CN104978715B - 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 - Google Patents
一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 Download PDFInfo
- Publication number
- CN104978715B CN104978715B CN201510235804.4A CN201510235804A CN104978715B CN 104978715 B CN104978715 B CN 104978715B CN 201510235804 A CN201510235804 A CN 201510235804A CN 104978715 B CN104978715 B CN 104978715B
- Authority
- CN
- China
- Prior art keywords
- noise
- pixel
- image
- reference point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 8
- 229910052701 rubidium Inorganic materials 0.000 claims description 2
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract 3
- 238000012216 screening Methods 0.000 abstract 1
- 235000002566 Capsicum Nutrition 0.000 description 4
- 241000758706 Piperaceae Species 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于滤波窗口及参数自适应的非局部均值图像去噪方法。首先进行噪声检测,根据检测结果建立噪声标定矩阵,其大小与图像大小一致,将噪声点对应位置的矩阵值设为1,非噪声点设为0。然后,依次取噪声图像中的每一个像素为参考点,再以该点为中心以逆时针方向取预定数量非噪声参考点参与运算。最后根据参考点的位置信息确定自适应的加权参数,计算加权结果,得到恢复的像素值,且噪声标定矩阵对应元素置0,去噪之后的像素点可作为其余噪声点的参考点。与传统的图像去噪方法相比,该方法加入了噪声检测与噪声点筛选,提高了算法的精度,改变了参考点选取窗口,提高了算法的自适应性。
Description
技术领域
本发明涉及一种图像去噪方法,特别是一种基于滤波窗口及参数自适应的非局部均值(Nonlocal Means,NLM)去噪方法,属于数字图像预处理领域。该方法实现了对图像噪声的有效去除,同时尽可能地保存图像本身信息,特别是细节和结构信息。通过对滤波窗口和参数的自适应化,增强了方法的适用性和智能性,使去噪流程简洁化。可以应用于自动化的图像处理系统中。
背景技术
随着信息的重要性不断提高,数字图像作为一种重要的信息载体,在现代社会的各行各业都得到的广泛应用。人们从图像中可以直观地获取信息,但是由于图像获取和传输过程中受到外界信号干扰,或由于成像系统本身的缺陷,不可避免地会形成图像噪声。噪声对人眼视觉效果、信息获取都有着不容忽视的影响。为了恢复图像的本质信息,需要对噪声进行去除,同时尽可能保存图像本身的细节信息。
图像去噪作为图像处理中的一个经典问题,一直是一个研究热点。从经典的图像去噪方法到近年来涌现的新方法,许多从事图像领域工作的研究者尝试从各个角度来解决这一难题。图像去噪的经典算法包括中值滤波、均值滤波、高斯滤波等空域算法。在变换域领域,先后涌现了傅里叶变换去噪、DCT变换去噪、小波去噪等去噪算法。另外,还有基于偏微分方程的PDE去噪算法、基于压缩感知的去噪算法等新兴的算法。由于图像噪声的随机性很高,并且针对不同图像所采取的去噪策略也可能不同,因此对于去噪算法的研究仍然是当前的一大热点。
发明内容
本发明技术解决问题:针对现有技术不足,提供一种基于滤波窗口及参数自适应的非局部均值去噪方法。通过选定图像中的一个待去噪的基准点,在其邻域内寻找参考点做加权运算来恢复像素原有的强度,该方法可以有效地减弱噪声点的影响,并且保存图像原有的细节信息,最终获取良好的图像视觉效果。
为实现这样的目的,本发明的技术方案:一种基于滤波窗口及参数自适应的非局部均值去噪方法,包括如下步骤:
步骤一、噪声检测:
在一幅噪声图像中,包含有噪声像素和非噪声像素。去噪的目的除了去除噪声点之外,还有尽量保存非噪声点。因此,在去噪环节之前加入噪声检测来判别噪声。所述噪声检测的详细描述为:
定义图像I中的一个像素为I(x,y),其中x为横坐标、y为纵坐标,且图像I需为灰度图像。对于一个像素点可以计算它的四方向梯度如下:
水平方向的梯度算子Gh:
(公式1)
竖直方向的梯度算子Gv:
(公式2)
45°对角线方向的梯度算子G45:
(公式3)
