CN104809705A - 一种基于阈值块匹配的图像去噪的方法和系统 - Google Patents
一种基于阈值块匹配的图像去噪的方法和系统 Download PDFInfo
- Publication number
- CN104809705A CN104809705A CN201510211827.1A CN201510211827A CN104809705A CN 104809705 A CN104809705 A CN 104809705A CN 201510211827 A CN201510211827 A CN 201510211827A CN 104809705 A CN104809705 A CN 104809705A
- Authority
- CN
- China
- Prior art keywords
- image
- block
- matching
- threshold value
- sad
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于阈值块匹配的图像去噪的方法和系统,其通过获取时间上连续的多张待处理图像,并根据所述待处理图像的亮度计算块匹配的阈值,以及进行模糊滤波处理得到模糊图像,按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配,然后以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像,最后将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像;从而大大提高了块匹配的效率,并保证了匹配的准确度,提升了去噪的效果,可以较方便地投入到工业生产中。
Description
技术领域
本发明涉及图像技术领域,特别是一种基于阈值块匹配的图像去噪的方法及其应用该方法的系统。
背景技术
目前我们对图像进行消除噪点的方法都是使用单张照片进行处理,例如局部邻域平滑滤波器,它虽然能够很好地抑制噪声并且重构出图像的主要结构信息,但是却不能有效地保留图像中的细节信息,例如边缘、纹理等信息,这是因为这些方法假设原始图像满足正则性条件,在这种假设下,边缘与纹理等细节被理解为噪声而被光滑。
为了克服这一缺陷,A.Buades,B.Coll等人提出了非局部均值滤波(Nonlocalmeans,NLM)算法,该算法利用了自然图像中高度的信息冗余性,即对于一幅自然图像中的每一个小图像块,在整个图像中存在许多与之相似的图像块。正像局部邻域滤波那样,可以定义“像素i的邻域”为图像中与像素i有着相似块的像素的集合。在这个邻域中的所有像素都可以用来预测像素i的值。从这个意义上,NLM算法相当于扩展了局部邻域滤波,图像的自相似性可以看作是一种更加一般化更加精确的正则性假设。
块匹配其实就是在一个搜索区域中寻找与参考块最接近的块,接近的程度可以用SSD(均方差)、MAD(平均绝对差)或者SAD(绝对差值和)来衡量,这些数值越小,说明两个块越接近。相比于方差,绝对差值更具有抗噪的特性,因此一般采用SAD来进行块匹配。最简单的块匹配就是全搜索,在预定的搜索范围内,计算每一个块与参考块的SAD,其中SAD最小的块为匹配的结果。然而全搜索计算量太大,速度慢地惊人,并且SAD最小的块并非是最优块——有可能出现这样的情况,在平滑的区域,累加SAD较大的块在去噪的效果方面会比累加SAD较小的块更为突出。因为SAD最小的块,往往是由于噪点分布相似而已,将噪点分布相似的块累加求均值,得到的便是保留噪点的图像。
发明内容
本发明为解决上述问题,提供了一种基于阈值块匹配的图像去噪的方法和系统,使用分层搜索方法以及阈值排除法,大大提高了块匹配的效率和准确度。
为实现上述目的,本发明采用的技术方案为:
一种基于阈值块匹配的图像去噪的方法,其特征在于,包括以下步骤:
a.获取时间上连续的多张待处理图像;
b.对所述的待处理图像进行模糊滤波处理,得到模糊图像;
c.根据所述待处理图像的亮度计算块匹配的阈值;
d.按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
e.以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
f.将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
优选的,所述的步骤a中,时间上连续的多张待处理图像,主要是指在同一个时刻驱动摄像头进行连续多次的数据捕获,得到所述的多张待处理图像。
优选的,所述的步骤b中,对所述的待处理图像进行模糊滤波处理,主要是将所述的多张待处理图像分别用3*3大小的窗口进行模糊滤波处理,得到模糊图像。
优选的,所述的模糊滤波处理,主要采用中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理中的一种或一种以上的结合。
优选的,所述的步骤c中,根据所述待处理图像的亮度计算块匹配的阈值,计算方法如下:
c1.根据拍摄待处理图像时的ISO感光度和快门速度得到待处理图像的亮度,并计算出所述的阈值;
或者
c2.通过对待处理图像进行直方图统计进行图像亮度的评估,并计算出所述的阈值。
优选的,所述的步骤d中,按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配,进一步包括以下步骤:
d1.设置搜索范围;
d2.计算所述搜索范围的中心点坐标(x,y)及其上下左右1距离的周围四个点的坐标(x,y-1)、(x,y+1)、(x-1,y)和(x+1,y);
