CN104899842A - 用于远距离线结构光图像的排序自适应极值中值滤波方法 - Google Patents
用于远距离线结构光图像的排序自适应极值中值滤波方法 Download PDFInfo
- Publication number
- CN104899842A CN104899842A CN201510368191.1A CN201510368191A CN104899842A CN 104899842 A CN104899842 A CN 104899842A CN 201510368191 A CN201510368191 A CN 201510368191A CN 104899842 A CN104899842 A CN 104899842A
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- pixel points
- salt
- filtering
- 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 Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了用于远距离线结构光图像的排序自适应极值中值滤波方法,包括:对加椒盐噪声之后的图像进行加窗操作,将窗口内的像素点表示成一个矩阵,对矩阵内的所有像素点按照灰度值排序,根据灰度值排序将被椒盐噪声污染的图像的像素点划分为噪声点和有效像素点两类;根据像素点种类进行滤波处理,如果是有效像素点则保持不变输出;如果是噪声点,判断噪声点灰度值大小,然后用去除滤波窗口内所有噪声点以外的有效像素点的灰度值的中值来代替并输出。本发明滤波窗口内噪声点并没有参与到计算过程中。这样可以尽大可能地减少图像模糊、保留细节,起到去除噪声的目的。
Description
技术领域
本发明针对远距离(百米)的线结构光图像的滤波处理领域,尤其涉及一种基于排序的自适应极值中值(RAEM-Ranked-order based Adaptively Extremum Median)的远距离线结构光图像的滤波方法。
背景技术
当前线结构光测量距离一般是近距离的,一般10米之内,对应的滤波算法都是适用于近距离图像处理的。这类图像所关注的对象,一般在图像中所占的比例较大,特征比较明显,对细节要求不是特别高。另外,这类测量对图像的实时处理性要求也不是很高。
由于受到测试环境、车体振动、摄像机成像噪声以及采集卡采样误差和量化误差等的影响,摄像机获取的图像中将常常含有各种类型的噪声,结构光图像也不例外。为了准确地提取结构光光条中心线,首先需要对系统采集到的图像进行有效、快速的滤波处理。滤波处理的主要目的就是“去伪、存真”,即:将影响光条质量的明显噪声点滤除,保留光条信息尤其是含有重要细节特征的边缘信息。考虑到椒盐噪声对光条边缘信息提取能产生较大影响,本算法主要对椒盐噪声进行处理。
现在对图像中椒盐噪声滤波处理有很多的方法。最早采用的是标准中值滤波,它是一种非线性的局部平滑滤波方法,用滑动窗口中所有点的灰度值的中值来代替窗口中心点像素的灰度值。这里的所有点包括有效信号点和噪声点。该方法虽然运算简单、速度快,不需要图像的统计特征,但是以降低图像的分辨率为代价。近几年,为了改善滤波效果,出现了多种基于其的改进方法:1984年Brownrigg D.提出的加权中值滤波(WMF-Weighted Median Filter)算法、1994年Sun T.和Neuvo Y.提出的开关中值滤波(SMF-Switching Median Filter)算法、1995年Hwang H.和Haddad R.A.提出的自适应中值(RAMF-Ranked-order based AdaptiveMedian Filter)滤波算法、1999年Wang Zhou和Zhang David.提出的递进开关中值滤波(PSMF-Progressive Switch Median Filter)算法、2001年邢藏菊等提出的极值中值滤波(EMF-Extremum Median Filter)算法等。WMF算法通过加权的方法进行滤波处理,虽然保护了细节信息,但是也降低了去噪的效果。SMF算法适用于噪声密度较低的场合。RAMF首先选择合适的滤波窗口,然后应用中值滤波算法,仍没有解决图像模糊的问题。PSMF算法首先进行参数估计,然后循环多次进行,滤波效果较好但效率较低。EMF算法跟RAMF算法相似,对确定滤波窗口之后的图像进行了算法验证。以上算法在改善中值滤波器性能方面都做出了有益的探索,但是在实际应用中都有各自的应用局限。而且不适用于远距离的线结构光图像处理。
远距离(百米)线结构光图像,具有图像呈条线状、线条径向灰度值符合高斯分布规律、光条遇障碍会发生折弯或缺失等特点。其中,结构光条在整幅图像中所占像素尺寸很小,而且光条折弯部分包含有用的细节信息。滤波处理之后的图像,其光条折弯处的细节信息,可以进一步用于识别、分辨障碍的类型。
