CN104167005A - 一种基于相似度函数的自适应加权椒盐噪声滤波方法 - Google Patents
一种基于相似度函数的自适应加权椒盐噪声滤波方法 Download PDFInfo
- Publication number
- CN104167005A CN104167005A CN201410321620.5A CN201410321620A CN104167005A CN 104167005 A CN104167005 A CN 104167005A CN 201410321620 A CN201410321620 A CN 201410321620A CN 104167005 A CN104167005 A CN 104167005A
- Authority
- CN
- China
- Prior art keywords
- pixel
- prime
- image
- noise
- signal point
- 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
Links
Abstract
本发明公开了一种基于相似度函数的自适应加权椒盐噪声滤波方法。包括以下步骤:8位灰度图像中,设定图像的滤波窗口,通过中心像素灰度值判断为噪声像素或疑似噪声像素,否则为信号像素;建立标记矩阵对噪声像素进行标记,排除滤波窗口中与中心像素灰度值相同的像素点,将满足标记矩阵元素的信号点构成第一信号点集合,对第一信号点集合中的信号点进行处理得到第一输出图像,将第一输出图像中各个输出像素对应位置的标记矩阵元素设定为零,完成滤波处理。本发明具有良好的消除噪声和保持细节的能力,实用性强;对于处理不同噪声密度的图像,本发明方法的自适应性、去除噪声的能力、保护细节方面远优于传统的滤波方法。
Description
技术领域
本发明涉及一种去除图像椒盐噪声的滤波方法,尤其是涉及一种基于相似度函数的自适应加权椒盐噪声滤波方法。
背景技术
图像在采集、传输和接收过程中受到外界环境、传感器元件质量等因素影响,引入了不同类型的噪声,导致图像质量下降,其中椒盐噪声是常见的噪声之一。能否有效地去除椒盐噪声,对于实现高效的图像分割和图像特征识别等具有重要作用。传统处理椒盐噪声的方法采用与图像有关的参数来检测、消除噪声,但在去除噪声的同时,也会修改非噪声像素的灰度值,失去图像的细节及边缘。
发明内容
为了解决背景技术中的问题,本发明提出了一种基于相似度函数的自适应加权椒盐噪声滤波方法,能高效去除图像椒盐噪声并保留图像细节。
本发明的技术方案包括以下步骤:
被椒盐噪声污染的图像为X,滤波处理后的图像为Z,按照以下步骤进行滤波:
1)8位灰度图像中,被椒盐噪声污染的图像X的滤波窗口大小为3×3,若该滤波窗口的中心像素灰度值x(i,j)为0或者255,i,j分别为滤波窗口中心像素的横、纵坐标,则该滤波窗口的中心像素为噪声像素或疑似噪声像素,否则为信号像素;
2)建立与被椒盐噪声污染的图像X大小相同的标记矩阵F对噪声像素进行标记,在标记矩阵F中,若被椒盐噪声污染的图像X的滤波窗口的中心像素灰度值x(i,j)所在的像素为噪声像素或疑似噪声像素,则标记矩阵元素F(i,j)=1;否则标记矩阵元素F(i,j)=0;
3)排除滤波窗口中与中心像素灰度值x(i,j)相同的像素点,将满足标记矩阵元素F(i,j)=0的信号点构成第一信号点集合[x(i+s,j+t)],其中s,t分别横纵坐标的偏移量,-1≤s≤1,-1≤t≤1;
4)对第一信号点集合[x(i+s,j+t)]中的信号点进行处理得到第一输出图像Y,将第一输出图像Y中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0;
5)完成滤波处理。
所述的步骤4)和步骤5)之间按照以下步骤再继续进行滤波处理:
a)在第一输出图像Y中以标记矩阵元素F(i,j)=1处的第一输出像素灰度值y(i,j)所在像素为中心,建立3×3新的滤波窗口,该新的滤波窗口内排除除中心像素外的非极值像素,构成第二信号点集合[y(i+s,j+t)],其中-1≤s≤1,-1≤t≤1;
b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理得到第二输出图像Z;
c)将第二输出图像Z中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0,即将第二输出图像Z中的第二输出像素灰度值z(i,j)对应的噪声像素或疑似噪声像素进行滤波,变成信号点。
所述的步骤4)中对第一信号点集合[x(i+s,j+t)]中的信号点进行处理方法具体包括:
若第一信号点集合[x(i+s,j+t)]中的信号点个数大于0,则计算第一信号点集合[x(i+s,j+t)]中的信号点灰度值中值median([x(i+s,j+t)]),然后利用相似度函数1/(1+G2)来构造各个信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点中值的差,即第一信号点集合[x(i+s,j+t)]中的任一信号点像素灰度值x(i’,j’)对应的第一加权系数μ(i’,j’)满足如下公式1,其中i’,j’为除了被处理信号点之外的其余信号点的横、纵坐标:
则第一信号点集合[x(i+s,j+t)]中各个信号点像素位置处的第一输出像素灰度值y(i,j)满足如下公式2,从而得到第一输出图像Y:
若第一信号点集合[x(i+s,j+t)]中的信号点个数等于0,则第一输出图像Y中各个第一输出像素灰度值y(i,j)满足如下公式3,从而得到第一输出图像Y:
其中,y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1)均是与中心像素灰度值x(i,j)所在中心像素邻近且已被滤波过的像素点的灰度值。
所述的步骤b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理方法具体包括:
若第二信号点集合[y(i+s,j+t)]中的信号点个数大于0,利用相似度函数1/(1+G2)来构造其中信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点的欧氏距离,即第二信号点集合[y(i+s,j+t)]中的任一信号点像素灰度值y(i’,j’)对应的第二加权系数ω(i’,j’)满足如下公式4:
则第二信号点集合[y(i+s,j+t)]中各个信号点像素位置处的第二输出像素灰度值z(i,j)满足如下公式5,从而得到第二输出图像Z:
若第二信号点集合[y(i+s,j+t)]中的信号点个数等于0,则第二输出图像Z中各个第二输出像素灰度值z(i,j)满足如下公式6,从而得到第二输出图像Z:
其中z(i-1,j-1),z(i-1,j),z(i-1,j+1),z(i,j-1)均是与第一输出像素灰度值y(i,j)所在像素邻近且已被滤波过的像素点灰度值。
本发明具有的有益的效果是:
1、对椒盐噪声密度为10%~90%的图像,均具有良好的消除噪声和保持细节的能力,实用性强;
2、针对性地选择滤波窗口下的疑似噪声像素,避免了无谓的计算和图像细节的损失;
3、有效选择信号像素集合并对疑似噪声像素进行滤波,避免噪声像素的漏检,图像恢复的准确性高;
4、实现边缘、细节等高频信号在内的更多像素参与重构,图像去噪效果更好,细节保持更完整;
5、本发明不需人为设定阈值,可以实现图像的自适应滤波,高效地去除高密度椒盐噪声,保留边缘及图像细节。
附图说明
图1为实施例的滤波窗口示意图。
图2为实施例80%的噪声图像Man及六种方法对其滤波后的结果。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明方法包括以下步骤:被椒盐噪声污染的图像为X,滤波处理后的图像为Z,按照以下步骤对被椒盐噪声污染的图像X进行滤波:
1)如图1所示,8位灰度图像中,被椒盐噪声污染的图像X的滤波窗口大小为3×3,若该滤波窗口的中心像素灰度值x(i,j)为0或者255,i,j分别为滤波窗口中心像素的横、纵坐标,则该滤波窗口的中心像素为噪声像素或疑似噪声像素,否则为信号像素;
2)建立与被椒盐噪声污染的图像X大小相同的标记矩阵F对噪声像素进行标记,在标记矩阵F中,若被椒盐噪声污染的图像X的滤波窗口的中心像素灰度值x(i,j)所在的像素为噪声像素或疑似噪声像素,则标记矩阵元素F(i,j)=1;否则标记矩阵元素F(i,j)=0;
3)排除滤波窗口中与中心像素灰度值x(i,j)相同的像素点,将满足标记矩阵元素F(i,j)=0的信号点构成第一信号点集合[x(i+s,j+t)],其中s,t分别横纵坐标的偏移量,-1≤s≤1,-1≤t≤1;
4)对第一信号点集合[x(i+s,j+t)]中的信号点进行处理得到第一输出图像Y,将第一输出图像Y中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0;
步骤4)中对第一信号点集合[x(i+s,j+t)]中的信号点进行处理方法具体包括:
若第一信号点集合[x(i+s,j+t)]中的信号点个数大于0,则计算第一信号点集合[x(i+s,j+t)]中的信号点灰度值中值median([x(i+s,j+t)]),然后利用相似度函数1/(1+G2)来构造各个信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点中值的差,即第一信号点集合[x(i+s,j+t)]中的任一信号点像素灰度值x(i’,j’)对应的第一加权系数μ(i’,j’)满足如下公式1,其中i’,j’为除了被处理信号点之外的其余信号点的横、纵坐标:
则第一信号点集合[x(i+s,j+t)]中各个信号点像素位置处的第一输出像素灰度值y(i,j)满足如下公式2,从而得到第一输出图像Y:
若第一信号点集合[x(i+s,j+t)]中的信号点个数等于0,则第一输出图像Y中各个第一输出像素灰度值y(i,j)满足如下公式3,从而得到第一输出图像Y:
其中,y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1)均是与中心像素灰度值x(i,j)所在中心像素邻近且已被滤波过的像素点的灰度值。
5)完成滤波处理。
优选地,步骤4)和步骤5)之间可按照以下步骤再继续进行滤波处理,以更进一步优化滤波效果:
a)在第一输出图像Y中以标记矩阵元素F(i,j)=1处的第一输出像素灰度值y(i,j)所在像素为中心,建立3×3新的滤波窗口,该新的滤波窗口内排除除中心像素外的非极值像素,构成第二信号点集合[y(i+s,j+t)],其中-1≤s≤1,-1≤t≤1;
b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理得到第二输出图像Z;步骤b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理方法具体包括:
若第二信号点集合[y(i+s,j+t)]中的信号点个数大于0,利用相似度函数1/(1+G2)来构造其中信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点中值的欧氏距离,即第二信号点集合[y(i+s,j+t)]中的任一信号点像素灰度值y(i’,j’)对应的第二加权系数ω(i’,j’)满足如下公式4:
则第二信号点集合[y(i+s,j+t)]中各个信号点像素位置处的第二输出像素灰度值z(i,j)满足如下公式5,从而得到第二输出图像Z:
若第二信号点集合[y(i+s,j+t)]中的信号点个数等于0,则第二输出图像Z中各个第二输出像素灰度值z(i,j)满足如下公式6,从而得到第二输出图像Z:
其中z(i-1,j-1),z(i-1,j),z(i-1,j+1),z(i,j-1)均是与第一输出像素灰度值y(i,j)所在像素邻近且已被滤波过的像素点灰度值。
c)将第二输出图像Z中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0,即将第二输出图像Z中的第二输出像素灰度值z(i,j)对应的噪声像素或疑似噪声像素进行滤波,变成信号点。可重复上述步骤继续对各个噪声像素或疑似噪声像素进行滤波处理。
优选的,上述y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1)可以分别是位于中心像素灰度值x(i,j)所在的中心像素左下方、左侧、左上方、下方的像素点灰度值,且均已被滤波过。
优选的,上述z(i-1,j-1),z(i-1,j),z(i-1,j+1),z(i,j-1)均是位于第一输出像素灰度值y(i,j)所在像素左下方、左侧、左上方、下方的像素点灰度值,且均已被滤波过。
本发明的实施例如下:
选择512×512大小的256灰度级图像Couple,Lena,Pepper,Barbara,Man作为测试图像,给每张测试图像加入密度从10%到90%的椒盐噪声,使用AMF,MMEMF,DBIN,NAFSMF中的方法,本发明方法分别对噪声图像进行滤波,整个滤波过程选择3×3滤波窗口,用PSNR(db)来衡量以上六种方法的去噪能力,测试结果如表2到表6所示。
表2图像Couple的测试结果
表3图像Lena的测试结果
表4图像Pepper的测试结果
表5图像Barbara的测试结果
表6图像Man的测试结果
图2给出以上六种方法对噪声密度为80%的图像Man滤波后的图像,(a)至(h)依次为:原图像,噪声图像,AMF方法恢复的图像,NAFSMF方法恢复的图像恢复的图像,DBIN方法恢复的图像,MMEMF方法恢复的图像,本发明方法恢复的图像。
由此可以看出,本发明对椒盐噪声密度为10%~90%的图像均具有良好的消除噪声和保持细节的能力,实用性强。
相比传统的AMF,MMEMF,DBIN,NAFSMF中的方法更高效地去除高密度椒盐噪声,针对性地选择滤波窗口下的疑似噪声像素,避免了无谓的计算和图像细节的损失,保留边缘及图像细节。并且,其有效选择信号像素集合并对疑似噪声像素进行滤波,避免噪声像素的漏检,图像恢复的准确性更高。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (4)
1.一种基于相似度函数的自适应加权椒盐噪声滤波方法,其特征在于:被椒盐噪声污染的图像为X,滤波处理后的图像为Z,按照以下步骤进行滤波:
1)8位灰度图像中,被椒盐噪声污染的图像X的滤波窗口大小为3×3,若该滤波窗口的中心像素灰度值x(i,j)为0或者255,i,j分别为滤波窗口中心像素的横、纵坐标,则该滤波窗口的中心像素为噪声像素或疑似噪声像素,否则为信号像素;
2)建立与被椒盐噪声污染的图像X大小相同的标记矩阵F对噪声像素进行标记,在标记矩阵F中,若被椒盐噪声污染的图像X的滤波窗口的中心像素灰度值x(i,j)所在的像素为噪声像素或疑似噪声像素,则标记矩阵元素F(i,j)=1;否则标记矩阵元素F(i,j)=0;
3)排除滤波窗口中与中心像素灰度值x(i,j)相同的像素点,将满足标记矩阵元素F(i,j)=0的信号点构成第一信号点集合[x(i+s,j+t)],其中s,t分别横纵坐标的偏移量,-1≤s≤1,-1≤t≤1;