135°对角线方向的梯度算子G135:
(公式4)
由公式(1)~(4)计算出一个像素点的四方向梯度之后,定义四个梯度值的最大值为Gmax,最小值为Gmin,设定阈值利用公式(5)来判别噪声点和非噪声点:
Gmax-Gmin<Tnoise (公式5)
满足公式(5)条件的像素点即为噪声点。此处阈值的设定与梯度本身的值相关,可以减弱图像亮度变化对噪声判别的影响,达到阈值亮度自适应的目的。
步骤二、建立噪声标定矩阵:
定义图像I的大小为m×n,其中m为图像宽度,n为图像高度,建立一个大小同为m×n的二维二值矩阵N。对于一个图像中的像素点I(x,y),它对应的矩阵元素为N(x,y),根据步骤一的处理结果,将噪声点的对应矩阵元素设为1,非噪声点设为0,即得到噪声标定矩阵N。它的作用是判定一个像素点是否为噪声,且标定噪声点在图像中的位置。
步骤三、确定基准点窗口:
遍历图像I中的每一个像素点I(x,y),将其设为基准点。为了恢复像素点I(x,y)未受噪声影响时的强度,需要在其邻域i内取Tnum=48个参考点进行加权平均运算。邻域i被称为像 素点I(x,y)的搜索窗口。所述窗口的描述如下:
以像素点I(x,y)为中心,设定r为窗口半径,且初值设为1,num为当前已取参考点的个数,初值设为0。从像素点I(x+r,y)开始固定半径r,沿逆时针方向依次取像素点,如果所取像素点对应的噪声标定矩阵N中的元素指示为非噪声像素,则将该点纳入加权平均运算,并且将num的值加1,否则跳过该像素。如果num的值累加到等于预先设定的阈值Tnum=48,则终止该步骤,完成参考点的选择,否则继续进行本步骤。如果逆时针取点循环到起始点I(x+r,y)位置,且num<48,则扩大取点半径,令r加1,重复本步骤。每次取参考点后检查num的值,如果num=48,则立刻跳出循环,结束本步骤。对于不同的基准点,r的变化范围不同,以此实现窗口选择的自适应化。
步骤四、确定参考点滤波参数:
依次取步骤三所取得的参考点,对于每一个参考点,确定它在参与加权平均运算时所占的权重,即确定滤波参数。设基准点为I(x,y),对应的参考点为I(x1,y1),那么参考点I(x1,y1)对于基准点I(x,y)滤波参数为s(x1,y1):
(公式6)
(公式7)
在公式(6)中,Nv(I(x,y))和Nv(I(x1,y1))分别表示以基准点和以参考点为中心的3×3邻域矩阵,求两者差的2-范数用来度量基准点与参考点处结构的差异。同时,在公式(7)中,σ代表噪声标准差,噪声强度越大,其标准差的开方越大,则滤波参数s(x1,y1)相应增大,滤波强度增大;a为可调节参数,此处取值为2;含有r2的参数项与步骤三中的r半径相关,用于调节滤波参数随基准点与参考点的位置距离增大而减小,代表距离基准点越远的点,所贡献的权重就越小。
步骤五、加权运算:
根据以上步骤求得的参数,带入加权公式(8),利用所有的参考点的加权和求出基准点像素的估计值F(x,y):
(公式8)
依次对图像中所有的像素点进行遍历,将其取为基准点,计算基准点的全部48个参考点加权和,得到基准点未受噪声污染的估计值,并将噪声标定矩阵N中的对应矩阵元素标记为非噪声值。此时,噪声点被恢复且可以用来作为其余噪声点的参考点进行加权。遍历完成 后,得到去噪图像。
本发明与现有技术相比的有益效果在于:
(1)本发明采用基于滤波窗口及参数自适应的非局部均值去噪方法,与传统去噪方法相比,引入了噪声检测环节,并建立噪声标定矩阵,通过判别和定位噪声点,在选择参考点时忽略噪声点,能有效地避免噪声对加权结果产生影响,提高去噪质量。
(2)本发明采用基于滤波窗口及参数自适应的非局部均值去噪方法,与传统去噪方法相比,在选定同等数量参考点的情况下,排除了噪声点作为参考点的可能性,并且针对不同的基准点,由于其周围的像素结构不同,由螺旋形取得的最终窗口大小也不同,实现了窗口的自适应化,使滤波强度能够随图像结构的变化而变化。在噪声集中处,由于要跳过更多的噪声点,所以滤波窗口变得更大,以包含足够数量的参考点,反之则窗口变小。避免了固定窗口尺寸选择不当产生的过度模糊或去噪效果不足。
(3)本发明采用基于滤波窗口及参数自适应的非局部均值去噪方法,与传统去噪方法相比,建立了滤波参数与参考点位置的相关函数,使得距离基准点进的参考点取得更大的加权权重,反之则取得较小的权重。这符合图像像素分布特性,即像素之间存在相关性,空间分布接近的像素其灰度值往往更加接近。
(4)本发明采用基于滤波窗口及参数自适应的非局部均值去噪方法,与传统去噪方法相比,在对一个噪声点进行去噪之后,通过对其噪声标定矩阵对应值的调整,使其被认定为非噪声点,可以被纳入之后基准点的参考点之中,避免噪声密度过大时参考点搜寻窗口也随之增大,从而造成选择到大量与基准点相距较远的点的情况。在此情况下,相距较远的点强度值差异往往更大,造成加权运算结果偏差过大。
总之,本发明在保持图像去噪基本效果的基础上,进一步加强了去噪力度,并改善了细节保存效果。同时,通过实现滤波窗口和滤波参数的自适应化,有效地增强了算法对于不同图像、不同噪声的适用性。
附图说明
图1为本发明方法的整体框架实现流程图。
