级的分量进行处理,包括:对当前级的第一分量的所有像素进行非局部平均处理,对非局部平均处理后的所述第一分量、所述当前级的第二分量、第三分量和第四分量进行小波重构,以获得所述当前级的上一级的第一分量;在N大于等于1,在所述当前级为第N级时,所述当前级的第一分量为第N级分解后获得的第一分量;在N大于1且当前级不是第N级时,所述当前级的第一分量为对所述当前级的下一级的分量进行处理后获得的第一分量;在N大于1时,对所述N级中不同级的分量的处理方式相同或不同。
本发明实施例的有益效果在于:有效的去除了图像的各类噪声,并且较好的保留了图像细节。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
参照以下的附图可以更好地理解本发明的很多方面。附图中的部件不是成比例绘制的,而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分,附图中对应部分可能被放大或缩小。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外,在附图中,类似的标号表示几个附图中对应的部件,并可用于指示多于一种实施方式中使用的对应部件。在附图中:
图1是本发明实施例1的图像处理方法的流程图;
图2是本发明实施例1的二级分解的示意图;
图3(a)是本发明实施例1的处理方式一的流程图;
图3(b)是图3(a)的步骤301中对所有像素中的一个像素进行非局部平均处理的流程图;
图4是本发明实施例1的处理方式二的流程图;
图5是本发明实施例1的利用提升小波变换法对灰度图像进行分解的流程图;
图6是本发明实施例1的利用提升小波变换法对灰度图像进行重构的流程图;
图7是图5中一维提升小波变换的流程图;
图8是图6中一维提升小波逆变换的流程图;
图9是本发明实施例1的非局部平均方法的图像块匹配示意图;
图10(a)是本发明实施例2的图像处理装置的结构示意图;
图10(b)是图10(a)中图像处理装置的处理单元的结构示意图;
图11是本发明实施例3的图像处理方法的流程图;
图12是本发明实施例4的图像处理方法的流程图;
图13是本发明实施例5的图像处理方法的流程图。
具体实施方式
参照附图,通过下面的说明书,本发明的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的实施方式,其表明了其中可以采用本发明的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
目前,现有技术中的图像处理方法不能在有效去除图像各类噪声的同时,较好的保留图像的细节。本发明实施例提供一种基于小波变换和改进的非局部平均的混合结构的图像处理方法,将小波变换和非局部平均法相结合,能够在有效去除图像各类噪声的同时,较好的保留图像的细节。
以下结合附图对本发明的图像处理方法及其装置进行详细说明。
实施例1
图1是本发明实施例1的图像处理方法的流程图。如图1所示,该方法包括:
步骤101:利用小波变换法对原始灰度图像进行N级分解;
在本实施例中,可采用现有的小波变换法中的任意一种对灰度图像进行分解,例如,可使用提升小波变换法对原始图像进行分解,但本发明并不限于这种小波变换法;
在本实施例中,可采用图5所示的方法来进行分解,该处理过程在下面说明,此处不再赘述;
在利用提升小波变换法对原始灰度图像进行N级分解后获得:第N级的第一分量CaN、第二分量ChN、第三分量CvN和第四分量CdN,……,第L级的第二分量ChL、第三分量CvL和第四分量CdL,……,第1级的第二分量Ch1、第三分量Cv1和第四分量Cd1,即共获得3N+1个分量,N为大于等于1的整数,1≤L≤N;
在本实施例中,按照分解的顺序来确定第L级的上一级和下一级,即第L-1级为第L级的上一级,第L+1级为第L级的下一级;
在N大于1且L不等于N时,第L级的第二分量ChL、第三分量CvL和第四分量CdL由第L-1级的第一分量Ch(L-1)分解获得;
图2示意性的给出了本实施例二级分解的情形,即N=2。图2(a)表示原始的灰度图像,图2(b)表示对该原始的灰度图像进行一级分解后获得的四个分量,图2(c)是对图2(b)中的第一分量Ca1继续分解,即二级分解后获得了第2级的四个分量以及第1级的第二分量、第三分量和第四分量。
步骤102:从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;
其中,可结合非局部平均法按照从第N级到第1级的顺序逐级地对每一级的分量进行处理,对N级中的每一级的分量进行处理,可采用如下方式:
处理方式一:
图3(a)是本发明实施例1的处理方式一的流程图,如图3(a)所示,该处理过程可包括如下步骤:
步骤301:对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,集合所有像素经过非局部平均处理后的像素值,从而获得非局部平均处理后的四个分量;
在本实施例中,可采用图3(b)所示的方法来进行非局部平均处理,该处理过程在下面说明,此处不再赘述。
步骤302:对非局部平均处理后的四个分量进行小波重构,以获得该当前级的上一级的第一分量;
在本实施例中,在对该非局部平均处理后的四个分量进行小波重构时,可采用现有的任何一种方式,在以下结合附图6举例进行说明,此处不再赘述。
在本实施例中,在步骤301中,在对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的每一个像素进行非局部平均处理时,均可采用图3(b)所示的方式。
图3(b)是图3(a)的步骤301中对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理的流程图,包括:
步骤301a:对当前级的第一分量的一个像素进行非局部平均处理,获得该一个像素的非局部平均处理后的像素值以及该一个像素周围预定搜索范围内的像素的权值矩阵,其中,该权值矩阵为R×R的矩阵,R表示该预定搜索范围内的像素个数,R为大于等于1的整数;
在本实施例中,在对当前级的第一分量的一个像素进行非局部平均处理时,例如可采用下述公式(1)至(4)进行计算,此处不再赘述。
