CN105005975A - 基于pcnn和图像熵的各向异性扩散的图像去噪方法 - Google Patents
基于pcnn和图像熵的各向异性扩散的图像去噪方法 Download PDFInfo
- Publication number
- CN105005975A CN105005975A CN201510397590.0A CN201510397590A CN105005975A CN 105005975 A CN105005975 A CN 105005975A CN 201510397590 A CN201510397590 A CN 201510397590A CN 105005975 A CN105005975 A CN 105005975A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- entropy
- threshold value
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009792 diffusion process Methods 0.000 title claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000009499 grossing Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于PCNN和图像熵的各向异性扩散的图像去噪方法,首先,采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;然后,进行阈值寻优,得到最优去噪阈值k;最后,根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪。本发明不仅能有效去除图像噪声,同时能较完整地保留了图像的区域信息。
Description
技术领域
本发明属于图像处理技术领域,特别涉及了基于PCNN和图像熵的各向异性扩散的图像去噪方法。
背景技术
在图像处理与计算机领域中,图像去噪是最基本的问题之一。偏微分方程(Partial Differential Equation,PDE)能反映未知变量关于时间的导数和关于空间变量的导数之间制约关系。利用偏微分方程完善的数值分析理论对图像进行处理,因而基于偏微分方程的方法在图像去噪中得到了广泛的应用。
20世纪90年代初期,国外学者Perona和Malik首次提出了经典的各向异性扩散PM模型,该模型由一个关于图像梯度模值的扩散函数控制图像的扩散程度,使图像在梯度模值小的区域进行大规模地扩散,在梯度模值大的区域进行小规模扩散。1992年,Osher和Rudin等提出基于图像的全变差正则化模型(ROF模型),从而更好地保持图像的边缘纹理等细节特征,更突出了PDE在图像去噪中的重要地位。随后出现了大量的基于偏微分方程的图像去噪方法的研究。有学者提出了一系列改进的各向异性扩散模型,有效地提高了模型的边缘检测能力。有学者提出了一种ROF模型和四阶模型的组合图像去噪模型,该模型是通过某一权函数将运用AOS算法求解出的ROF模型和四阶PDE模型进行了加权组合,相对某单一去噪模型在消除“阶梯效应”现象和保留边缘信息方面有所改善。有学者提出了一种基于图像熵的各向异性扩散滤波方法(IEAD模型),该方法使用图像熵作为边缘检测算子,避免了由于均值和方差等统计量的估计带来的误差,提高了边缘检测能力。
基于偏微分方程的图像去噪扩散强度通常使用梯度信息检测边缘,但当边缘部分被噪声严重污染时,这些方法不能有效检测出这些边缘,因而无法保留边缘包含的特征。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供基于PCNN和图像熵的各向异性扩散的图像去噪方法,不仅能有效去除图像噪声,同时能较完整地保留了图像的区域信息。
为了实现上述技术目的,本发明的技术方案为:
基于PCNN和图像熵的各向异性扩散的图像去噪方法,包括以下步骤:
(1)采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
(2)进行阈值寻优,得到最优去噪阈值k;
(3)根据步骤(1)求得的边缘检测算子En和步骤(2)求得的最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪,
所述改进的各向异性扩散模型为
其中,
是高斯核函数,σ为尺度函数,
I表示噪声图像,I0表示原始图像,
div表示散度算子,▽表示梯度算子。
进一步地,步骤(2)的具体过程:
(a)初始化去噪阈值其中,k=round(k),round(·)表示取整运算,tk为阈值衰减时间,n为迭代次数;
(b)计算目标的平均灰度μ1(k)和背景的平均灰度μ2(k);
(c)计算目标交叉熵D1和背景交叉熵D2,再将二者相加,得到整幅图像的交叉熵;
(d)计算整幅图像交叉熵的最小值,将该最小值对应的迭代次数n代入步骤(a)中,得到的k值即为最优去噪阈值。
进一步地,所述目标的平均灰度所述背景的平均灰度
其中,f是图像灰度值;h(f)是图像的灰度统计直方图,z是灰度上界。
进一步地,所述目标交叉熵 所述背景交叉熵
进一步地,所述阈值衰减时间tk为0.1s。
进一步地,在步骤(3)中,采用加性算子分裂算法求解所述改进的各向异性扩散模型。
采用上述技术方案带来的有益效果:
在精确度方面,本发明采用图像熵作为边缘检测算子,避免了由于均值和方差等统计量的估计带来的误差,提高了边缘检测能力。在去噪性能方面,利用本发明使图像的峰值信噪比大幅提高,并且较完整的保留了图像的区域信息。在复杂度方面,本发明将图像熵序列作为另一个边缘检测算子引入到扩散方程中,方法简单,实施具有可行性。
附图说明
图1是PCNN模型示意图;
图2是本发明的基本流程图;
图3是Barbara图像和Buddha图像的加噪图;
图4是Barbara图像中各模型平滑后的示意图;
图5是Barbra图像中各模型平滑后局部放大的示意图;