d3.计算所述中心点及其周围四个点所在的图像块的SAD;
d4.将SAD最大的图像块的中心点作为新的中心点;
d5.计算新的中心点坐标(x’,y’)及其上下左右2距离的周围四个点的坐标(x’,y’-2)、(x’,y’+2)、(x’-2,y’)和(x’+2,y’);
d6.计算所述新的中心点及其周围四个点所在的图像块的SAD;
d7.以此类推,直到计算到n距离的范围;
d8.最后计算得到所述搜索范围内SAD最小的图像块。
优选的,所述的步骤e中,将SAD小于所述阈值的图像块累加至参照图的对应位置得到累加和图像,进一步包括以下步骤:
e1.预设块匹配窗口大小为w,按照分层搜索的算法进行块匹配;
e2.若当前窗口的图像块的SAD小于阈值,则将该图像块的各个像素点的颜色值累加至累加和图像的对应位置,并增加累加和图像中对应像素点的累加次数;
e3.跳出此次搜索,并将窗口偏移w-1位,进入下一个块匹配并重复步骤e2。
优选的,所述的步骤f中,将累加和图像中各个像素点的颜色值除以对应像素点的累加次数得到去噪图像,计算方法如下:
resultColor=colorTotal/time;
其中,colorTotal为所述的累加和图像中每个像素点的红、绿、蓝通道的颜色累加的和;time为所述的累加和图像中对应像素点的累加次数;resultColor为去噪图像上对应像素点的红、绿、蓝通道的颜色值。
另外,本发明还提供了一种基于阈值块匹配的图像去噪的系统,其特征在于,该系统包括:
图像获取模块,用于获取时间上连续的多张待处理图像;
模糊处理模块,用于对所述的待处理图像进行模糊滤波处理得到模糊图像;
阈值计算模块,其根据所述待处理图像的亮度计算块匹配的阈值;
块匹配模块,其按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
累加模块,其以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
除法模块,其将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
优选的,所述的块匹配模块进一步包括:
分层搜索模块,其通过设置搜索范围,并分别计算所述搜索范围的中心点坐标(x,y)及其上下左右i距离的周围四个点的坐标(x,y-i)、(x,y+i)、(x-i,y)和(x+i,y),其中i的取值为1至n;
SAD计算模块,用于计算所述中心点及其周围四个点所在的图像块的SAD;
比较判断模块,对所述的SAD计算模块的计算结果进行比较分析,计算得到所述搜索范围内SAD最小的图像块。
本发明的有益效果是:
本发明的一种基于阈值块匹配的图像去噪的方法和系统,其通过获取时间上连续的多张待处理图像,并根据所述待处理图像的亮度计算块匹配的阈值,以及进行模糊滤波处理得到模糊图像,按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配,然后以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像,最后将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像;从而大大提高了块匹配的效率,并保证了匹配的准确度,提升了去噪的效果,可以较方便地投入到工业生产中。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种基于阈值块匹配的图像去噪的方法的流程简图;
图2为本发明一种基于阈值块匹配的图像去噪的系统的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于阈值块匹配的图像去噪的方法,其包括以下步骤:
a.获取时间上连续的多张待处理图像;
b.对所述的待处理图像进行模糊滤波处理,得到模糊图像;
c.根据所述待处理图像的亮度计算块匹配的阈值;
d.按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
e.以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
f.将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
上述步骤并非一定要按照a至f的顺序依次执行,例如步骤c可以设置在步骤b之前,或者也可以设置在步骤d之后,只要执行步骤包含以上各个步骤即视为与本发明的方案相同或者等同。
所述的步骤a中,时间上连续的多张待处理图像,主要是指在同一个时刻驱动摄像头进行连续多次的数据捕获,得到所述的多张待处理图像;其中,待处理图像的张数优选为大于或等于3。
所述的步骤b中,对所述的待处理图像进行模糊滤波处理,主要是将所述的多张待处理图像分别用3*3大小的窗口进行模糊滤波处理,得到模糊图像;所述的模糊滤波处理,主要采用中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理中的一种或一种以上的结合,具体处理方法如下:
中值模糊处理,即中值滤波处理,主要是对要处理的像素点周围的N*N模板像素点的颜色值进行从大到小或者从小到大的排序,得到排序后最中间的那个颜色值,即中位数,然后将该像素点的颜色值设置为其中位数的颜色值;其中,N为模糊的半径。
高斯模糊处理,主要是采用正态分布计算图像中每个像素的变换,其中,在N维空间的正态分布方程为:
在二维空间的正态分布方程为:
其中r是模糊半径(r2=u2+v2),σ是正态分布的标准偏差,u是原像素点在x轴上的位置偏移值,v是原像素点在y轴上的位置偏移值。
均值模糊处理是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素;该临近像素是指以目标象素为中心的周围8个象素,构成一个滤波模板,即去掉目标象素本身;再用模板中的全体像素的平均值来代替原来像素值。
卷积处理:卷积是对矩阵中的每一个元素进行的操作,卷积所实现的功能是由其卷积核的形式决定的,卷积核是一个大小固定、有数值参数构成的矩阵,矩阵的中心为参考点或锚点,矩阵的大小称为核支撑;要计算一个像素点的卷积后的颜色值,首先将核的参考点定位到该像素点,核的其余元素覆盖矩阵中相对应的局部周围点;对于每一个核中的的像素点,得到这个像素点的值与卷积核数组中特定点的值的乘积并求所有这些乘积的累加和,即该特定点的卷积值,用这个结果替代该像素点的颜色值;通过在整个图像上移动卷积核,对图像的每个像素点重复此操作。
所述的步骤c中,根据所述待处理图像的亮度计算块匹配的阈值,计算方法如下:
c1.根据拍摄待处理图像时的ISO感光度和快门速度得到待处理图像的亮度,并计算出所述的阈值;
或者
c2.通过对待处理图像进行直方图统计进行图像亮度的评估,并计算出所述的阈值。
阈值是影响处理效果和效率的最大因素。阈值越大,SAD小于阈值的概率越大,计算SAD的次数越少,运行速度越快,去噪越明显,然而,在一些对比度比较小的区域,被误累加的块就越多,也就导致结果图像越模糊。反之,运行速度越慢,去噪越不明显,图像会相对更清晰。因此,阈值必须找到模糊和去噪的平衡点,要达到模糊度和噪声程度综合最小的效果。
据分析,在亮度比较高的情况下,图像对比度相对较高,边缘的色差比较大,在块匹配中边缘的SAD受图像本身颜色影响的权重远大于噪声,这样就可以增大阈值,达到更好的效果。然而在亮度比较低的情况下,边缘不够明显,导致边缘处匹配时得到的SAD比较小,这样噪声所占的比重就增大了,此时如果按照噪声的水平设定阈值,则边缘将会被模糊,因此一般采用减小阈值,通过降低去噪效果来保证去噪图像的清晰度,本发明主要是根据上述原则来设置阈值。
所述的步骤d中,按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配,进一步包括以下步骤:
d1.设置搜索范围;
d2.计算所述搜索范围的中心点坐标(x,y)及其上下左右1距离的周围四个点的坐标(x,y-1)、(x,y+1)、(x-1,y)和(x+1,y);
d3.计算所述中心点及其周围四个点所在的图像块的SAD;
d4.将SAD最大的图像块的中心点作为新的中心点;
d5.计算新的中心点坐标(x’,y’)及其上下左右2距离的周围四个点的坐标(x’,y’-2)、(x’,y’+2)、(x’-2,y’)和(x’+2,y’);
d6.计算所述新的中心点及其周围四个点所在的图像块的SAD;
d7.以此类推,直到计算到n距离的范围;
d8.最后计算得到所述搜索范围内SAD最小的图像块。
所述的步骤e中,将SAD小于所述阈值的图像块累加至参照图的对应位置得到累加和图像,进一步包括以下步骤:
e1.预设块匹配窗口大小为w,按照分层搜索的算法进行块匹配;
e2.若当前窗口的图像块的SAD小于阈值,则将该图像块的各个像素点的颜色值累加至累加和图像的对应位置,并增加累加和图像中对应像素点的累加次数;
e3.跳出此次搜索,并将窗口偏移w-1位,进入下一个块匹配并重复步骤e2。
采用上述累加方法可以使分块后的每一个块的边缘叠加处理,降低“分块效应”。
所述的步骤f中,将累加和图像中各个像素点的颜色值除以对应像素点的累加次数得到去噪图像,计算方法如下:
resultColor=colorTotal/time;
其中,colorTotal为所述的累加和图像中每个像素点的红、绿、蓝通道的颜色累加的和;time为所述的累加和图像中对应像素点的累加次数;resultColor为去噪图像上对应像素点的红、绿、蓝通道的颜色值。
如图2所示,本发明根据上述去噪方法,还提供了一种基于阈值块匹配的图像去噪的系统,该系统包括:
图像获取模块A,用于获取时间上连续的多张待处理图像;
模糊处理模块B,用于对所述的待处理图像进行模糊滤波处理得到模糊图像;
阈值计算模块C,其根据所述待处理图像的亮度计算块匹配的阈值;
块匹配模块D,其按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
累加模块E,其以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
除法模块F,其将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
本实施例中,所述的块匹配模块D进一步包括:
分层搜索模块D1,其通过设置搜索范围,并分别计算所述搜索范围的中心点坐标(x,y)及其上下左右i距离的周围四个点的坐标(x,y-i)、(x,y+i)、(x-i,y)和(x+i,y),其中i的取值为1至n;
SAD计算模块D2,用于计算所述中心点及其周围四个点所在的图像块的SAD;