对于车载远距离线结构光检测系统来说,行车速度对图像处理速度有很高的要求。滤波是图像处理的第一步,其运算速度的快慢,对图像的实时处理很关键。
基于以上,针对远距离线结构光图像,提出一种既能保留图像细节信息、又能快速处理的滤波算法具有很现实的意义。
发明内容
本发明的目的就是为了解决上述问题,提供用于远距离线结构光图像的排序自适应极值中值滤波方法,它具有尽大可能地减少图像模糊、保留细节,起到去除噪声的目的,并能实现快速运算,满足实时处理的要求。
为了实现上述目的,本发明采用如下技术方案:
用于远距离线结构光图像的排序自适应极值中值滤波方法,包括如下步骤:
步骤一:对加噪之后的图像进行图像分割,提取感兴趣区域;
步骤二:根据所加的椒盐噪声的密度选择滤波窗口大小;
步骤三:对加椒盐噪声之后的图像进行加窗操作,将窗口内的像素点表示成一个矩阵,对矩阵内的所有像素点按照灰度值排序,根据灰度值排序将被椒盐噪声污染的图像的像素点划分为噪声点和有效像素点两类;
步骤四:根据像素点种类进行滤波处理,如果是有效像素点则保持不变输出;如果是噪声点,判断噪声点灰度值大小,然后用去除滤波窗口内噪声点以外的有效像素点的灰度值的中值来代替并输出。
所述步骤二中,根据椒盐噪声的密度选择滤波窗口大小,低噪声密度时选择较小的窗口,高噪声密度时选择较大的滤波窗口。从图1中可以看到,当噪声密度小于等于0.1的时候,3*3和5*5效果都比较好;当噪声密度大于0.1而小于0.5的时候,选择7*7比较好。
所述步骤三中,噪声点和有效像素点的判断依据是:如果某点的灰度值是其邻域的最大值或最小值,那么该点为噪声点,否则该点为有效像素点。
本发明的有益效果:
与标准中值滤波(SMF)、极值中值滤波方法(EM)方法以及上述其他滤波方法不同的是,本发明中噪声点的灰度值用滤波窗口内去除噪声点以外的有效像素点的灰度值的中值来代替,也就是滤波窗口内噪声点并没有参与到计算过程中。这样可以尽大可能地减少图像模糊、保留细节,起到去除噪声的目的。
附图说明
图1为输出图像信噪比与输入图像噪声密度的关系;
图2脉冲噪声的概率密度函数;
图3为本发明的流程示意图;
图4(a)原始图像;
图4(b)椒盐噪声密度为0.15的图像;
图4(c)椒盐噪声密度D=0.15时,3*3滤波窗口中值滤波处理后的图像;
图4(d)椒盐噪声密度D=0.15时,3*3滤波窗口IEM滤波处理后的图像;
图4(e)椒盐噪声密度D=0.15时,3*3滤波窗口RAEM滤波处理后的图像;
图4(f)椒盐噪声密度D=0.15时,5*5滤波窗口中值滤波处理后的图像;
图4(g)椒盐噪声密度D=0.15时,5*5滤波窗口IEM滤波处理后的图像;
图4(h)椒盐噪声密度D=0.15时,5*5滤波窗口RAEM滤波处理后的图像;
图4(i)椒盐噪声密度D=0.15时,7*7滤波窗口中值滤波处理后的图像;
图4(j)椒盐噪声密度D=0.15时,7*7滤波窗口IEM滤波处理后的图像;
图4(k)椒盐噪声密度D=0.15时,7*7滤波窗口RAEM滤波处理后的图像;
图5(a)原始图像;
图5(b)椒盐噪声密度为0.4的图像;
图5(c)椒盐噪声密度D=0.4时,3*3滤波窗口中值滤波处理后的图像;
图5(d)椒盐噪声密度D=0.4时,3*3滤波窗口IEM滤波处理后的图像;
图5(e)椒盐噪声密度D=0.4时,3*3滤波窗口RAEM滤波处理后的图像;
图5(f)椒盐噪声密度D=0.4时,5*5滤波窗口中值滤波处理后的图像;
图5(g)椒盐噪声密度D=0.4时,5*5滤波窗口IEM滤波处理后的图像;
图5(h)椒盐噪声密度D=0.4时,5*5滤波窗口RAEM滤波处理后的图像;
图5(i)椒盐噪声密度D=0.4时,7*7滤波窗口中值滤波处理后的图像;
图5(j)椒盐噪声密度D=0.4时,7*7滤波窗口IEM滤波处理后的图像;
图5(k)椒盐噪声密度D=0.4时,7*7滤波窗口RAEM滤波处理后的图像;
图6(a)为图5(a)原始图像的局部放大图;
图6(b)为图5(b)椒盐噪声密度为0.4的图像的局部放大图;
图6(c)为图5(c)椒盐噪声密度D=0.4时,3*3滤波窗口中值滤波处理后的图像的局部放大图;
图6(d)为图5(d)椒盐噪声密度D=0.4时,3*3滤波窗口IEM滤波处理后的图像的局部放大图,
图6(e)为图5(e)椒盐噪声密度D=0.4时,3*3滤波窗口RAEM滤波处理后的图像的局部放大图,
图6(f)为图5(f)椒盐噪声密度D=0.4时,5*5滤波窗口中值滤波处理后的图像的局部放大图;
图6(g)为图5(g)椒盐噪声密度D=0.4时,5*5滤波窗口IEM滤波处理后的图像的局部放大图;
图6(h)为图5(h)椒盐噪声密度D=0.4时,5*5滤波窗口RAEM滤波处理后的图像的局部放大图;