图2为本发明选取的输入原图像和三幅不同程度高斯噪声的图像。其中(a)为图像peppers的无噪图像,(b)、(c)、(d)分别添加标准差为18、25.5、51高斯零均值噪声。原始图像大小均为512×512像素,分辨率为96×96DPI,且均为8位单通道灰度图像。
图3为本发明所采用的基准点窗口示意图。
图4为本发明对图像dancers、lax、peppers处理结果与传统非局部均值去噪方法处理结果的8位单通道灰度对比图。其中(a)(c)(e)为传统非局部均值去噪方法处理结果,(b)(d)(f)为本发明处理结果。图像(a)(b)大小为618×453像素,添加的高斯零均值噪声标准差为18;图像(c)(d)大小为512×512像素,添加的高斯零均值噪声标准差为25.5;图像(e)(f)大小为512×512像素,添加的高斯零均值噪声标准差为51。图像分辨率均为72×72DPI。
图5为本发明对图像barbara、lena、boats处理结果与传统非局部均值去噪方法处理结果的局部细节对比。其中(a)(b)(c)为本发明处理结果,添加噪声标准差分别为18、25.5、51,(d)(e)(f)为传统非局部均值去噪结果,添加噪声标准差分别为18、25.5、51。
图6(a)(b)(c)分别为本发明对dancers、lax、peppers、barbara、lena、boats共六幅图像在噪声标准差分别为18、25.5、51时处理结果的SSIM评价值。SSIM值越接近1,说明去噪结果与原图越相似,去噪效果越好。
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于以下的实施例。
如图1所示,本实施例的算法流程分为:噪声检测、建立噪声标定矩阵、确定基准点窗口、确定参考点滤波参数、加权运算五个步骤。
步骤一:噪声检测。首先输入图像,本实施例选择了1幅8位灰度图像peppers来执行本发明的去噪方法,其大小为512×512像素,分辨率为96×96DPI,如图2(a)所示。对原始图像分别添加标准差为18、25.5、51的高斯零均值噪声,作为读入图像I,如图2(b)、2(c)、2(d)。对读入图像I进行遍历,对每一个像素点将其灰度值代入公式(1)~(4)计算其4个方向的梯度:水平方向的梯度算子Gh、竖直方向的梯度算子Gv、45°对角线方向的梯度算子G45、135°对角线方向的梯度算子G135。若遇到图像边缘像素,对于图像边缘像素,则只取其梯度运算时自变量x,y∈[1,512]时的运算结果。取以上四个梯度中的最大值为Gmax,最小值为Gmin,设定阈值利用公式(5)来判别噪声点和非噪声点。其中满足公式(5)条件的像素点即为噪声点。此处阈值的设定与梯度本身的值相关,可以减弱图像亮度变化对噪声判别的影响,达到阈值亮度自适应的目的。
步骤二、建立噪声标定矩阵:建立一个大小同为512×512的二维二值矩阵N。对于一个图像中的像素点I(x,y),它对应的矩阵元素为N(x,y),根据步骤一的处理结果,将噪声点的对应矩阵元素设为1,非噪声点设为0,即得到噪声标定矩阵N。它的作用是判定一个像素点是否为噪声,且标定噪声点在图像中的位置。
步骤三、确定基准点窗口:遍历图像I中的每一个像素点I(x,y),将其设为基准点。为 了恢复像素点I(x,y)未受噪声影响时的强度,需要在其邻域i内取Tnum=48个参考点进行加权平均运算。邻域i被称为像素点I(x,y)的搜索窗口。所述窗口的描述如图3所示:
以像素点I(x,y)为中心,设定r为窗口半径,且初值设为1,num为当前已取参考点的个数,初值设为0。从像素点I(x+r,y)开始固定半径r,沿逆时针方向依次取像素点,如果所取像素点对应的噪声标定矩阵N中的元素指示为非噪声像素,则将该点纳入加权平均运算,并且将num的值加1,否则跳过该像素。如果num的值累加到等于预先设定的阈值Tnum=48,则终止该步骤,完成参考点的选择,否则继续进行本步骤。如果逆时针取点循环到起始点I(x+r,y)位置,且num<48,则扩大取点半径,令r加1,重复本步骤。每次取参考点后检查num的值,如果num=48,则立刻跳出循环,结束本步骤。对于不同的基准点,r的变化范围不同,以此实现窗口选择的自适应化。
步骤四、确定参考点滤波参数:依次取步骤三所取得的参考点I(x1,y1),对于每一个参考点I(x1,y1),其对应基准点I(x,y)的滤波参数s(x1,y1)可由公式(6)、(7)求得。
步骤五、加权运算:根据步骤四求得的参数,带入加权公式(8),利用所有的参考点的加权和求出基准点像素的估计值F(x,y)。按照以上步骤依次对图像中所有的像素点进行遍历,将其取为基准点,计算基准点的全部48个参考点加权和,得到基准点未受噪声污染的估计值,并将噪声标定矩阵N中的对应矩阵元素标记为非噪声值。此时,噪声点被恢复且可以用来作为其余噪声点的参考点进行加权。遍历完成后,得到去噪图像。
Claims (6)
1.一种基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,包括如下步骤:
步骤一、噪声检测:
在一幅噪声图像中,包含有噪声像素和非噪声像素;去噪的目的除了去除噪声点之外,还要保存非噪声点;因此,在去噪环节之前加入噪声检测来判别噪声,所述噪声检测的详细描述为:
定义图像I中的一个像素为I(x,y),其中x为横坐标、y为纵坐标,对于一个像素点可以计算它的四方向梯度如下:
水平方向的梯度算子Gh:
竖直方向的梯度算子Gv:
45°对角线方向的梯度算子G45:
135°对角线方向的梯度算子G135:
由公式(1)~(4)计算出一个像素点的四方向梯度之后,定义四个梯度值的最大值为Gmax,最小值为Gmin,设定阈值Tnoise,利用公式(5)来判别噪声点和非噪声点:
Gmax-Gmin<Tnoise (公式5)
满足公式(5)条件的像素点即为噪声点;
步骤二、建立噪声标定矩阵:
定义图像I的大小为m×n,其中m为图像宽度,n为图像高度,建立一个大小同为m×n的二维二值矩阵N;对于一个图像中的像素点I(x,y),它对应的矩阵元素为N(x,y),根据步骤一的处理结果,将噪声点和非噪声点的矩阵元素设为不同值,即得到噪声标定矩阵N;它的作用是判定一个像素点是否为噪声,且标定噪声点在图像中的位置;
步骤三、确定基准点窗口:
遍历图像I中的每一个像素点I(x,y),将其设为基准点,为了恢复像素点I(x,y)未受噪声影响时的强度,需要在其邻域i内取Tnum个参考点进行加权平均运算,邻域i被称为像素点I(x,y)的搜索窗口,所述窗口的描述如下:
以像素点I(x,y)为中心,设定r为窗口半径,num为当前已取参考点的个数,从像素点I(x+r,y)开始固定半径r,沿逆时针方向依次取像素点,如果所取像素点对应的噪声标定矩阵N中的元素指示为非噪声像素,则将该像素点纳入加权平均运算,并且将num的值加1,否则跳过该像素点,如果num的值累加到等于预先设定的阈值Tnum,则终止该步骤,完成参考点的选择,否则继续进行本步骤,如果逆时针取点循环到起始点I(x+r,y)位置,则扩大取点半径,令r加1,重复本步骤,对于不同的基准点,r的变化范围不同,以此实现窗口选择的自适应化;
步骤四、确定参考点滤波参数:
依次取步骤三所取得的参考点,对于每一个参考点,确定它在参与加权平均运算时所占的权重,即确定滤波参数,在步骤三中已取基准点为I(x,y),对应的参考点为I(x1,y1),那么参考点I(x1,y1)对于基准点I(x,y)滤波参数为s(x1,y1):
在公式(6)中,Nv(I(x,y))和Nv(I(x1,y1))分别表示以基准点和以参考点为中心的3×3邻域矩阵,求两者差的2-范数用来度量基准点与参考点处结构的差异;同时,在公式(7)中,σ代表噪声标准差,噪声强度越大,其标准差的开方越大,则滤波参数s(x1,y1)相应增大,滤波强度增大;a为可调节参数;含有r2的参数项与步骤三中的r半径相关,用于调节滤波参数随基准点与参考点的位置距离增大而减小,代表距离基准点越远的点,所贡献的权重就越小;
步骤五、加权运算:
根据以上步骤求得的参数,带入加权公式(8),利用所有的参考点的加权和求出基准点像素的估计值F(x,y):
依次对图像中所有的像素点进行遍历,将其取为基准点,计算基准点的Tnum个参考点加权和,得到基准点未受噪声污染的估计值,并将噪声标定矩阵N中的对应矩阵元素标记为非噪声值;此时,噪声点被恢复且可以用来作为其余噪声点的参考点进行加权;遍历完成后,得到去噪图像。
2.根据权利要求1所述的基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,所述步骤一中的噪声图像为灰度图像,且公式(5)中的阈值Tnoise取值为
3.根据权利要求1所述的基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,所述步骤二中将噪声点在噪声标定矩阵N中的对应值设为1,非噪声点设为0。
4.根据权利要求1所述的基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,所述步骤三中的num计数参数从0开始累加,且其中Tnum参数设为48。
5.根据权利要求1所述的基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,所述步骤三中窗口半径r从1开始累加,逆时针围绕基准点完成一圈的取点后若步骤三中的num值仍小于Tnum,再对r进行加1操作,否则结束累加。
6.根据权利要求1所述的基于滤波窗口及参数自适应的非局部均值图像去噪方法,其特征在于,所述步骤四中的噪声标准差σ为先验已知,在实际运用中使用噪声方差估计公式获取,且调节参数a的取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510235804.4A CN104978715B (zh) | 2015-05-11 | 2015-05-11 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510235804.4A CN104978715B (zh) | 2015-05-11 | 2015-05-11 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104978715A CN104978715A (zh) | 2015-10-14 |
CN104978715B true CN104978715B (zh) | 2017-08-11 |
Family
ID=54275195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510235804.4A Active CN104978715B (zh) | 2015-05-11 | 2015-05-11 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978715B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105678718B (zh) * | 2016-03-29 | 2019-11-15 | 努比亚技术有限公司 | 图像去噪方法和装置 |
CN107328777A (zh) * | 2017-07-05 | 2017-11-07 | 河北科技大学 | 一种在夜间测量大气能见度的方法及装置 |
CN107808161B (zh) * | 2017-10-26 | 2020-11-24 | 江苏科技大学 | 一种基于光视觉的水下目标识别方法 |
CN108550119B (zh) * | 2018-03-27 | 2021-11-02 | 福州大学 | 一种结合边缘信息的图像去噪方法 |
CN108898682A (zh) * | 2018-06-26 | 2018-11-27 | 王英华 | 停车场收费模式切换系统 |
CN109064418B (zh) * | 2018-07-11 | 2022-03-08 | 成都信息工程大学 | 一种基于非局部均值的非均匀噪声图像去噪方法 |
CN109165567A (zh) * | 2018-08-02 | 2019-01-08 | 钱文浩 | 幼儿目标大数据分析方法 |
CN109712079A (zh) * | 2018-10-19 | 2019-05-03 | 中国人民解放军海军工程大学 | 盲元校正方法及装置 |
CN109685730B (zh) * | 2018-12-11 | 2023-06-02 | 上海集成电路研发中心有限公司 | 一种基于自适应非局域均值的小波去噪方法 |
CN111353942B (zh) * | 2018-12-20 | 2024-01-12 | 核动力运行研究所 | 一种超声波信号噪声提取及量化算法 |
CN111915547A (zh) * | 2019-05-07 | 2020-11-10 | 北京创原天地科技有限公司 | 一种快速提取图像中的噪声点的方法 |
CN110390649B (zh) * | 2019-07-16 | 2023-03-24 | 西安石油大学 | 一种用于油气管道焊缝图像降噪的方法 |
CN110675337B (zh) * | 2019-09-11 | 2022-10-25 | 哈尔滨工程大学 | 一种图像降噪的扩散式遍历方法 |
CN111408546B (zh) * | 2020-03-11 | 2022-09-16 | 武汉工程大学 | 一种基于激光扫描成像的矿石检测方法和系统 |
CN112070700B (zh) * | 2020-09-07 | 2024-03-29 | 深圳市凌云视迅科技有限责任公司 | 一种去除深度图像中突起干扰噪声的方法与装置 |
CN112308806B (zh) * | 2020-11-11 | 2024-06-18 | 海宁奕斯伟集成电路设计有限公司 | 图像处理方法、装置、电子设备以及可读存储介质 |
CN112488941A (zh) * | 2020-11-30 | 2021-03-12 | 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 |
CN112561823B (zh) * | 2020-12-18 | 2024-05-28 | 上海国茂数字技术有限公司 | 滤波方法 |
CN113240706A (zh) * | 2021-04-12 | 2021-08-10 | 湖北工业大学 | 一种高温环境下熔融铁尾矿的智能跟踪检测方法 |
CN113129235B (zh) * | 2021-04-22 | 2024-10-08 | 深圳市深图医学影像设备有限公司 | 一种医学图像噪声抑制算法 |
CN113313641B (zh) * | 2021-04-28 | 2022-05-03 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN113781328B (zh) * | 2021-08-17 | 2024-02-06 | 华中科技大学 | 一种sigma图像滤波方法及系统 |