4)对第一信号点集合[x(i+s,j+t)]中的信号点进行处理得到第一输出图像Y,将第一输出图像Y中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0;
5)完成滤波处理。
2.根据权利要求1所述的一种基于相似度函数的自适应加权椒盐噪声滤波方法,其特征在于:所述的步骤4)和步骤5)之间按照以下步骤再继续进行滤波处理:
a)在第一输出图像Y中以标记矩阵元素F(i,j)=1处的第一输出像素灰度值y(i,j)所在像素为中心,建立3×3新的滤波窗口,该新的滤波窗口内排除除中心像素外的非极值像素,构成第二信号点集合[y(i+s,j+t)],其中-1≤s≤1,-1≤t≤1;
b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理得到第二输出图像Z;
c)将第二输出图像Z中各个输出像素对应位置的标记矩阵元素F(i,j)设定为0,即将第二输出图像Z中的第二输出像素灰度值z(i,j)对应的噪声像素或疑似噪声像素进行滤波,变成信号点。
3.根据权利要求2所述的一种基于相似度函数的自适应加权椒盐噪声滤波方法,其特征在于:所述的步骤4)中对第一信号点集合[x(i+s,j+t)]中的信号点进行处理方法具体包括:
若第一信号点集合[x(i+s,j+t)]中的信号点个数大于0,则计算第一信号点集合[x(i+s,j+t)]中的信号点灰度值中值median([x(i+s,j+t)]),然后利用相似度函数1/(1+G2)来构造各个信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点中值的差,即第一信号点集合[x(i+s,j+t)]中的任一信号点像素灰度值x(i’,j’)对应的第一加权系数μ(i’,j’)满足如下公式1,其中i’,j’为除了被处理信号点之外的其余信号点的横、纵坐标:
则第一信号点集合[x(i+s,j+t)]中各个信号点像素位置处的第一输出像素灰度值y(i,j)满足如下公式2,从而得到第一输出图像Y:
若第一信号点集合[x(i+s,j+t)]中的信号点个数等于0,则第一输出图像Y中各个第一输出像素灰度值y(i,j)满足如下公式3,从而得到第一输出图像Y:
其中,y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1)均是与中心像素灰度值x(i,j)所在中心像素邻近且已被滤波过的像素点的灰度值。
4.根据权利要求3所述的一种基于相似度函数的自适应加权椒盐噪声滤波方法,其特征在于:所述的步骤b)对第二信号点集合[y(i+s,j+t)]中的信号点进行处理方法具体包括:
若第二信号点集合[y(i+s,j+t)]中的信号点个数大于0,利用相似度函数1/(1+G2)来构造其中信号点像素对应的加权系数,G为被处理点与第一信号点集合[x(i+s,j+t)]中的其他信号点的欧氏距离,即第二信号点集合[y(i+s,j+t)]中的任一信号点像素灰度值y(i’,j’)对应的第二加权系数ω(i’,j’)满足如下公式4:
则第二信号点集合[y(i+s,j+t)]中各个信号点像素位置处的第二输出像素灰度值z(i,j)满足如下公式5,从而得到第二输出图像Z:
若第二信号点集合[y(i+s,j+t)]中的信号点个数等于0,则第二输出图像Z中各个第二输出像素灰度值z(i,j)满足如下公式6,从而得到第二输出图像Z:
其中z(i-1,j-1),z(i-1,j),z(i-1,j+1),z(i,j-1)均是与第一输出像素灰度值y(i,j)所在像素邻近且已被滤波过的像素点灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321620.5A CN104167005A (zh) | 2014-07-07 | 2014-07-07 | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321620.5A CN104167005A (zh) | 2014-07-07 | 2014-07-07 | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104167005A true CN104167005A (zh) | 2014-11-26 |
Family
ID=51910796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321620.5A Pending CN104167005A (zh) | 2014-07-07 | 2014-07-07 | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104167005A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915938A (zh) * | 2015-07-02 | 2015-09-16 | 中国人民解放军国防科学技术大学 | 一种高密度椒盐噪声污染图像修复方法 |