图6(i)为图5(i)椒盐噪声密度D=0.4时,7*7滤波窗口中值滤波处理后的图像的局部放大图;
图6(j)为图5(j)椒盐噪声密度D=0.4时,7*7滤波窗口IEM滤波处理后的图像的局部放大图;
图6(k)为图5(k)椒盐噪声密度D=0.4时,7*7滤波窗口RAEM滤波处理后的图像的局部放大图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
在图像中,除了孤立点之外,相邻点之间的存在较大相关性,灰度值非常接近。如果一个像素点的灰度值远小于或者远大于其邻域中的其他像素点的灰度值,即该点和邻域内其他点相关性很小,可以被看作噪声。否则,则是有效信号。椒盐噪声属于脉冲噪声,它的分布是随机的、分散的,一般位于像素亮度的最亮区或者最暗区。在一个小邻域内,噪声点的灰度值相比于领域内其他像素点的灰度值总是比较凸显的,或者很大或者很小。椒盐噪声的概率密度p(z)可以表示为
椒盐噪声的概率密度函数示意图如图2所示,因为脉冲的影响一般比图像中信号的强度要大很多,脉冲噪声一般量化成图像中的极限灰度(白或黑)。实际中,一般假设a和b都是饱和值,即取图像允许的最大灰度值和最小灰度值。对于8位图像,一般a=0(黑)和b=255(白)。
根据椒盐噪声的这一特点,本文滤波算法首先将被椒盐噪声污染的图像的像素点划分为噪声点和有效像素点两类;然后根据噪声密度大小确定滤波窗口的大小,低噪声密度时选择较小的窗口,高噪声密度时选择较大的滤波窗口;最后根据像素点种类进行滤波处理,如果是有效像素点则保持不变;如果是噪声点,判断噪声点灰度值大小,然后用去除滤波窗口内所有噪声点以外的有效像素点的灰度值的中值来代替。
更为详细的实施例子:设矩阵[pij]表示一幅数字化的图像(其中i,j表示各点的位置),W[pij]表示对图像[pij]中的点pij进行窗口操作,[qij]为图像[pij]经过滤波后输出的图像,滤波窗口为n×n(n=3,5,7),n为奇数。n的取值取3、5、7居多,因为n的取值当大于7取9或者以上的数值的时候,图像会很模糊,丢失细节信息,一般不用。
有效像素点和噪声点分辨的判别依据为:如果某点是有效像素点,则保留并输出。如果某点的灰度值是其邻域的最大值或最小值,那么该点为噪声点,用去掉噪声点的邻域内(滤波窗口内)有效像素点W1[pij]的灰度值的中值来代替。即:
其中,N为噪声点集合,S为有效像素点集合,pij为图像的像素点,qij为图像处理后的像素点。
如图3所示,此算法的实现可按如下步骤进行:
(1)sort(W[pij]);Imin=min(W[pij]);Imax=max(W[pij]);Imed=median(W[pij]);
(2)如果pij=Imin,那么qij=median(sort(W[pij]-Imin));
(3)如果pij=Imax,那么qij=median(sort(W[pij]-Imax));
(4)如果Imin<pij<Imax,那么qij=pij。
其中,sort(W[pij])表示对窗口W[pij]内的所有点排序。如果用表示以点pij为中心的窗口W=n×n内全体点的集合,那么
sort(W[pij])={Imin≤…pij…≤Imed≤…pi'j'…≤Imax} (4)
其中,W1[pij]={W[pij]-Imin}|{W[pij]-Imax},
pkl表示该窗口内所有的像素点,k、l表示图像中所有像素点矩阵的行列最大值。
为了验证本发明的有效性。以一幅118*542待处理图像为例,对不同窗口(3*3,5*5,7*7)的IEM滤波(改进的EM滤波)、标准中值滤波、EM滤波进行比较。分别对输入图像添加密度为0.02~0.5的椒盐噪声,并对不同的滤波算法比较去噪效果。从输出图像中可以看到:本滤波算法可以较好的滤除噪声,且细节保护较好。标准中值滤波可以有效地去除噪声点,但是图像模糊度比较高。EM算法在低噪声密度时可以将大多数的噪声点去除,但高噪声密度的时候噪声去除效果较差。
将中值滤波、IEM滤波和RAEM滤波的滤波效果进行比对。仍然是对椒盐噪声密度为0.15、0.4的输入图像,按照3*3、5*5、7*7滤波窗口进行滤波处理。RAEM滤波无论是从细节保护,还是减少图像模糊度方面,都比其他两种滤波效果要好。从局部放大图图6(a)-图6(k)中可以更明显的看到这一点。
如图4(a)-图4(k)所示,椒盐噪声密度D=0.15时中值滤波、IEM滤波和RAEM滤波效果比对图。
如图5(a)-图5(k)所示,椒盐噪声密度D=0.4时中值滤波、IEM滤波和RAEM滤波效果比对图。
如图6(a)-图6(k)所示,椒盐噪声密度D=0.4时中值滤波、IEM滤波和RAEM滤波效果比对局部放大图。
以上实验结果表明:
所提出的自适应极值中值(RAEM)滤波算法能够对椒盐噪声进行有效的去除,更好地保护图像中结构光光条的边缘信息,减少了光条边缘的模糊程度。
从以上图片中可以清楚的看到,本文因为算法中滤波窗口内的噪声点并没有参与到计算中,而且对噪声点进行处理时候,灰度值定义准确,滤波效果比其他几种滤波方法效果好。
除了上述对输出图像效果图的主观评价,还采用信噪比SNR作为评价标准。SNR越大,去噪效果越好。假设[pij]表示输入图像,[qij]表示输出图像,[rij]表示未加噪声的原始图像。待处理输入信号的信噪比SNR为
输出图像信噪比SNR为
其中,i,j表示各点的位置,在本例中i∈[1,118],j∈[1,542]。信噪比单位:dB。
针对所提的几种滤波算法,选取中值滤波、IEM滤波算法和本文提出的RAEM滤波算法,按照式(5)、式(6)分别计算不同噪声密度时候的信噪比。如表1所示:
表1不同滤波算法时,输出图像信噪比与输入图像噪声密度值
从图1中可以清楚的看到:
当信噪比低的时候,小滤波窗口效果较好。随着噪声密度的增加,大滤波窗口的滤波效果变好并超过小滤波窗而对图像造成的模糊也越强。所以,一般低噪声密度的时候选择小窗口,高噪声密度的时候适宜选择大窗口。
本申请提出的RAEM算法的性能比其他几种滤波算法有很大的改善。在多种椒盐噪声密度下,输出的SNR值都有明显提高。
IEM滤波器的性能比标准中值滤波和EM滤波算法都有很大的改善,在多种椒盐噪声密度下,输出SNR都有明显提高。这是因为本发明中滤波窗口内的噪声点并没有参与到计算中,从而有效去除噪声对滤波效果的影响,保护了图像的细节特征。
实验表明,①无论是低噪声密度还是高噪声密度的环境下,提出的改进的极值中值滤波算法(RAEM)都能达到较好的滤波效果,实现远距离线结构光的图像处理。②因为滤波算法过程中不需要迭代计算,执行速度快且图像细节保留较好,可以用于图像实时处理中。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.用于远距离线结构光图像的排序自适应极值中值滤波方法,其特征是,包括如下步骤:
步骤一:对加噪之后的图像进行图像分割,提取感兴趣区域;
步骤二:根据所加的椒盐噪声的密度选择滤波窗口大小;
步骤三:对加椒盐噪声之后的图像进行加窗操作,将窗口内的像素点表示成一个矩阵,对矩阵内的所有像素点按照灰度值排序,根据灰度值排序将被椒盐噪声污染的图像的像素点划分为噪声点和有效像素点两类;
步骤四:根据像素点种类进行滤波处理,如果是有效像素点则保持不变输出;如果是噪声点,判断噪声点灰度值大小,然后用去除滤波窗口内所有噪声点以外的有效像素点的灰度值的中值来代替并输出。
2.如权利要求1所述用于远距离线结构光图像的排序自适应极值中值滤波方法,其特征是,所述步骤二中,根据椒盐噪声的密度选择滤波窗口大小,低噪声密度时选择较小的窗口,高噪声密度时选择较大的滤波窗口。
3.如权利要求1所述用于远距离线结构光图像的排序自适应极值中值滤波方法,其特征是,所述步骤三中,噪声点和有效像素点的判断依据是:如果某点的灰度值是其邻域的最大值或最小值,那么该点为噪声点,否则该点为有效像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368191.1A CN104899842B (zh) | 2015-06-29 | 2015-06-29 | 用于远距离线结构光图像的排序自适应极值中值滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368191.1A CN104899842B (zh) | 2015-06-29 | 2015-06-29 | 用于远距离线结构光图像的排序自适应极值中值滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899842A true CN104899842A (zh) | 2015-09-09 |
CN104899842B CN104899842B (zh) | 2018-08-10 |
Family
ID=54032490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510368191.1A Active CN104899842B (zh) | 2015-06-29 | 2015-06-29 | 用于远距离线结构光图像的排序自适应极值中值滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899842B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928622A (zh) * | 2016-04-26 | 2016-09-07 | 成都市晶林科技有限公司 | 一种红外焦平面探测器盲元校正方法 |