在本实施例中,可结合下述公式(5)来获得该权值矩阵,此处不再赘述。
步骤301b:利用该权值矩阵分别计算该当前级的第二分量、第三分量和第四分量中与该第一分量的该一个像素对应的像素的非局部平均处理后的像素值;
在本实施例中,在利用该权值矩阵分别计算该当前级的第二分量、第三分量和第四分量中与该第一分量的该一个像素对应的像素的非局部平均处理后的像素值时,例如可采用下述公式(9)至(11)进行计算,此处不再赘述。
处理方式二:
图4是本发明实施例1的处理方式二的流程图,如图4所示,该处理过程可包括如下步骤:
步骤401:对当前级的第一分量的所有像素进行非局部平均处理;
在本实施例中,在对当前级的第一分量的所有像素进行非局部平均处理时,例如可采用下述公式(1)至(4)进行计算,此处不再赘述。
步骤402:对非局部平均处理后的该第一分量、该当前级的第二分量、第三分量和第四分量进行小波重构,以获得该当前级的上一级的第一分量;
在本实施例中,在对该非局部平均处理后的四个分量进行小波重构时,可采用现有的任何一种方式,在以下结合附图6举例进行说明,此处不再赘述。
在本实施例中,在步骤102中,对N级中的每一级的分量进行处理时,可采用上述两种处理方式中的任意一种;
在N大于1时,对该N级中不同级的分量的处理方式可相同,即在对每一级的分量进行处理时,均采用处理方式一或者处理方式二;此外,对该N级中不同级的分量的处理方式也可不同,如在当前第L级时,采用处理方式一,在第L-1级时,采用处理方式二,反之亦然。
在本实施例中,N越大,即分解的级数越高,图像去噪的效果越好。
对于N的取值,一般综合考虑图像去噪的要求以及计算的复杂程度。例如,N可以取1或2。例如,当N=1时,对第1级的分量采用该处理方式一进行处理,该情况下,计算较为简单且能够较好的进行去噪;当N=2时,在对第2级的分量采用该处理方式二进行处理,对第1级的分量采用该处理方式一进行处理,该情况下,能够进行深度去噪。
在本实施例中,结合附图5-8、以利用提升小波变换法为例,对灰度图像进行分解以及重构的过程进行简要说明。
图5是本实施例中利用提升小波变换法对灰度图像进行分解的流程图。对于每一级分解,都可采用下述方法:
如图5所示,将二维灰度图像Ca(N)沿纵向进行一维小波变换LWT,分解为奇数行分量和偶数行分量,分别记为LWT_Even和LWT_Odd,然后将LWT_Even和LWT_Odd分别沿横向进行一维小波变换,从而获得下一级的四个分量,分别为第一分量Ca(N+1)、第二分量Ch(N+1)、第三分量Cv(N+1)和第四分量Cd(N+1)。
图6是本实施例中利用提升小波变换法对灰度图像进行重构的流程图。如图6所示,对第一分量Ca(N+1)和第二分量Ch(N+1)沿横向进行一维小波逆变换ILWT,获得ILWT_Even,同样,对第三分量Cv(N+1)和第四分量Cd(N+1)沿横向进行一维小波逆变换ILWT,获得ILWT_Odd,然后对ILWT_Even和ILWT_Odd沿纵向进行一维小波逆变换ILWT,获得重构的灰度图像R Ca(N)。
图7是图5中进行一维小波变换的流程图。如图5所示,将一维向量数据x分割为奇数分量Even_x和偶数分量Odd_x,奇数分量Even_x对偶数分量Odd_x进行预测,偶数分量Odd_x基于预测的结果获得小波变换偶数分量LWT_Odd,并且基于该预测的结果对奇数分量Even_x进行更新,获得小波变换奇数分量LWT_Even。
图8是图6中进行一维小波逆变换的流程图。如图8所示,
小波变换偶数分量LWT_Odd对小波变换奇数分量LWT_Even进行预测,小波变换奇数分量LWT_Even基于预测的结果对小波偶数分量LWT_Odd进行更新,基于该预测和更新的结果进行合并,获得重构的一维向量数据。
在本实施例中,图5和图6所示的方法例如可用于上述步骤101中的分解以及步骤302和步骤402中的重构,但本发明并不限于这种方法。
在本实施例中,对当前级的第一分量的一个像素进行非局部平均处理获得的该一个像素的非局部平均处理后的像素值是该一个像素周围预定搜索范围内的各个像素的像素值的加权和,表示为:
其中,NL(i,j)表示像素(i,j)的非局部平均处理后的像素值,x(n,m)表示该预定搜索范围内的像素(n,m)的像素值,w(n,m)表示像素(n,m)的权值,R表示该预定搜索范围内的像素个数,i,j,n,m,R均为大于等于1的整数;
在本实施例中,可利用下式(2)计算像素(n,m)的权值w(n,m):
w(n,m)=e(-d(n,m)/h) (2)
其中,d(n,m)表示像素(n,m)所在图像块与像素(i,j)所在图像块的距离,h表示控制系数。
在本实施例中,可以用现有的任何一种方式计算该距离,
此外,还可采用本发明的下述公式(3)和(4)进行计算:
其中,r表示该图像块的尺寸,该图像块由(2r+1)×(2r+1)个像素组成,T表示归一化系数,k,t,r均为大于等于1的整数,k≤r,t≤r,h表示控制系数。
在本实施例中,控制系数h用于控制去除噪声的效果,如果需要抑制更多的噪声,可以将h设为更高,优选的,将h设为1至100之间。例如,本实施例可将R设为10,r设为3,而将h设为20。
其中,在利用公式(3)计算该距离时,进行了归一化处理,从而能够使得去噪后的图像边缘过渡平缓且保留一定的锐度。
图9是本实施例中非局部平均方法的图像块匹配示意图,如图9所示,在利用公式(2)-(4)计算像素(n,m)的权值w(n,m)时,像素(n,m)所在图像块为当前图像块,像素(i,j)所在图像块为参考图像块,d(n,m)是该当前图像块和该参考图像块之间的距离。
在步骤301a中,可采用如下方式获得R×R的权值矩阵:
对于该搜索范围内的每个像素,均利用上述公式(2)-(4)进行计算,获得搜索范围内的各个像素的权值,从而获得一个R×R的权值矩阵,定义如下
其中,wi,j表示像素(i,j)的权值,r同样表示该图像块的尺寸,i,j,r均为大于等于1的整数。
步骤301b可以利用获得的权值矩阵分别计算该当前级的第二分量、第三分量和第四分量中与该第一分量的该一个像素对应的像素的非局部平均处理后的像素值,集合所有像素经过非局部平均处理后的像素值,从而获得非局部平均处理后的四个分量,这样,就完成了步骤301。