CN106910169A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种防止边缘模糊的图像椒盐噪声去除方法 |
CN107067376A (zh) * | 2017-01-15 | 2017-08-18 | 四川精目科技有限公司 | 一种rbf插值椒盐噪声图像修复方法 |
CN108257106A (zh) * | 2018-02-11 | 2018-07-06 | 湖南文理学院 | 基于b样条的医学图像处理方法 |
CN108320269A (zh) * | 2017-01-18 | 2018-07-24 | 重庆邮电大学 | 一种高效消除高密度椒盐噪声的方法 |
CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN111080534A (zh) * | 2019-10-31 | 2020-04-28 | 北京迈格威科技有限公司 | 图像滤波方法、装置及电子设备 |
CN113591563A (zh) * | 2021-06-24 | 2021-11-02 | 金陵科技学院 | 图像固定值脉冲噪声去噪方法及其模型训练方法 |
CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6535860B1 (en) * | 1999-08-02 | 2003-03-18 | National Science Council | Design and hardware synthesis of adaptive weighted fuzzy mean image filter |
CN103634537A (zh) * | 2013-09-27 | 2014-03-12 | 中国人民解放军空军工程大学 | 一种高强度脉冲噪声滤除方法 |
CN103761707A (zh) * | 2013-12-20 | 2014-04-30 | 浙江大学 | 一种快速高效去除图像椒盐噪声的均值滤波方法 |
CN103871034A (zh) * | 2014-03-22 | 2014-06-18 | 四川大学 | 一种自适应的图像椒盐噪声滤除方法 |
-
2014
- 2014-07-07 CN CN201410321620.5A patent/CN104167005A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6535860B1 (en) * | 1999-08-02 | 2003-03-18 | National Science Council | Design and hardware synthesis of adaptive weighted fuzzy mean image filter |
CN103634537A (zh) * | 2013-09-27 | 2014-03-12 | 中国人民解放军空军工程大学 | 一种高强度脉冲噪声滤除方法 |
CN103761707A (zh) * | 2013-12-20 | 2014-04-30 | 浙江大学 | 一种快速高效去除图像椒盐噪声的均值滤波方法 |
CN103871034A (zh) * | 2014-03-22 | 2014-06-18 | 四川大学 | 一种自适应的图像椒盐噪声滤除方法 |
Non-Patent Citations (2)
Title |
---|
宋宇等: ""基于相似度函数的图像椒盐噪声自适应滤除算法"", 《自动化学报》 * |
武英: ""一种图像椒盐噪声自适应滤除算法及研究"", 《南京晓庄学院学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915938A (zh) * | 2015-07-02 | 2015-09-16 | 中国人民解放军国防科学技术大学 | 一种高密度椒盐噪声污染图像修复方法 |
CN104915938B (zh) * | 2015-07-02 | 2017-08-01 | 中国人民解放军国防科学技术大学 | 一种高密度椒盐噪声污染图像修复方法 |
CN107067376A (zh) * | 2017-01-15 | 2017-08-18 | 四川精目科技有限公司 | 一种rbf插值椒盐噪声图像修复方法 |
CN108320269A (zh) * | 2017-01-18 | 2018-07-24 | 重庆邮电大学 | 一种高效消除高密度椒盐噪声的方法 |
CN106910169B (zh) * | 2017-01-26 | 2019-09-20 | 苏州大学 | 一种防止边缘模糊的图像椒盐噪声去除方法 |
CN106910169A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种防止边缘模糊的图像椒盐噪声去除方法 |
CN108257106A (zh) * | 2018-02-11 | 2018-07-06 | 湖南文理学院 | 基于b样条的医学图像处理方法 |
CN111080534A (zh) * | 2019-10-31 | 2020-04-28 | 北京迈格威科技有限公司 | 图像滤波方法、装置及电子设备 |
CN111080534B (zh) * | 2019-10-31 | 2023-09-15 | 北京迈格威科技有限公司 | 图像滤波方法、装置及电子设备 |
CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN110930330B (zh) * | 2019-11-22 | 2022-05-31 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN113591563A (zh) * | 2021-06-24 | 2021-11-02 | 金陵科技学院 | 图像固定值脉冲噪声去噪方法及其模型训练方法 |
CN113591563B (zh) * | 2021-06-24 | 2023-06-06 | 金陵科技学院 | 图像固定值脉冲噪声去噪方法及其模型训练方法 |
CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
CN113793277B (zh) * | 2021-09-07 | 2024-04-26 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104167005A (zh) | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 | |
CN106910169B (zh) | 一种防止边缘模糊的图像椒盐噪声去除方法 | |
CN106373098B (zh) | 基于非相似像素统计的随机脉冲噪声去除方法 | |
CN103942816B (zh) | 一种基于图像处理的木材单板节子数量和大小的识别方法 | |
CN103761707B (zh) | 一种快速高效去除图像椒盐噪声的均值滤波方法 | |
CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN102262778A (zh) | 基于改进的分数阶微分掩模的图像增强方法 | |
CN103778611A (zh) | 利用边缘检测的开关加权矢量中值滤波方法 | |
CN104809701A (zh) | 一种基于迭代开关中均值的图像椒盐噪声去除方法 | |
CN101877123A (zh) | 一种图像增强方法和装置 | |
CN107038688A (zh) | 基于Hessian矩阵的图像噪点检测及去噪方法 | |
CN103020918A (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN101908205B (zh) | 基于幻方编码的中值滤波方法 | |
CN104331863A (zh) | 一种图像滤波去噪方法 | |
CN102663706A (zh) | 基于菱形模板的自适应加权均值滤波方法 | |
CN103927723A (zh) | 基于神经模糊系统和边缘检测的图像滤波方法 | |
CN103093443A (zh) | 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法 | |
CN105894474A (zh) | 一种非线性图像增强方法及边缘检测方法 | |
CN104751426A (zh) | 基于三维块匹配变换去除高密度脉冲噪声的方法 | |
CN107784639A (zh) | 一种无人机遥感图像改进多边滤波去噪方法 | |
CN101655977B (zh) | 基于差分图像检测、多窗口滤波去除图像脉冲噪声的方法 | |
CN101431606A (zh) | 一种基于边缘检测的自适应降噪处理方法 | |
CN102670251A (zh) | 基于数值排序加权平均的超声图像空间滤波方法 | |
CN103150725A (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
Veerakumar et al. | An approach to minimize very high density salt and pepper noise through trimmed global mean |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141126 |
|
WD01 | Invention patent application deemed withdrawn after publication |