图6是Barbara图像中各模型平滑后边缘提取的示意图;
图7是Buddha图像中各模型平滑后的示意图;
图8是Buddha图像中各模型平滑后局部放大的示意图;
图9是Buddha图像中各模型平滑后边缘提取的示意图;
图10是Barbara图像和Buddha图像使用各模型在不同方差下的清晰度仿真图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
脉冲耦合神经网络(PCNN)被广泛应用于图像平滑、图像分割以及边缘检测等图像处理领域,并已显示了其优越性。PCNN模型如图1所示,它的离散数学迭代方程如下:
Uij(n)=Fij(n)(1+βLij(n)) (3)
其中,β为内部活动项的连接系数,图像像素灰度值Sij为神经元强制激发的外部激励,VF和αF分别为反馈输入域中放大系数和衰减时间常数,VL和αL分别为耦合连接域L的放大系数和衰减时间常数,VE和αE分别为动态门限E的放大系数和衰减时间常数,权值矩阵Mijkl和Wijkl分别为反馈输入域和耦合连接域的连接矩阵。
PCNN能使具有相似输入的神经元同时产生脉冲,不仅能克服幅度上微小变化造成的影响,而且能较完整地保留图像的区域信息。所以,对加噪图像做PCNN处理,首先读取噪声图像,对其像素矩阵并行逐遍扫描运算,通过连接矩阵、加权系数等关系式计算出,每个像素的内部活动项为Uij(n),当Uij(n)大于动态门限Eij(n)时,PCNN产生时序脉冲系列Yij(n)(标记矩阵中的值为1)。每遍扫描结束后,求得Yij(n)的信息熵,经过若干次扫描运算后,对应的输出为熵序列En,PCNN对噪声图像作处理,所有的操作只针对受噪声污染的像素点,其他的像素点不受影响,能够较完整地保留图像区域的信息,故将熵序列En作为另一个检测算子与图像梯度▽I共同进行边缘检测,则扩散系数改进如下:
建立的PCNN-IEAD模型如下:
式(6)、(7)中,div、▽分别为散度算子和梯度算子,En为熵序列,是高斯核函数,通常随着t的增加而减小,σ为尺度函数。k为去噪阈值,可以进一步控制整个扩散过程中的扩散强度,通常情况下,k为常数,交叉熵用于度量两个概率分布之间信息量的差异,是一个下凸函数,本文将最小交叉熵准则应用于阈值设计中,搜索使去噪前后图像信息量差异最小的阈值,如下:
已知有两个概率分布P={p1,p2,…,pN}和Q={q1,q2,…,qN},若用交叉熵度量它们之间的信息量差异,则其对称形式如式(8)所示
为了计算去噪阈值k,用P和Q分别表示噪声图像和去噪后图像,然后计算目标之间的交叉熵、背景之间的交叉熵,把它们的和定义为噪声图像和去噪后图像之间的交叉熵:
上式中,f是图像灰度值;h(f)是图像的灰度统计直方图,z是灰度上界,k是假定的阈值,μ1(k)和μ2(k)是类内均值,分别代表在该阈值下,目标和背景的平均灰度。在计算中,用z对式(9)进行归一化处理,式(9)是基于某一阈值k的噪声图像和去噪后图像之间的信息量差异度量结果,在图像灰度范围内搜索k值,而能使式(9)值最小的k即为最佳去噪阈值。
如图2所示本发明的流程图,基于PCNN和图像熵的各向异性扩散的图像去噪方法,包括以下步骤:
(1)采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
(2)进行阈值寻优,得到最优去噪阈值k,具体过程如下:
(a)初始化去噪阈值其中,k=round(k),round(·)表示取整运算,tk为阈值衰减时间,n为迭代次数;
(b)根据式(10)和式(11)计算目标的平均灰度μ1(k)和背景的平均灰度μ2(k);
(c)计算目标交叉熵 和背景交叉熵 再将二者相加,得到整幅图像的交叉熵;
(d)计算整幅图像交叉熵的最小值,将该最小值对应的迭代次数n代入步骤(a)中,得到的k值即为最优去噪阈值。
(3)根据步骤(1)求得的边缘检测算子En和步骤(2)求得的最优去噪阈值k,采用式(7)所示改进的各向异性扩散模型对图像进行去噪。
采用加性算子分裂算法(AOS算法)求解改进的各向异性扩散模型,其简化过程如下:
当用一维矩阵向量表示法表示时,其迭代方案如下:
In+1=[I-2ΔtA(In)]-1In (12)
式(12)中,Δt是时间步长,A(In)=[aij(In)],且
(13)式(13)中,γi=gi(▽I,En),Ni是自然数集,h是离散化步长。以此类推,当用n维矩阵向量表示法表示时,其迭代方案如下:
式(14)中,矩阵Al=(aijl)ij对应l方向的坐标轴。
1)当i=1,…N时,计算三个对角线上的元素: 并采用追赶法求解 得到
2)当j=1,…,M时,同样计算的三个对角线上的元素,并采用追赶法求解 得到
3)最后计算这样便完成了一次迭代,如此按照如上过程计算,便可得到较理想的图像。
为了比较不同模型的去噪效果,以均方差(MSE)、峰值信噪比(PSNR)和清晰度(Definition)作为质量评价指标,它们的定义为:
上式中,图像的分辨率为W×H,和表示去噪后的图像和原始无噪声图像,与分别为沿x和y方向的差分,均方差(MSE)越小越好,峰值信噪比(PSNR)越大越好,清晰度(Definition)反映图像的细节反差和纹理特征,其值越大越好。
分别对自然图像Barbara(600×600)和真实的图Buddha(600×600)加方差为20的高斯随机噪声进行实验,如图3所示,图3包括(a)、(b)两幅图,分别为自然图像Barbara和真实的图Buddha。并与代表性的正则化PM模型、ROF模型和IEAD模型进行比较。首先对图像Barbara,分别使用PM模型、ROF模型、IEAD模型和PCNN-IEAD模型进行平滑。其中,时间步长(Δt)都为5,迭代次数都为7,PM模型的扩散系数取式(2),阈值取10;ROF模型的λ取0.02;IEAD模型中窗口大小为5×5;PCNN-IEAD模型中,αL=1.0,αE=1.0,αF=0.1,VF=0.5,VL=0.2,VE=20,β=0.1,W=[0.510.5;101;0.510.5],M=W,F=Y,L=Y,U=Y,E=Y。平滑结果如图4所示,图4包括(a)、(b)、(c)、(d)四幅图,依次表示使用PM模型、ROF模型、IEAD模型和PCNN-IEAD模型的自然图像Barbara,评价指标如表1所示。图5包括(a)、(b)、(c)、(d)四幅图,分别为图4(a)、(b)、(c)、(d)四幅图对应的局部放大效果图。为了更好的显示滤波前后图像边缘纹理等细节信息情况,采用Canny算子对各种模型滤波结果进行边缘检测,结果如图6所示,图6包括(a)、(b)、(c)、(d)四幅图,分别为图4(a)、(b)、(c)、(d)四幅图对应的边缘检测图。
对真实图像Buddha进行4种模型的滤波实验,进一步观察各模型对图像的处理效果。参数设置与Barbara图像的参数设置相同,平滑结果如图7所示,图7包括(a)、(b)、(c)、(d)四幅图,依次表示使用PM模型、ROF模型、IEAD模型和PCNN-IEAD模型的真实的图Buddha,评价指标如表1所示,为了更好的显示各模型的滤波效果,对图7进行局部放大,如图8所示,图9是采用Canny算子对各种模型滤波结果进行边缘检测的结果图。
表1
从图3的整体可视效果和图4的局部放大可视效果来看,PM模型和ROF模型都具有一定的平滑效果,但是图像较模糊,从图5可以更清楚地看到角点、尖峰、窄边缘和纹理等细节信息被平滑掉了,这是因为PM模型和ROF模型都是用梯度作为边缘检测算子来进行边缘检测的,容易受到噪声的影响,所以使得图像细节被磨光。IEAD模型是针对乘性噪声设计的,对于加性噪声效果一般,甚至会起到反作用,虽然IEAD模型将图像熵作为边缘检测算子可以克服在不同灰度值水平的同质区域内相同的噪声起伏却得梯度值差异较大的缺点,能更好地反映图像的灰度值变化,但是在强噪声的情况下,仍不能较完整的保留图像区域的信息,Barbara的头巾、裤子和桌布上和Buddha图像中石碑、树木等丢失了很多细节信息。PCNN-IEAD模型充分利用了PCNN和图像熵的性质,较完整的保留了图像区域的细节信息,能够克服边缘检测算子易受噪声影响的弊端,稳定地控制扩散强度,由图4、图7和图5、图8可知PCNN-IEAD模型处理后的图像可视效果最好,边缘纹理也保持的非常好。从表1的评价指标可以看出,PCNN-IEAD模型的MSE最小,PSNR和Definition最高,与滤波结果的可视性相一致。
此外,为进一步检测PCNN-IEAD模型的性能,用不同方差的噪声进行实验,观察各模型处理后的图像清晰度的变化。图10包括(a)、(b)两幅图,分别为Barbara图像和Buddha图像使用各模型在不同方差下的清晰度仿真图,图10的横坐标为噪声方差,纵坐标为清晰度。由图10可知,随着噪声方差的增大,PCNN-IEAD模型处理后的图像清晰度也一直增大,并且在所有模型中PCNN-IEAD模型的清晰度最高,说明PCNN-IEAD模型处理后图像的细节反差和纹理特征保持的最好,较完整的保留了图像区域的信息,主要原因有:PCNN能使得具有相似输入的神经元同时产生脉冲,不仅能克服幅度上微小变化造成的影响,而且能较完整地保留图像的区域信息;使用图像熵作为边缘检测算子,克服了仅用梯度作为边缘检测算子的弊端,提高了边缘检测能力;采用最小交叉熵设计最佳阈值,控制扩散强度,能够有效地去除图像的噪声和保护图像的边缘纹理等细节信息。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于,包括以下步骤:
(1)采用脉冲耦合神经网络对噪声图像进行处理,得到熵序列En,将En作为边缘检测算子;
(2)进行阈值寻优,得到最优去噪阈值k;
(3)根据步骤(1)求得的边缘检测算子En和步骤(2)求得的最优去噪阈值k,采用改进的各向异性扩散模型对图像进行去噪,
所述改进的各向异性扩散模型为
其中,
I表示噪声图像,I0表示原始图像,
div表示散度算子,▽表示梯度算子。
2.根据权利要求1所述基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于,步骤(2)的具体过程:
(a)初始化去噪阈值其中,k=round(k),round(·)表示取整运算,tk为阈值衰减时间,n为迭代次数;
(b)计算目标的平均灰度μ1(k)和背景的平均灰度μ2(k);
(c)计算目标交叉熵D1和背景交叉熵D2,再将二者相加,得到整幅图像的交叉熵;
(d)计算整幅图像交叉熵的最小值,将该最小值对应的迭代次数n代入步骤(a)中,得到的k值即为最优去噪阈值。
3.根据权利要求2所述基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于:
所述目标的平均灰度
所述背景的平均灰度
其中,f是图像灰度值;h(f)是图像的灰度统计直方图,z是灰度上界。
4.根据权利要求3所述基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于:
所述目标交叉熵
所述背景交叉熵
5.根据权利要求2所述基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于:所述阈值衰减时间tk为0.1s。
6.根据权利要求1所述基于PCNN和图像熵的各向异性扩散的图像去噪方法,其特征在于:在步骤(3)中,采用加性算子分裂算法求解所述改进的各向异性扩散模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510397590.0A CN105005975B (zh) | 2015-07-08 | 2015-07-08 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510397590.0A CN105005975B (zh) | 2015-07-08 | 2015-07-08 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005975A true CN105005975A (zh) | 2015-10-28 |
CN105005975B CN105005975B (zh) | 2018-06-01 |