CN107085833A (zh) * | 2017-04-13 | 2017-08-22 | 长安大学 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
CN108965741A (zh) * | 2018-07-29 | 2018-12-07 | 韩劝劝 | 片尾言情度标记平台 |
CN109767406A (zh) * | 2019-01-28 | 2019-05-17 | 中南林业科技大学 | 一种应用于图像处理的自适应中值滤波去噪方法 |
CN113298790A (zh) * | 2021-05-31 | 2021-08-24 | 奥比中光科技集团股份有限公司 | 一种图像滤波方法、装置、终端和计算机可读存储介质 |
CN114190921A (zh) * | 2020-09-02 | 2022-03-18 | 中国科学院沈阳自动化研究所 | 一种可适应变步频行走的步态相位识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5771318A (en) * | 1996-06-27 | 1998-06-23 | Siemens Corporate Research, Inc. | Adaptive edge-preserving smoothing filter |
CN101600062A (zh) * | 2009-07-23 | 2009-12-09 | 浙江大学 | 一种基于增强型边沿自适应的场内去隔行方法 |
CN101726264A (zh) * | 2009-12-30 | 2010-06-09 | 深圳先进技术研究院 | 一种针对投射条纹图像的残差滤波方法 |
CN102903082A (zh) * | 2012-09-14 | 2013-01-30 | 重庆大学 | 一种基于开关中值滤波的加密图像去噪方法 |
-
2015
- 2015-06-29 CN CN201510368191.1A patent/CN104899842B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5771318A (en) * | 1996-06-27 | 1998-06-23 | Siemens Corporate Research, Inc. | Adaptive edge-preserving smoothing filter |
CN101600062A (zh) * | 2009-07-23 | 2009-12-09 | 浙江大学 | 一种基于增强型边沿自适应的场内去隔行方法 |
CN101726264A (zh) * | 2009-12-30 | 2010-06-09 | 深圳先进技术研究院 | 一种针对投射条纹图像的残差滤波方法 |
CN102903082A (zh) * | 2012-09-14 | 2013-01-30 | 重庆大学 | 一种基于开关中值滤波的加密图像去噪方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928622A (zh) * | 2016-04-26 | 2016-09-07 | 成都市晶林科技有限公司 | 一种红外焦平面探测器盲元校正方法 |
WO2017185443A1 (zh) * | 2016-04-26 | 2017-11-02 | 成都市晶林科技有限公司 | 一种红外焦平面探测器盲元校正方法 |
CN107085833A (zh) * | 2017-04-13 | 2017-08-22 | 长安大学 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
CN107085833B (zh) * | 2017-04-13 | 2019-07-16 | 长安大学 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
CN108965741A (zh) * | 2018-07-29 | 2018-12-07 | 韩劝劝 | 片尾言情度标记平台 |
CN109767406A (zh) * | 2019-01-28 | 2019-05-17 | 中南林业科技大学 | 一种应用于图像处理的自适应中值滤波去噪方法 |
CN114190921A (zh) * | 2020-09-02 | 2022-03-18 | 中国科学院沈阳自动化研究所 | 一种可适应变步频行走的步态相位识别方法 |
CN114190921B (zh) * | 2020-09-02 | 2024-05-17 | 中国科学院沈阳自动化研究所 | 一种可适应变步频行走的步态相位识别方法 |