比较判断模块D3,对所述的SAD计算模块D2的计算结果进行比较分析,计算得到所述搜索范围内SAD最小的图像块。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明主要使用的技术是分层搜索的块匹配,并用阈值法加以改造。假设多张图像之间没有位移,那么直接累加图像求均值,就可以达到去噪的效果。但是现实中连拍的照片必然会出现抖动,直接累加就会产生模糊,这时候就需要块匹配来找到不同图像之间对应的块进行累加,防止模糊。本发明使用分层搜索的方式,大大提高了块匹配的效率和准确度,并且阈值法排除了不必要的运算,提升了去噪的效果和算法的效率。总的来说,本技术在拥有非常好的去噪效果的基础上,具有较高的空间效率和时间效率,可以较为方便地投入到工业生产中,因此可以很好地被使用和推广。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于阈值块匹配的图像去噪的方法,其特征在于,包括以下步骤:
a.获取时间上连续的多张待处理图像;
b.对所述的待处理图像进行模糊滤波处理,得到模糊图像;
c.根据所述待处理图像的亮度计算块匹配的阈值;
d.按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
e.以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
f.将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
2.根据权利要求1所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤a中,时间上连续的多张待处理图像,主要是指在同一个时刻驱动摄像头进行连续多次的数据捕获,得到所述的多张待处理图像。
3.根据权利要求1所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤b中,对所述的待处理图像进行模糊滤波处理,主要是将所述的多张待处理图像分别用3*3大小的窗口进行模糊滤波处理,得到模糊图像。
4.根据权利要求3所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的模糊滤波处理,主要采用中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理中的一种或一种以上的结合。
5.根据权利要求1所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤c中,根据所述待处理图像的亮度计算块匹配的阈值,计算方法如下:
c1.根据拍摄待处理图像时的ISO感光度和快门速度得到待处理图像的亮度,并计算出所述的阈值;
或者
c2.通过对待处理图像进行直方图统计进行图像亮度的评估,并计算出所述的阈值。
6.根据权利要求1所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤d中,按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配,进一步包括以下步骤:
d1.设置搜索范围;
d2.计算所述搜索范围的中心点坐标(x,y)及其上下左右1距离的周围四个点的坐标(x,y-1)、(x,y+1)、(x-1,y)和(x+1,y);
d3.计算所述中心点及其周围四个点所在的图像块的SAD;
d4.将SAD最大的图像块的中心点作为新的中心点;
d5.计算新的中心点坐标(x’,y’)及其上下左右2距离的周围四个点的坐标(x’,y’-2)、(x’,y’+2)、(x’-2,y’)和(x’+2,y’);
d6.计算所述新的中心点及其周围四个点所在的图像块的SAD;
d7.以此类推,直到计算到n距离的范围;
d8.最后计算得到所述搜索范围内SAD最小的图像块。
7.根据权利要求1或6所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤e中,将SAD小于所述阈值的图像块累加至参照图的对应位置得到累加和图像,进一步包括以下步骤:
e1.预设块匹配窗口大小为w,按照分层搜索的算法进行块匹配;
e2.若当前窗口的图像块的SAD小于阈值,则将该图像块的各个像素点的颜色值累加至累加和图像的对应位置,并增加累加和图像中对应像素点的累加次数;
e3.跳出此次搜索,并将窗口偏移w-1位,进入下一个块匹配并重复步骤e2。
8.根据权利要求7所述的一种基于阈值块匹配的图像去噪的方法,其特征在于:所述的步骤f中,将累加和图像中各个像素点的颜色值除以对应像素点的累加次数得到去噪图像,计算方法如下:
resultColor=colorTotal/time;
其中,colorTotal为所述的累加和图像中每个像素点的红、绿、蓝通道的颜色累加的和;time为所述的累加和图像中对应像素点的累加次数;resultColor为去噪图像上对应像素点的红、绿、蓝通道的颜色值。
9.一种基于阈值块匹配的图像去噪的系统,其特征在于,该系统包括:
图像获取模块,用于获取时间上连续的多张待处理图像;
模糊处理模块,用于对所述的待处理图像进行模糊滤波处理得到模糊图像;
阈值计算模块,其根据所述待处理图像的亮度计算块匹配的阈值;
块匹配模块,其按照SAD的计算距离进行分层,并通过分层搜索对所述的模糊图像进行块匹配;
累加模块,其以所述连续的多张待处理图像中的第一张图像作为参照图,依次对随后各张待处理图像进行累加处理,将SAD小于所述阈值的图像块累加至参照图的对应位置,得到累加和图像;
除法模块,其将累加和图像中各个像素点的颜色值除以对应像素点的累加次数,得到去噪图像。
10.根据权利要求9所述的一种基于阈值块匹配的图像去噪的系统,其特征在于:所述的块匹配模块进一步包括:
分层搜索模块,其通过设置搜索范围,并分别计算所述搜索范围的中心点坐标(x,y)及其上下左右i距离的周围四个点的坐标(x,y-i)、(x,y+i)、(x-i,y)和(x+i,y),其中i的取值为1至n;