Family
ID=54378634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510397590.0A Expired - Fee Related CN105005975B (zh) | 2015-07-08 | 2015-07-08 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005975B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127700A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第二十八研究所 | 一种凝视红外退化图像自适应复原方法 |
CN106571073A (zh) * | 2016-07-27 | 2017-04-19 | 张法春 | 一种英语单词语根形音记忆方法 |
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN111192203A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 一种超声图像降噪的各向异性扩散算法 |
CN112489034A (zh) * | 2020-12-14 | 2021-03-12 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
CN112508923A (zh) * | 2020-12-15 | 2021-03-16 | 广西科技大学 | 弱小目标检测方法 |
CN114820398A (zh) * | 2022-07-01 | 2022-07-29 | 北京汉仪创新科技股份有限公司 | 基于扩散模型的图片字体替换方法、系统、设备和介质 |
US11448874B2 (en) | 2019-10-18 | 2022-09-20 | Samsung Electronics Co., Ltd. | Method and apparatus for correction of aberration |
CN116091345A (zh) * | 2022-12-23 | 2023-05-09 | 重庆大学 | 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质 |
WO2023115792A1 (zh) * | 2021-12-22 | 2023-06-29 | 五邑大学 | 图像去噪方法、系统以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103345731A (zh) * | 2013-07-22 | 2013-10-09 | 上海大学 | 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法 |
-
2015
- 2015-07-08 CN CN201510397590.0A patent/CN105005975B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103345731A (zh) * | 2013-07-22 | 2013-10-09 | 上海大学 | 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法 |
Non-Patent Citations (6)
Title |
---|
MA YI-DE等: "Automated Image Segmentation Using Improved PCNN Model Based on Cross-entropy", 《PROCEEDINGS OF 2004 INTERNATIONAL SYMPOSIUM ON INTELLIGENT MULTIMEDIA,VIDEO AND SPEECH PROCESSING》 * |
Y.CHEN等: "Adaptive total variation for image restoration in BV space", 《JOURNAL OF MATHEMATICAL ANALYSIS AND APPLICATIONS》 * |
刘勍等: "一种基于交叉熵的改进型PCNN图像自动分割新方法", 《中国图象图形学报》 * |
彭扬等: "结合Tsallis熵的各向异性扩散模型", 《计算机工程与设计》 * |
赵德等: "结合局部熵的各向异性扩散模型", 《模式识别与人工智能》 * |
陈小晴: "基于偏微分方程的图像去噪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN106127700B (zh) * | 2016-06-17 | 2019-06-11 | 南京莱斯电子设备有限公司 | 一种凝视红外退化图像自适应复原方法 |
CN106127700A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第二十八研究所 | 一种凝视红外退化图像自适应复原方法 |
CN106571073A (zh) * | 2016-07-27 | 2017-04-19 | 张法春 | 一种英语单词语根形音记忆方法 |
CN108090910B (zh) * | 2018-01-04 | 2021-04-20 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN111192203A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 一种超声图像降噪的各向异性扩散算法 |
US11448874B2 (en) | 2019-10-18 | 2022-09-20 | Samsung Electronics Co., Ltd. | Method and apparatus for correction of aberration |