CN113298790A (zh) * | 2021-05-31 | 2021-08-24 | 奥比中光科技集团股份有限公司 | 一种图像滤波方法、装置、终端和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104899842B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899842A (zh) | 用于远距离线结构光图像的排序自适应极值中值滤波方法 | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
Wang et al. | Iterative non-local means filter for salt and pepper noise removal | |
CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
CN101833753B (zh) | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 | |
Shamsoddini et al. | Image texture preservation in speckle noise suppression | |
CN102306377A (zh) | 一种超声图像去噪的方法和装置 | |
CN109492543A (zh) | 红外图像的小目标检测方法与系统 | |
CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
CN103337053A (zh) | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 | |
CN102509263A (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
CN107798670A (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN113850725A (zh) | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 | |
CN102750675B (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
Li et al. | Densely connected network for impulse noise removal | |
Jing et al. | SAR image de-noising via grouping-based PCA and guided filter | |
Liu et al. | SAR image specle reduction based on a generative adversarial network | |
Sehad et al. | Gabor filters for degraded document image binarization | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
Li et al. | Bionic vision-based synthetic aperture radar image edge detection method in non-subsampled contourlet transform domain | |
Wang et al. | From coarse to fine: a two stage conditional generative adversarial network for single image rain removal | |
Wang et al. | Sparse naïve Bayes base on entropy correlation for GPR image denoising | |
Sulochana et al. | Denoising and dimensionality reduction of hyperspectral images using framelet transform with different shrinkage functions | |
Wu et al. | Bi-lateral filtering based edge detection on hexagonal architecture |
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 |