CN115546210B (zh) * | 2022-11-28 | 2023-04-25 | 南京航空航天大学 | 一种数字图像相关中的局部应变加权平均方法 |
CN116563136B (zh) * | 2023-03-27 | 2024-03-15 | 山东科技大学 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
CN116912102B (zh) * | 2023-05-11 | 2024-04-09 | 上海宇勘科技有限公司 | 一种基于非局部均值的保边图像去噪方法和系统 |
CN116363133B (zh) * | 2023-06-01 | 2023-07-28 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116883370B (zh) * | 2023-07-18 | 2024-02-20 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739670A (zh) * | 2009-11-27 | 2010-06-16 | 西安电子科技大学 | 非局部均值空域时变图像滤波方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9208545B2 (en) * | 2013-09-20 | 2015-12-08 | Texas Instruments Incorporated | Adaptive weighted-local-difference order statistics filters |
-
2015
- 2015-05-11 CN CN201510235804.4A patent/CN104978715B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739670A (zh) * | 2009-11-27 | 2010-06-16 | 西安电子科技大学 | 非局部均值空域时变图像滤波方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN104978715A (zh) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978715B (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
Gu et al. | No-reference quality assessment of screen content pictures | |
CN109754377B (zh) | 一种多曝光图像融合方法 | |
US9471964B2 (en) | Non-local mean-based video denoising method and apparatus | |
Nafchi et al. | Efficient no-reference quality assessment and classification model for contrast distorted images | |
CN104376548B (zh) | 一种基于改进型surf算法的图像快速拼接方法 | |
CN102903085B (zh) | 基于角点匹配的快速图像拼接方法 | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
CN110599439A (zh) | 用于训练神经网络的图像块的选择方法及图像质量评价方法 | |
CN109285179A (zh) | 一种基于多特征融合的运动目标跟踪方法 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN107506795A (zh) | 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN111881725A (zh) | 一种融合空频域特征的光学遥感图像船舶目标检测方法 | |
CN104182945A (zh) | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN107516302A (zh) | 一种基于OpenCV的混合图像增强的方法 | |
CN110351453A (zh) | 一种计算机视频数据处理方法 | |
CN116385495A (zh) | 一种动态背景下红外视频的运动目标闭环检测方法 | |
CN103871035B (zh) | 图像去噪方法及装置 | |
CN104766287A (zh) | 一种基于显著性检测的模糊图像盲复原方法 |
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 |