CN112489034A (zh) * | 2020-12-14 | 2021-03-12 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
CN112489034B (zh) * | 2020-12-14 | 2023-06-23 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
CN112508923A (zh) * | 2020-12-15 | 2021-03-16 | 广西科技大学 | 弱小目标检测方法 |
WO2023115792A1 (zh) * | 2021-12-22 | 2023-06-29 | 五邑大学 | 图像去噪方法、系统以及存储介质 |
CN114820398A (zh) * | 2022-07-01 | 2022-07-29 | 北京汉仪创新科技股份有限公司 | 基于扩散模型的图片字体替换方法、系统、设备和介质 |
CN116091345A (zh) * | 2022-12-23 | 2023-05-09 | 重庆大学 | 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质 |
CN116091345B (zh) * | 2022-12-23 | 2023-10-03 | 重庆大学 | 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105005975B (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005975A (zh) | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 | |
Xu et al. | An improved anisotropic diffusion filter with semi-adaptive threshold for edge preservation | |
Kervrann et al. | Optimal spatial adaptation for patch-based image denoising | |
US8705839B2 (en) | Electronic devices for defect detection | |
CN105277567A (zh) | 一种织物瑕疵检测方法 | |
CN109146797B (zh) | 一种基于Lp伪范数与交叠组稀疏的脉冲噪声古籍图像修复方法 | |
CN104376564B (zh) | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 | |
Deng et al. | Speckle reduction of ultrasound images based on Rayleigh-trimmed anisotropic diffusion filter | |
CN101685158B (zh) | 基于隐马尔科夫树模型的sar图像去噪方法 | |
CN106600557A (zh) | 基于混合高斯模型与稀疏约束的psf估计方法 | |
Huang et al. | Adaptive digital ridgelet transform and its application in image denoising | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
Narváez et al. | Point cloud denoising using robust principal component analysis | |
CN104200434A (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
Zhang et al. | Image restoration method based on fractional variable order differential | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN102810202A (zh) | 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 | |
CN106600615A (zh) | 一种图像边缘检测算法评价系统及方法 | |
Gilboa | Nonlinear scale space with spatially varying stopping time | |
Mittal et al. | Automatic parameter prediction for image denoising algorithms using perceptual quality features | |
Akl et al. | Structure-based image inpainting | |
CN104574295A (zh) | 自适应阈值图像去噪算法 | |
Gupta et al. | A new cartoon–texture image decomposition approach with smoothing spline interpolation | |
CN104077752A (zh) | 一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法 | |
Akl et al. | Structure tensor regularization for texture analysis |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180601 |