SAD计算模块,用于计算所述中心点及其周围四个点所在的图像块的SAD;
比较判断模块,对所述的SAD计算模块的计算结果进行比较分析,计算得到所述搜索范围内SAD最小的图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510211827.1A CN104809705B (zh) | 2015-04-29 | 2015-04-29 | 一种基于阈值块匹配的图像去噪的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510211827.1A CN104809705B (zh) | 2015-04-29 | 2015-04-29 | 一种基于阈值块匹配的图像去噪的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809705A true CN104809705A (zh) | 2015-07-29 |
CN104809705B CN104809705B (zh) | 2018-01-12 |
Family
ID=53694510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510211827.1A Active CN104809705B (zh) | 2015-04-29 | 2015-04-29 | 一种基于阈值块匹配的图像去噪的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809705B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894479A (zh) * | 2016-06-28 | 2016-08-24 | 福州瑞芯微电子股份有限公司 | 一种图像滤波方法和装置 |
CN108885790A (zh) * | 2016-04-20 | 2018-11-23 | 英特尔公司 | 基于所生成的运动数据处理图像 |
CN111402178A (zh) * | 2020-03-24 | 2020-07-10 | 成都国科微电子有限公司 | 一种非均值滤波方法及非均值滤波装置 |
CN112561823A (zh) * | 2020-12-18 | 2021-03-26 | 上海国茂数字技术有限公司 | 滤波方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606132A (zh) * | 2013-10-31 | 2014-02-26 | 西安电子科技大学 | 基于空域和时域联合滤波的多帧数字图像去噪方法 |
US20140133780A1 (en) * | 2011-12-14 | 2014-05-15 | Peking University | Nonlocality based super resolution reconstruction method and device |
CN103839259A (zh) * | 2014-02-13 | 2014-06-04 | 西安交通大学 | 一种图像搜寻最优匹配块方法及装置 |
CN104182940A (zh) * | 2014-08-20 | 2014-12-03 | 苏州阔地网络科技有限公司 | 一种模糊图像恢复方法及系统 |
-
2015
- 2015-04-29 CN CN201510211827.1A patent/CN104809705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140133780A1 (en) * | 2011-12-14 | 2014-05-15 | Peking University | Nonlocality based super resolution reconstruction method and device |
CN103606132A (zh) * | 2013-10-31 | 2014-02-26 | 西安电子科技大学 | 基于空域和时域联合滤波的多帧数字图像去噪方法 |
CN103839259A (zh) * | 2014-02-13 | 2014-06-04 | 西安交通大学 | 一种图像搜寻最优匹配块方法及装置 |
CN104182940A (zh) * | 2014-08-20 | 2014-12-03 | 苏州阔地网络科技有限公司 | 一种模糊图像恢复方法及系统 |
Non-Patent Citations (2)
Title |
---|
ENMING LUO 等: "ADAPTIVE NON-LOCAL MEANS FOR MULTIVIEW IMAGE DENOISING:SEARCHING FOR THE RIGHT PATCHES VIA A STATISTICAL APPROACH", 《2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
王娜: "多图非局部去噪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885790A (zh) * | 2016-04-20 | 2018-11-23 | 英特尔公司 | 基于所生成的运动数据处理图像 |
CN105894479A (zh) * | 2016-06-28 | 2016-08-24 | 福州瑞芯微电子股份有限公司 | 一种图像滤波方法和装置 |
