CN104103041B - 超声图像混合噪声自适应抑制方法 - Google Patents
超声图像混合噪声自适应抑制方法 Download PDFInfo
- Publication number
- CN104103041B CN104103041B CN201310722532.1A CN201310722532A CN104103041B CN 104103041 B CN104103041 B CN 104103041B CN 201310722532 A CN201310722532 A CN 201310722532A CN 104103041 B CN104103041 B CN 104103041B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- point
- difference
- value
- 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
本发明提供了一种超声图像混合噪声自适应抑制方法。本发明分别去除图像中的加性噪声和乘性噪声，通过去除加性噪声后对图像进行对数变换，将乘性噪声转化成加性噪声。然后计算图像中的各个像素点与邻域点的加权平均差值、差值的方差，并依此进行噪声判断将图像分为平稳区域和细节区域，对不同的区域分别进行空域滤波和变换域滤波后相加得到去噪图像，这样能够充分的利用两类滤波处理的优势，实现针对不同像素点应用不同滤波方法的自适应处理，方法简单方便，邻域选取合理，去噪效果较单域处理明显，实用性强。
Description
技术领域
本发明涉及到图像处理技术，特别涉及超声成像中的图像数据处理技术，尤其是一种超声去噪的方法。
背景技术
超声图像中存在的噪声可分为加性噪声和乘性噪声。加性噪声一般为高斯噪声，乘性噪声为散斑噪声。在超声成像中，当人体组织结构尺寸与入射超声波波长相近或者小于波长时，超声束发生散射。相位不同的散射回波相互干涉产生斑点噪声。它降低了超声图像的质量，使对比度较低的软组织中的正常组织和肿瘤病变得不易分别。现有的针对超声图像的噪声抑制方法主要分为空域滤波和变换域滤波两类。
空域滤波器主要包括Lee、Kun、Frost等人提出的一系列基于局部统计特性的空域滤波器，此类滤波器利用了图像局部统计参数，在抑制图像中噪声时，可在一定程度上保留图像边缘，Yu提出的斑点噪声各向异性扩散模型SARS算法，在图像中平坦区进行平滑滤波，而在图像的边缘细节区域算法对细节信息进行保留。这类滤波的效果需要依赖于滤波窗口大小和方向的选择，且同质区和异质区的斑点特征不一，去噪效果不稳定。同质区能很好的抑制散斑噪声，而异质区会造成边缘及现状目标的模糊，对边缘和细节特种的保持不够理想。
在基于变换域滤波的超声图像降噪方法中，最为广泛应用的方法是基于小波变换的降噪技术。应用小波变换对图像进行多分辨率分析方法，改善了在空域和频域中图像信号与噪声提取和分离的难题。小波变换软阈值收缩法，利用软阈值处理对噪声的系数进行滤除；基于贝叶斯估计的降噪方法针对对数变换后超声图像的小波系数，利用最小均方误差检测或最大后验概率检测理论结合对信号和噪声的分布概率模型作参数化近似，可在降噪滤波中尽可能好的保留图像信号。
但是现有技术采用以上的方法对超声图像中的斑点噪声进行抑制时，很难保证在有效的抑制噪声的同时能保证图像中的细节信息不会被破坏。
针对相同图像不同算法存在不同的优缺点，将图像按平稳程度分为不同子图，分别对不同子图进行不同的处理，充分的利用算法的优越性，达到更好的效果。
发明内容
本发明的目的是提供一种去除超声图像中噪声的混合算法处理图像中的加性噪声和乘性噪声，利用K近邻加权均值滤波保护边缘、空域滤波在同质区域能够有效抑制噪声以及小波变换在降噪中能够很好的保护细节等特点，通过设计邻域的范围和权值，对图像中像素点进行计算和划分并进行不同的处理，以自适应地实现对图像噪声的充分抑制和对细节信息的有效保留。
一种超声图像混合噪声自适应抑制方法，该方法包括：
步骤1.读取超声图像，获得超声图像数据；
步骤2.K近邻加权均值滤波；
步骤3.对滤波后的图像进行对数变换；
步骤4.对对数图像中的每个像素点进行特征判断；
步骤5.根据像素点的特征信息将图像分成平稳区域和细节区域，并标记为A和B；
步骤6.分别对A、B两个部分进行不同的滤波处理；
步骤7.对处理后的图像进行指数变换；
步骤8.输出处理后的超声图像数据，显示图像。
作为本发明的进一步技术方案，步骤4进一步包括，
步骤41.计算各个像素点与周围近似圆形邻域的加权均值差异；
步骤42.计算各个像素点与周围近似圆形邻域加权均值差异的方差。
作为本发明的进一步技术方案，步骤5进一步包括，
步骤51.像素点与周围近似圆形邻域的加权均值差异小于阈值T1，加权均值差异方差大于T2,则认为是平稳点，标记图像中所有平稳点为平稳区域A；
步骤52.图像中除了平稳点外，剩余的点都为细节点，将所有细节点标记为细节区域B。
作为本发明的进一步技术方案，步骤6进一步包括，
步骤61.对平稳区域A进行空域各向同性滤波处理；
步骤62.对平稳区域B进行小波变换软阈值滤波处理。
步骤63.对处理后的区域A和区域B相加合成新图像。
附图说明
图1.本发明超声图像去噪方法的一种实施流程图；
图2.本发明超声图像去噪方法的另一种实施流程图；
图3.像素点邻域计算权值的示意图；
图4.K近邻加权均值滤波模板(像素3×3，K＝5)。
具体实施方式
本发明的具体实施方式如图2所示：
101.读取超声图像，获得图像数据；
获取的图像中存在着加性噪声和乘性噪声，设没有经过噪声污染的原图像为g(x,y)，噪声n(x,y)可看作对每个像素点灰度的干扰，噪声干扰后的图像f(x,y)可表示为：
f(x,y)＝g(x,y)·n1(x,y)+n2(x,y)
其中n1(x,y)为乘性噪声，n2(x,y)为加性噪声。
102.对图像进行K近邻加权均值滤波处理；
K近邻加权均值滤波就是通过利用加权平滑模板对图像中的各个像素点做处理，选取模板区域覆盖区域内与中心元素灰度值相差最近的K个点作加权平均，用平均后的结果代替中心点灰度值的算法。模板选取的越大，对图像处理的效果越好。以3×3模板进行说明，K＝5，模板如图4所示。
选取模板所对应的像素值中与中心元素灰度值相差最小的5个值作加权平均，将平均后的结果作为处理后的中心元素的灰度值。公式如下：
其中f(p)为处理后的中心元素灰度值，N为与中心元素灰度值相差最小的5个点的权重之和，n(k)为与中心元素灰度值相差最小的第k个点的权重，f(k)为第k个点的灰度值。
K近邻加权均值滤波能够在有效的保护边缘的同时，对图像中的加性噪声进行处理。经过处理后图像的表达式为：
f(x,y)＝g(x,y)·n1(x,y)。
103.对图像进行对数变换获取对数图像；
f(x,y)＝g(x,y)·n1(x,y)
被乘性噪声污染的图像经过对数变换后，噪声点变为加性噪声。所以上式可以表示为
F(x,y)＝G(x,y)+N1(x,y)
其中F(,)、G(,)、N1(,)分别是f(,)、g(,)、n1(,)的对数表示。
104.计算各个像素点与周围近似圆形邻域的加权均值差异和差异的方差值；
计算邻域内各点相对于中心点灰度值差异的加权平均值，公式为：
d(k)＝|f(p)-f(k)|；
其中d(k)表示邻域中第k个点与中心点p灰度差异值的绝对值；l(k)表示第k个点在计算中所占的权重，如图3所示，邻域的形状近似为圆形，且离中心点越近权重值越大，表示该点与中心点p的相关程度越大；mean(p)表示中心点相对于邻域内各点灰度值差异的加权平均值；var(p)表示差异的方差值。
1051.将mean(p)<阈值T1，var(p)>阈值T2的像素点的集合标记为平稳区域A；
1052将不满足以上判断的像素点的集合标记为细节区域；
容易看出，当中心点为噪声点或者细节、边缘时，其与周围邻域灰度均值差异较大，且与周围邻域灰度差异较小，人为的选取两个阈值T1和T2，当mean(p)>阈值T1且var(p)<阈值T2时即可认为该点为噪声区域或者细节区域；当仅满足其中一点时即mean(p)>阈值T1且var(p)>阈值T2或者mean(p)<阈值T1且var(p)<阈值T2时则认为该点可能存在噪声；当两条件都不满足，即mean(p)<阈值T1且var(p)>阈值T2时则可认为该点属于平稳区域。将平稳区域标记为A，图像的其余部分标记为B。
1061.对A区域进行空域各向同性滤波处理
A区域为经过判断得到的平稳区域，利用空域各向同性滤波处理具有很好的去噪效果。F(x,y)＝G(x,y)+N1(x,y)
在平稳区域我们认为噪声的期望E[N1(x,y)]＝0；方差为Var[N1(x,y)]＝σ2；考虑到MMSE(最小化真实值与估计值的均方差)准则和最小平方和准则得到：
其中
Qx,y为窗口内像素点灰度的方差，为窗口内像素点的灰度平均值，Fx,y为窗口处理的像素。窗口大小会影响滤波效果，若与104步骤中用到的邻域相一致可选用5*5窗口。
1062.对B区域进行小波变换软阈值处理
对于噪声信号，其小波分解值随变换尺度的减小而增大，而信号的小波变换值随尺度的增加而增加，通过处理小波变换后的小波变换系数，可达到抑制噪声的目的，然后再对处理后的信号进行重构。小波阈值法对噪声的分离能力较空域的稍差一些，但是能够较好的保护细节。对于细节区域B来说，噪声和细节同时存在，用空域滤波会将噪声和图像细节同等对待，所以在B区域可以充分利用小波变换的优势。
1)将带噪图像在各尺度上进行小波分解，获得大尺度低分辨率下的全部小波系数；
2)对于各尺度高分辨率下的小波系数，设定一个阈值，按照给定的策略对分解的系数进行处理；
其中wj,k为各分辨率下的小波系数，为处理后的系数，T为阈值
3)将处理后获得的小波系数利用小波逆变换进行重构得到去噪后图像。
根据最小误差原理，可以计算阈值：
σ为噪声方差，n为信号样本。
小波阈值去噪方法实现简单，计算量较小，噪声几乎完全得到了抑制。
1063.将处理后的A、B区域相加合成新图像；
在这里A、B在处理中相当于两个子图像，分别处理后相加即得到了整幅图像。
107.对图像进行指数变换
图像进行对数变换是为了将加性噪声通过log变换转换为加性噪声，在去噪结束后需要对图像进行指数变换进行显示。
108输出处理后的超声图像数据，显示图像
以上所述仅为本发明较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种超声图像混合噪声自适应抑制方法，该方法包括：
步骤1.读取超声图像，获得超声图像数据；
步骤2.对所述超声图像进行K近邻加权均值滤波；
步骤3.对滤波后的图像进行对数变换；
步骤4.对对数变换得到的图像中的每个像素点进行特征判断；
步骤5.根据像素点的特征信息将图像分成平稳区域和细节区域，并标记为A和B；
步骤6.分别对不同子图A、B两个部分进行不同的滤波处理；
步骤7.对处理后的图像进行指数变换；
步骤8.输出处理后的超声图像数据，显示图像；
其特征在于，所述步骤4进一步包括：
步骤41.计算各个像素点与周围近似圆形邻域的加权均值差异；
步骤42.计算各个像素点与周围近似圆形邻域加权均值差异的方差；
其中，计算所述各个像素点与周围近似圆形邻域的加权均值差异和加权均值差异的方差的公式为：
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>40</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>20</mn>
</munderover>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>40</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>20</mn>
</munderover>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
d(k)＝|f(p)-f(k)|；
其中d(k)表示邻域中第k个点与邻域的中心点p灰度差异值的绝对值；l(k)表示第k个点在计算中所占的权重，且离邻域的中心点越近权重值越大，表示该点与中心点p的相关程度越大；mean(p)表示中心点相对于邻域内各点灰度值差异的加权平均值；var(p)表示差异的方差值；
所述步骤5进一步包括，
步骤51.像素点与周围近似圆形邻域的加权均值差异小于阈值T1，加权均值差异方差大于T2则认为是平稳点，标记图像中所有平稳点为平稳区域A；
步骤52.图像中除了平稳点外，剩余的点都为细节点，将所有细节点标记为细节区域B；
所述步骤6进一步包括，
步骤61.对平稳区域A进行空域各向同性滤波处理；
步骤62.对细节区域B进行小波变换软阈值滤波处理；
1)将带噪图像在各尺度上进行小波分解，获得大尺度低分辨率下的全部小波系数；
2)对于各尺度高分辨率下的小波系数，设定一个阈值，按照给定的策略对分解的系数进行处理；
<mrow>
<msub>
<munder>
<mi>w</mi>
<mo>&CenterDot;&CenterDot;</mo>
</munder>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>T</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mo><</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>T</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo><</mo>
<mo>-</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中wj,k为各分辨率下的小波系数，为处理后的系数，T为阈值
3)将处理后获得的小波系数利用小波逆变换进行重构得到去噪后图像；
根据最小误差原理，计算阈值：
<mrow>
<mi>T</mi>
<mo>=</mo>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
σ为噪声方差，n为信号样本；
步骤63.对处理后的区域A和区域B相加合成新图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤2包括，选取模板所对应的像素值中与中心元素灰度值相差最小的5个值作加权平均，将平均后的结果作为处理后的中心元素的灰度值；公式如下：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
其中f(p)为处理后的中心元素灰度值，N为与中心元素灰度值相差最小的5个点的权重之和，n(k)为与中心元素灰度值相差最小的第k个点的权重，f(k)为第k个点的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310722532.1A CN104103041B (zh) | 2013-12-24 | 2013-12-24 | 超声图像混合噪声自适应抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310722532.1A CN104103041B (zh) | 2013-12-24 | 2013-12-24 | 超声图像混合噪声自适应抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104103041A CN104103041A (zh) | 2014-10-15 |
| CN104103041B true CN104103041B (zh) | 2017-12-22 |
Family
ID=51671168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310722532.1A Active CN104103041B (zh) | 2013-12-24 | 2013-12-24 | 超声图像混合噪声自适应抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104103041B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394345B (zh) * | 2014-12-10 | 2017-11-07 | 黄山中鼎信息技术有限公司 | 一种安防监控视频存储与回放方法 |
| CN108280816B (zh) * | 2017-12-19 | 2020-09-18 | 维沃移动通信有限公司 | 一种高斯滤波方法及移动终端 |
| FR3099586B1 (fr) * | 2019-07-29 | 2021-08-06 | Supersonic Imagine | Système ultrasonore pour détecter un flux d’un fluide dans un milieu |
| CN111260590B (zh) * | 2020-02-29 | 2023-05-23 | 重庆港宇高科技开发有限公司 | 图像降噪方法及相关产品 |
| CN111915515A (zh) * | 2020-07-21 | 2020-11-10 | 无锡声亚医疗科技有限公司 | 超声图像中噪声去除的方法、超声设备及存储介质 |
| CN113538299B (zh) * | 2021-09-13 | 2022-01-11 | 深圳瀚维智能医疗科技有限公司 | 超声图像去噪方法、装置、设备及计算机可读存储介质 |
| CN114742727B (zh) * | 2022-03-31 | 2023-05-05 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法及系统 |
| CN117765107B (zh) * | 2023-11-20 | 2024-07-12 | 河北港口集团有限公司秦皇岛中西医结合医院 | 冠状动脉疾病ct扫描的成像质量优化方法及系统 |
| CN117423113B (zh) * | 2023-12-18 | 2024-03-05 | 青岛华正信息技术股份有限公司 | 一种档案ocr图像自适应去噪方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201900A (zh) * | 2007-11-06 | 2008-06-18 | 重庆大学 | 一种基于多级小波分解和样条插值的人脸图像光照调整方法 |
| CN102646270A (zh) * | 2012-03-14 | 2012-08-22 | 中国科学院声学研究所 | 一种超声图像噪声抑制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5251637B2 (ja) * | 2009-03-16 | 2013-07-31 | 株式会社リコー | ノイズ低減装置、ノイズ低減方法、ノイズ低減プログラム、記録媒体 |
-
2013
- 2013-12-24 CN CN201310722532.1A patent/CN104103041B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201900A (zh) * | 2007-11-06 | 2008-06-18 | 重庆大学 | 一种基于多级小波分解和样条插值的人脸图像光照调整方法 |
| CN102646270A (zh) * | 2012-03-14 | 2012-08-22 | 中国科学院声学研究所 | 一种超声图像噪声抑制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 局部同质性测度的平滑式图像噪声估计;吴强 等;《北京邮电大学学报》;20100630;第33卷(第3期);第130-134,142页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104103041A (zh) | 2014-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104103041B (zh) | 超声图像混合噪声自适应抑制方法 | |
| Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
| CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
| CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
| CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
| 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 | |
| CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
| 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 | |
| CN102306377A (zh) | 一种超声图像去噪的方法和装置 | |
| CN101901476A (zh) | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 | |
| US8139891B2 (en) | System and method for structure enhancement and noise reduction in medical images | |
| CN104021536A (zh) | 一种自适应的sar图像和多光谱图像融合方法 | |
| CN110351453A (zh) | 一种计算机视频数据处理方法 | |
| CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
| CN101504769B (zh) | 一种基于编码器框架的自适应性的噪声强度估计的方法 | |
| CN104835127A (zh) | 一种自适应平滑滤波方法 | |
| 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 | |
| CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
| CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
| Dong | Adaptive image denoising using wavelet thresholding | |
| CN102547074B (zh) | Surfacelet域BKF模型贝叶斯视频去噪方法 | |
| CN103839237B (zh) | 基于svd字典和线性最小均方误差估计的sar图像去斑方法 | |
| CN104574308A (zh) | 一种基于采样矩阵方向优化的sar图像去噪方法 | |
| Cao et al. | A License Plate Image Enhancement Method in Low Illumination Using BEMD. | |
| CN103854258A (zh) | 一种基于Contourlet变换自适应方向阈值的图像去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: B01, Building 7, No.3 Minzhuang Road, Haidian District, Beijing, 100195 Patentee after: Beijing Lepu Zhiying Technology Co.,Ltd. Patentee after: BEIJING SIASUN JIAHE CONTROL CO.,LTD. Address before: 100195 building 26, Tsinghua Science Park, 3 minzhuang Road, Haidian District, Beijing Patentee before: BEIJING HUACO HEALTHCARE TECHNOLOGIES Co.,Ltd. Patentee before: BEIJING SIASUN JIAHE CONTROL CO.,LTD. |