此外,在步骤301a后,还可包括:对获得的权值矩阵进行归一化处理。这样,在步骤301b中,利用归一化处理后的权值矩阵分别计算该当前级的第二分量、第三分量和第四分量中与该第一分量的该一个像素对应的像素的非局部平均处理后的像素值;
例如,该归一化处理可采用以下方法:在上述R×R权值矩阵中,像素(i,j)的权值wi,j最大,对该像素(i,j)的权值重新设定,利用下式(6)和(7)对该权值矩阵进行归一化处理:
wi,j=max(W) (6)
W=W/max(W) (7)
利用公式(7)获得的W是经过归一化处理的权值矩阵。通过对权值矩阵的归一化处理,从而可以进一步提高去噪的效果。
在步骤301和步骤401中,例如可利用下述方法获得非局部平均处理后的分量:
当前级为第L级时,对当前级的第一分量的所有像素都利用公式(1)进行计算,集合所有像素的经过非局部平均处理的像素值,从而获得每一级的非局部平均第一分量:
其中,NLM-CaL(i,j)表示第L级的非局部平均第一分量,CaL(n,m)表示由第L级的第一分量的该预定搜索范围内像素(n,m)的像素值,R表示该预定搜索范围内的像素个数。
并且,对于当前级的第一分量的所有像素,都利用公式(5)获得该R×R权值矩阵,利用这些权值矩阵,通过下式(9)-(11)分别计算当前级的非局部平均第二分量、第三分量和第四分量:
其中,NLM-ChL(i,j)、NLM-CvL(i,j)、NLM-CdL(i,j)分别表示第L级的非局部平均第二分量、非局部平均第三分量和非局部平均第四分量,ChL(n,m)、CvL(n,m)、CdL(n,m)分别表示第L级的第二分量的该预定搜索范围内像素(n,m)的像素值、第三分量的该预定搜索范围内像素(n,m)的像素值以及第四分量的该预定搜索范围内像素(n,m)的像素值;这样,就获得了第L级的非局部平均的四个分量。
由上述实施例可知,通过将小波变换和非局部平均法相结合,能够有效去除图像各类噪声,并且较好的保留图像的细节。
实施例2
图10(a)是本发明实施例2的图像处理装置1000的结构示意图,对应于实施例1的图像处理方法。如图10(a)所示,该装置1000包括:
分解单元1001,该分解单元1001用于利用小波变换法对原始灰度图像进行N级分解;;
处理单元1002,该处理单元1002用于从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;
其中,处理单元1002对N级中的每一级的分量进行处理,包括:
处理方式一:
对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,对非局部平均处理后的四个分量进行小波重构,以获得该当前级的上一级的第一分量;
其中,对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理,包括:
对当前级的第一分量的一个像素进行非局部平均处理,获得该一个像素的非局部平均处理后的像素值以及该一个像素周围预定搜索范围内的像素的权值矩阵,其中,该权值矩阵为R×R的矩阵,R表示该预定搜索范围内的像素个数,R为大于等于1的整数;
利用该权值矩阵分别计算该当前级的第二分量、第三分量和第四分量中与该第一分量的该一个像素对应的像素的非局部平均处理后的像素值;或者
处理方式二:
对当前级的第一分量的所有像素进行非局部平均处理,对非局部平均处理后的该第一分量、该当前级的第二分量、第三分量和第四分量进行小波重构,以获得该当前级的上一级的第一分量;
其中,N大于等于1,在该当前级为第N级时,该当前级的第一分量为第N级分解后获得的第一分量;在N大于1且当前级不是第N级时,该当前级的第一分量为对该当前级的下一级的分量进行处理后获得的第一分量;
在本实施例中,在处理单元102对N级中的每一级的分量进行处理时,可采用上述两种处理方式中的任意一种;
在N大于1时,对该N级中不同级的分量的处理方式可相同,即在对每一级的分量进行处理时,均采用处理方式一或者处理方式二;此外,对该N级中不同级的分量的处理方式也可不同,如在当前第L级时,采用处理方式1,在第L-1级时,采用处理方式2,反之亦然。
在本实施例中,N越大,即分解的级数越高,图像去噪的效果越好。
对于N的取值,一般综合考虑图像去噪的要求以及计算的复杂程度。例如,N可以取1或2。例如,当N=1时,对第1级的分量采用该处理方式一进行处理,该情况下,计算较为简单且能够较好的进行去噪;当N=2时,在对第2级的分量采用该处理方式二进行处理,对第1级的分量采用该处理方式一进行处理,该情况下,能够进行深度去噪。
在本实施例中,分解单元1001利用小波变换法将原始灰度图像进行N级分解的方法以及处理单元1002从第N级开始逐级对每一级的分量进行处理时采用的处理方式一或者处理方式二均与实施例1中的描述相同,此处不再重复。
图10(b)是图10(a)中图像处理装置1000的处理单元1002的结构示意图。如图10(b)所示,处理单元1002还可以包括计算单元1003以及归一化单元1004,其中,计算单元1003利用实施例1中的公式(3)和(4)计算像素所在图像块与该像素周围的该搜索范围内的某个像素所在图像块的距离;归一化单元1004利用实施例1中的公式(6)和(7)对权值矩阵进行归一化处理。
其中,计算单元1003以及归一化单元1004为可选部件,在图10(b)中用虚线框表示。
由上述实施例可知,通过将小波变换和非局部平均法相结合,能够有效去除图像各类噪声,并且较好的保留图像的细节。
实施例3
图11是本发明实施例3的图像处理方法的流程图,其用于说明实施例1中N=1或2时的应用实例。如图11所示,该方法包括:
步骤1101:利用小波变换法将原始灰度图像进行分解,获得第1级分解后的四个分量,分别是第一分量Ca1、第二分量Ch1、第三分量Cv1和第四分量Cd1;
其中,利用小波变换法进行分解的方法与实施例1中的相同,此处不再重复。
步骤1102:判断是否需要进行深度去噪,如果需要深度去噪,进入步骤1103(即N=2的情形),如果不需要深度去噪,则直接进入步骤1106(即N=1的情形);
步骤1103:如果需要深度去噪,那么仍然利用小波变法,将第一分量Ca1继续分解,获得第2级分解后的四个分量,分别是第一分量Ca2、第二分量Ch2、第三分量Cv2和第四分量Cd2;
步骤1104:对该第一分量Ca2进行非局部平均处理,获得非局部平均处理后的第一分量NLM-Ca2;
其中,利用实施例1中的公式(1)-(4),计算出第一分量Ca2中每个像素的非局部平均处理后的像素值,从而获得非局部平均处理后的第一分量NLM-Ca2,其中,例如可将R设为7,r设为2,而将h设为20。
步骤1105:基于该非局部平均第一分量NLM-Ca2以及第二分量Ch2、第三分量Cv2和第四分量Cd2进行小波重构,获得重构的第一分量WR-Ca1。
其中,进行小波重构的方法与实施例1中的相同,此处不再重复。
步骤1106:在步骤1102中如果判断为需要深度去噪,那么对该重构的第一分量WR-Ca1进行非局部平均处理,获得非局部平均处理后的第一分量NLM-Ca1;在步骤1102中如果判断为不需要深度去噪,那么对第一分量Ca1直接进行非局部平均处理,同样获得非局部平均处理后的第一分量NLM-Ca1;
其中,同样利用实施例1中的公式(1)-(4),计算出该重构的第一分量WR-Ca1或第一分量Ca1中每个像素的非局部平均处理后的像素值,从而获得非局部平均处理后的第一分量NLM-Ca1,其中,例如可将R设为10,r设为3,而将h设为20;
步骤1107:在步骤1106进行非局部平均处理过程中获得了该重构的第一分量WR-Ca1或第一分量Ca1中每个像素的非局部平均处理后的像素值,对于其中一个像素,均利用实施例1中的公式(5)获得表示该像素周围搜索范围内各个像素的权值的R×R权值矩阵;对于所有像素均重复该操作,则获得了对应于该重构的第一分量WR-Ca1或第一分量Ca1中每一个像素的R×R权值矩阵;
步骤1108:利用获得的R×R权值矩阵以及实施例1中的公式(9)-(11)分别计算非局部平均处理后的第二分量NLM-Cd1、非局部平均处理后的第三分量NLM-Cv1和非局部平均处理后的第四分量NLM-Ch1;
步骤1109:基于步骤1106获得的非局部平均第一分量NLM-Ca1以及步骤1108获得的非局部平均处理后的第二分量NLM-Cd1、非局部平均处理后的第三分量NLM-Cv1和非局部平均处理后的第四分量NLM-Ch1,进行小波重构,获得处理后的灰度图像。
本实施例是在进行N级分解的过程中,判断是否需要进行深度去噪,在判断为需要进行深度去噪时才进行下一级的分解。但是,本发明不限于该方式,例如,可以预先设置分解的级数N,在进行全部的N级分解后获得了3N+1个分量,将该3N+1个分量存储,并利用该3N+1个分量进行逐级的处理。
由上述实施例可知,通过将小波变换和非局部平均法相结合,能够有效去除图像各类噪声,并且较好的保留图像的细节。
实施例4
图12是本发明实施例4的图像处理方法的流程图,其用于说明实施例1中N=1或2时的应用实例,与实施例3不同的是,在进行第2级处理时,实施例3采用的是实施例1步骤102中的处理方式二,而实施例4采用的是处理方式一。如图12所示,该方法包括:
步骤1201:利用小波变换法将原始灰度图像进行分解,获得第1级分解后的四个分量,分别是第一分量Ca1、第二分量Ch1、第三分量Cv1和第四分量Cd1;
其中,利用小波变换法进行分解的方法与实施例1中的相同,此处不再重复。
步骤1202:判断是否需要进行深度去噪,如果需要深度去噪,进入步骤1203(即N=2的情形),如果不需要深度去噪,则直接进入步骤1208(即N=1的情形);
步骤1203:如果需要深度去噪,那么仍然利用小波变法,将第一分量Ca1继续分解,获得第2级分解后的四个分量,分别是第一分量Ca2、第二分量Ch2、第三分量Cv2和第四分量Cd2;
步骤1204:对该第一分量Ca2进行非局部平均处理,获得非局部平均处理后的第一分量NLM-Ca2;
步骤1205:在步骤1204进行非局部平均处理过程中获得了第一分量Ca2中每个像素的非局部平均处理后的像素值,对于其中一个像素,均利用实施例1中的公式(5)获得表示该像素周围搜索范围内各个像素的权值的R×R权值矩阵;对于所有像素均重复该操作,则获得了对应于该第一分量Ca2中每个像素的R×R权值矩阵;
步骤1206:利用实施例1中的公式(9)-(11)分别计算非局部平均处理后的第二分量NLM-Cd2、非局部平均处理后的第三分量NLM-Cv2和非局部平均处理后的第四分量NLM-Ch2;
步骤1207:基于步骤1204获得的非局部平均处理后的第一分量NLM-Ca2以及步骤1206获得的非局部平均处理后的第二分量NLM-Cd2、非局部平均处理后的第三分量NLM-Cv2和非局部平均处理后的第四分量NLM-Ch2,进行小波重构,获得重构的第一分量WR-Ca1;
步骤1208至步骤1211与实施例3中步骤1106至步骤1109相同,此处不再重复。在步骤1211后,获得处理后的灰度图像。
由上述实施例可知,通过将小波变换和非局部平均法相结合,能够有效去除图像各类噪声,并且较好的保留图像的细节。
实施例5
图13是本发明实施例5的图像处理方法的流程图,其用于说明实施例1中N=3时的应用实例,其中,在进行第3级和第2级处理时,采用的是实施例1步骤102中的处理方式二,在进行第1级处理时,采用的是处理方式一。如图13所示,该方法包括:
步骤1301:利用小波变换法将原始灰度图像进行分解,获得第1级分解后的四个分量,分别是第一分量Ca1、第二分量Ch1、第三分量Cv1和第四分量Cd1;
步骤1302:仍然利用小波变法,将第一分量Ca1分解,获得第2级分解后的四个分量,分别是第一分量Ca2、第二分量Ch2、第三分量Cv2和第四分量Cd2;
步骤1303:继续利用小波变法,将第一分量Ca2分解,获得第3级分解后的四个分量,分别是第一分量Ca3、第二分量Ch3、第三分量Cv3和第四分量Cd3;
其中,利用小波变换法进行分解的方法与实施例1中的相同,此处不再重复。
步骤1304:对该第一分量Ca3进行非局部平均处理,获得非局部平均处理后的第一分量NLM-Ca3;
其中,利用实施例1中的公式(1)-(4),计算出第一分量Ca3中每个像素的非局部平均处理后的像素值,从而获得非局部平均处理后的第一分量NLM-Ca3。
步骤1305:基于该非局部平均处理后的第一分量NLM-Ca3以及第二分量Ch3、第三分量Cv3和第四分量Cd3进行小波重构,获得重构的第一分量WR-Ca2;
其中,进行小波重构的方法与实施例1中的相同,此处不再重复。
步骤1306:对该重构的第一分量WR-Ca2进行非局部平均处理,获得非局部平均处理后的第一分量NLM-Ca2;
其中,利用实施例1中的公式(1)-(4),计算出第一分量Ca2中每个像素的非局部平均处理后的像素值,从而获得非局部平均处理后的第一分量NLM-Ca2。
步骤1307:基于该非局部平均处理后的第一分量NLM-Ca2以及第二分量Ch2、第三分量Cv2和第四分量Cd2进行小波重构,获得重构的第一分量WR-Ca1;
步骤1308至步骤1311与实施例3中步骤1106至步骤1109相同,此处不再重复。在步骤1311后,获得处理后的灰度图像。
另外,作为本实施例的变形,可以在对第3级的分量进行处理时采用实施例1步骤102中的处理方式二,在对第2级和第1级的分量进行处理时,采用处理方式一;另外,也可以在对第3级、第2级、第1级的分量进行处理时,均采用处理方式一或者均采用处理方式二。
另外,当N大于3时,可以在对第N级至第2级的分量进行处理时,均采用实施例1步骤102中的处理方式二,在对第1级的分量进行处理时,采用处理方式一。也可以在对不同级的分量进行处理时,交叉使用实施例1步骤102中的处理方式一和处理方式二。
以上各种情形只是用于进行示例性的说明,本发明实施例并不限于这些情形。
由上述实施例可知,通过将小波变换和非局部平均法相结合,能够有效去除图像各类噪声,并且较好的保留图像的细节。
本发明以上的装置和方法可以由硬件实现,也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序,当该程序被逻辑部件所执行时,能够使该逻辑部件实现上文该的装置或构成部件,或使该逻辑部件实现上文该的各种方法或步骤。
本发明还涉及用于存储以上程序的存储介质,如硬盘、磁盘、光盘、DVD、flash存储器等。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
Claims (10)
1.一种灰度图像的处理方法,所述方法包括:
利用小波变换法对原始灰度图像进行N级分解;
从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;
其中,对N级中的每一级的分量进行处理,包括:
对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,对非局部平均处理后的四个分量进行小波重构,以获得所述当前级的上一级的第一分量;
其中,对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理,包括:
对当前级的第一分量的一个像素进行非局部平均处理,获得所述一个像素的非局部平均处理后的像素值以及所述一个像素周围预定搜索范围内的像素的权值矩阵,其中,所述权值矩阵为R×R的矩阵,R表示所述预定搜索范围内的像素个数,R为大于等于1的整数;
利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值;
或者,所述对N级中的每一级的分量进行处理,包括:
对当前级的第一分量的所有像素进行非局部平均处理,对非局部平均处理后的所述第一分量、所述当前级的第二分量、第三分量和第四分量进行小波重构,以获得所述当前级的上一级的第一分量;
其中,N大于等于1,在所述当前级为第N级时,所述当前级的第一分量为第N级分解后获得的第一分量;在N大于1且当前级不是第N级时,所述当前级的第一分量为对所述当前级的下一级的分量进行处理后获得的第一分量;
在N大于1时,对所述N级中不同级的分量的处理方式相同或不同。
2.根据权利要求1所述的方法,其中,
所述非局部平均处理后的所述一个像素的像素值是所述一个像素周围预定搜索范围内的各个像素的像素值的加权和,表示为公式(1):
其中,NL(i,j)表示像素(i,j)的非局部平均处理后的像素值,x(n,m)表示所述预定搜索范围内的像素(n,m)的像素值,w(n,m)表示像素(n,m)的权值,R表示所述预定搜索范围内的像素个数,i,j,n,m,R均为大于等于1的整数;
其中,利用所述各个像素所在图像块与所述一个像素所在图像块的距离获得所述各个像素的权值;并且,在计算所述距离时进行归一化处理。
3.根据权利要求2所述的方法,其中,
所述距离利用以下公式(2)和(3)进行计算:
其中,d(n,m)表示像素(n,m)所在图像块与像素(i,j)所在图像块的距离,r表示所述图像块的尺寸,所述图像块由(2r+1)×(2r+1)个像素组成,T表示归一化系数,k,t,r均为大于等于1的整数,k≤r,t≤r。
4.根据权利要求1-3中的任一项所述的方法,其中,在对当前级的第一分量的一个像素进行非局部平均处理,获得非局部平均处理后的所述一个像素的像素值以及所述一个像素周围预定搜索范围内的像素的权值矩阵后,所述方法还包括:
对所述权值矩阵进行归一化处理;
并且,所述利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值,包括:
利用归一化处理后的权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值。
5.根据权利要求1-3中的任一项所述的方法,其中,所述N等于1或2。
6.一种灰度图像的处理装置,所述装置包括:
分解单元,所述分解单元用于利用小波变换法对原始灰度图像进行N级分解;
处理单元,所述处理单元用于从第N级开始逐级对每一级的分量进行处理,获得处理后的灰度图像;
其中,所述处理单元对N级中的每一级的分量进行处理,包括:
对当前级的第一分量、第二分量、第三分量和第四分量的所有像素进行非局部平均处理,对非局部平均处理后的四个分量进行小波重构,以获得所述当前级的上一级的第一分量;
其中,所述处理单元对当前级的第一分量、第二分量、第三分量和第四分量的所有像素中的一个像素进行非局部平均处理,包括:
对当前级的第一分量的一个像素进行非局部平均处理,获得所述一个像素的非局部平均处理后的像素值以及所述一个像素周围预定搜索范围内的像素的权值矩阵,其中,所述权值矩阵为R×R的矩阵,R表示所述预定搜索范围内的像素个数,R为大于等于1的整数;
利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值;
或者,所述处理单元对N级中的每一级的分量进行处理,包括:
对当前级的第一分量的所有像素进行非局部平均处理,对非局部平均处理后的所述第一分量、所述当前级的第二分量、第三分量和第四分量进行小波重构,以获得所述当前级的上一级的第一分量;
在N大于等于1,在所述当前级为第N级时,所述当前级的第一分量为第N级分解后获得的第一分量;在N大于1且当前级不是第N级时,所述当前级的第一分量为对所述当前级的下一级的分量进行处理后获得的第一分量;
在N大于1时,对所述N级中不同级的分量的处理方式相同或不同。
7.根据权利要求6所述的装置,其中,所述处理单元包括:
计算单元,所述计算单元用于计算所述非局部平均处理后的所述一个像素的像素值,所述非局部平均处理后的所述一个像素的像素值是所述一个像素周围预定搜索范围内的各个像素的像素值的加权和,表示为:
其中,NL(i,j)表示像素(i,j)的非局部平均处理后的像素值,x(n,m)表示所述预定搜索范围内的像素(n,m)的像素值,w(n,m)表示像素(n,m)的权值,R表示所述预定搜索范围内的像素个数,i,j,n,m,R均为大于等于1的整数;
其中,所述计算单元利用所述各个像素所在图像块与所述一个像素所在图像块的距离获得所述各个像素的权值:并且,在计算所述距离时进行归一化处理。
8.根据权利要求7所述的装置,其中,
所述计算单元利用以下公式(2)和(3)计算所述距离:
其中,d(n,m)表示像素(n,m)所在图像块与像素(i,j)所在图像块的距离,r表示所述图像块的尺寸,所述图像块由(2r+1)×(2r+1)个像素组成,T表示归一化系数,k,t,r均为大于等于1的整数,k≤r,t≤r。
9.根据权利要求6-8中的任一项所述的装置,其中,所述处理单元还包括:
归一化单元,所述归一化单元用于对所述权值矩阵进行归一化处理;
并且,所述利用所述权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值,包括:利用归一化处理后的权值矩阵分别计算所述当前级的第二分量、第三分量和第四分量中与所述第一分量的所述一个像素对应的像素的非局部平均处理后的像素值。
10.根据权利要求6-8中的任一项所述的装置,其中,所述N等于1或2。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310109326.3A CN104077746B (zh) | 2013-03-29 | 2013-03-29 | 灰度图像处理方法及其装置 |
JP2014065168A JP6387646B2 (ja) | 2013-03-29 | 2014-03-27 | グレースケール画像の処理方法及び装置 |
US14/228,729 US9443286B2 (en) | 2013-03-29 | 2014-03-28 | Gray image processing method and apparatus based on wavelet transformation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310109326.3A CN104077746B (zh) | 2013-03-29 | 2013-03-29 | 灰度图像处理方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077746A CN104077746A (zh) | 2014-10-01 |
CN104077746B true CN104077746B (zh) | 2017-03-01 |
Family
ID=51598989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310109326.3A Expired - Fee Related CN104077746B (zh) | 2013-03-29 | 2013-03-29 | 灰度图像处理方法及其装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9443286B2 (zh) |
JP (1) | JP6387646B2 (zh) |
CN (1) | CN104077746B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881846A (zh) * | 2015-03-11 | 2015-09-02 | 哈尔滨工业大学深圳研究生院 | 基于双密度双树复小波的结构化图像压缩感知还原方法 |
CN105761225A (zh) * | 2015-11-20 | 2016-07-13 | 广西慧云信息技术有限公司 | 一种优化图片显示效果的方法 |
CN105741240A (zh) * | 2016-01-18 | 2016-07-06 | 中国科学院遥感与数字地球研究所 | 基于参考影像纹理约束和非凸低秩约束的遥感图像重建方法 |
CN105913382B (zh) * | 2016-03-01 | 2018-11-23 | 南京信息工程大学 | 阈值寻优的高保真各向异性滤波方法 |
CN106856001A (zh) * | 2016-12-08 | 2017-06-16 | 彭志勇 | 灰度图像的保存方法和灰度图像原始像素的获取方法 |
EP3706076B1 (en) * | 2019-03-07 | 2021-02-24 | Siemens Healthcare GmbH | Method and device to determine the dimensions and distance of a number of objects in an environment |
CN111223115B (zh) * | 2020-04-22 | 2020-07-14 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN112801889A (zh) * | 2021-01-06 | 2021-05-14 | 携程旅游网络技术(上海)有限公司 | 图像去噪方法、系统、设备及存储介质 |
CN113160080B (zh) * | 2021-04-16 | 2023-09-22 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602760A (en) * | 1994-02-02 | 1997-02-11 | Hughes Electronics | Image-based detection and tracking system and processing method employing clutter measurements and signal-to-clutter ratios |
US5799100A (en) * | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
US6285798B1 (en) * | 1998-07-06 | 2001-09-04 | Eastman Kodak Company | Automatic tone adjustment by contrast gain-control on edges |
US7020314B1 (en) * | 2001-11-13 | 2006-03-28 | Koninklijke Philips Electronics N.V. | Black blood angiography method and apparatus |
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001167264A (ja) * | 1999-09-30 | 2001-06-22 | Fuji Photo Film Co Ltd | 画像処理方法および装置並びに記録媒体 |
JP3814491B2 (ja) * | 2001-04-03 | 2006-08-30 | キヤノン株式会社 | 画像処理装置、画像処理方法、記憶媒体及びプログラム |
US6836569B2 (en) * | 2001-04-13 | 2004-12-28 | Erwan Le Pennec | Method and apparatus for processing or compressing n-dimensional signals by foveal filtering along trajectories |
US7496234B2 (en) * | 2003-06-20 | 2009-02-24 | Microsoft Corporation | System and method for seamless multiplexing of embedded bitstreams |
US7418144B2 (en) * | 2004-03-03 | 2008-08-26 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of Industry, Through The Communications Research Centre Canada | Curved wavelet transform for image and video compression |
US7856150B2 (en) * | 2007-04-10 | 2010-12-21 | Arcsoft, Inc. | Denoise method on image pyramid |
FR2924254B1 (fr) * | 2007-11-23 | 2010-01-01 | Gen Electric | Procede de traitement d'images en radioscopie interventionnelle |
CN102203826B (zh) * | 2008-12-25 | 2015-02-18 | 梅迪奇视觉成像解决方案有限公司 | 医学图像的降噪 |
US20110026791A1 (en) * | 2009-07-29 | 2011-02-03 | Icad, Inc. | Systems, computer-readable media, and methods for classifying and displaying breast density |
JP5682443B2 (ja) * | 2011-05-16 | 2015-03-11 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
JP2014068122A (ja) * | 2012-09-25 | 2014-04-17 | Sony Corp | エンコード装置、デコード装置、およびスイッチ装置 |
CN105335947B (zh) * | 2014-05-26 | 2019-03-01 | 富士通株式会社 | 图像去噪方法和图像去噪装置 |
-
2013
- 2013-03-29 CN CN201310109326.3A patent/CN104077746B/zh not_active Expired - Fee Related
-
2014
- 2014-03-27 JP JP2014065168A patent/JP6387646B2/ja active Active
- 2014-03-28 US US14/228,729 patent/US9443286B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602760A (en) * | 1994-02-02 | 1997-02-11 | Hughes Electronics | Image-based detection and tracking system and processing method employing clutter measurements and signal-to-clutter ratios |
US5799100A (en) * | 1996-06-03 | 1998-08-25 | University Of South Florida | Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms |
US6285798B1 (en) * | 1998-07-06 | 2001-09-04 | Eastman Kodak Company | Automatic tone adjustment by contrast gain-control on edges |
US7020314B1 (en) * | 2001-11-13 | 2006-03-28 | Koninklijke Philips Electronics N.V. | Black blood angiography method and apparatus |
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
Non-Patent Citations (3)
Title |
---|
《Image denoising and segmentation via nonlinear diffusion》;Chen Y M等;《Computers and Mathematics with application》;20001231;第29-131页 * |
《Image selective smoothing and edge detection by nonlinear diffusion》;Alvarez L等;《SIAM Journal on Numerieal Analysis》;19921231;第845-866页 * |
《基于非局部平均的小波域去噪研究》;葛磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515(第05期);I138-1184 * |
Also Published As
Publication number | Publication date |
---|---|
CN104077746A (zh) | 2014-10-01 |
JP2014199664A (ja) | 2014-10-23 |
JP6387646B2 (ja) | 2018-09-12 |
US9443286B2 (en) | 2016-09-13 |
US20140294318A1 (en) | 2014-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077746B (zh) | 灰度图像处理方法及其装置 | |
Negi et al. | 3-D discrete shearlet transform and video processing | |
US7260272B2 (en) | Method and apparatus for noise reduction using discrete wavelet transform | |
CN101482617B (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN105335947A (zh) | 图像去噪方法和图像去噪装置 | |
US20100179974A1 (en) | Signal Processing Method for Hierarchical Empirical Mode Decomposition and Apparatus Therefor | |
US20110069904A1 (en) | Image denoising method | |
CN104166974B (zh) | Ct定位片图像增强方法及装置 | |
CN101359399B (zh) | 光学图像去云方法 | |
JP2001057677A (ja) | 画像処理方法および装置並びに記録媒体 | |
CN104680485A (zh) | 一种基于多分辨率的图像去噪方法及装置 | |
US8139891B2 (en) | System and method for structure enhancement and noise reduction in medical images | |
CN104915930B (zh) | 对图像进行灰度补偿和噪声抑制的方法及装置 | |
CN110363763A (zh) | 图像质量评价方法、装置、电子设备及可读存储介质 | |
CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN102637292B (zh) | 一种图像的处理方法和装置 | |
CN102262775B (zh) | 一种图像降噪方法、装置及图像处理设备 | |
CN107194903A (zh) | 一种基于小波变换的多聚焦图像融合方法 | |
CN111080540B (zh) | 一种图像修复模型的训练方法和计算机设备 | |
CN105828725A (zh) | 超声波诊断装置 | |
CN102339459B (zh) | 图像处理方法、装置及医疗影像设备 | |
CN109584190A (zh) | 一种基于小波变换低频直方图受限的对比度图像增强方法 | |
Bilynsky et al. | Filtering methods in speckle noise reduction in biomedical 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170301 |