CN105894479B (zh) * | 2016-06-28 | 2018-08-31 | 福州瑞芯微电子股份有限公司 | 一种图像滤波方法和装置 |
CN111402178A (zh) * | 2020-03-24 | 2020-07-10 | 成都国科微电子有限公司 | 一种非均值滤波方法及非均值滤波装置 |
CN111402178B (zh) * | 2020-03-24 | 2023-06-02 | 成都国科微电子有限公司 | 一种非均值滤波方法及非均值滤波装置 |
CN112561823A (zh) * | 2020-12-18 | 2021-03-26 | 上海国茂数字技术有限公司 | 滤波方法 |
CN112561823B (zh) * | 2020-12-18 | 2024-05-28 | 上海国茂数字技术有限公司 | 滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104809705B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hofmann et al. | Background segmentation with feedback: The pixel-based adaptive segmenter | |
Xiao et al. | Fast image dehazing using guided joint bilateral filter | |
US9779491B2 (en) | Algorithm and device for image processing | |
CN110210474B (zh) | 目标检测方法及装置、设备及存储介质 | |
Li et al. | SPM-BP: Sped-up PatchMatch belief propagation for continuous MRFs | |
Mao et al. | Non rigid geometric distortions correction-application to atmospheric turbulence stabilization | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
US9053540B2 (en) | Stereo matching by census transform and support weight cost aggregation | |
Kuanar et al. | Night time haze and glow removal using deep dilated convolutional network | |
CN113657560B (zh) | 基于节点分类的弱监督图像语义分割方法及系统 | |
CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
US8995718B2 (en) | System and method for low complexity change detection in a sequence of images through background estimation | |
CN105740876A (zh) | 一种图像预处理方法及装置 | |
CN111861925A (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
Liu et al. | Image de-hazing from the perspective of noise filtering | |
CN104809705A (zh) | 一种基于阈值块匹配的图像去噪的方法和系统 | |
CN110400274B (zh) | 一种车载红外行人检测用红外图像增强方法 | |
WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Xu et al. | Real-time stereo vision system at nighttime with noise reduction using simplified non-local matching cost | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
Pan et al. | Cascaded deep video deblurring using temporal sharpness prior and non-local spatial-temporal similarity | |
Banerjee et al. | Bacterial foraging-fuzzy synergism based image Dehazing | |
Carbajal et al. | Single image non-uniform blur kernel estimation via adaptive basis decomposition | |
CN113724290A (zh) | 一种用于红外图像的多层次模板自适应匹配目标跟踪方法 | |
CN113470001B (zh) | 一种用于红外图像的目标搜索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |