CN105046664B - 一种基于自适应epll算法的图像去噪方法 - Google Patents
一种基于自适应epll算法的图像去噪方法 Download PDFInfo
- Publication number
- CN105046664B CN105046664B CN201510408128.6A CN201510408128A CN105046664B CN 105046664 B CN105046664 B CN 105046664B CN 201510408128 A CN201510408128 A CN 201510408128A CN 105046664 B CN105046664 B CN 105046664B
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- denoising
- gauss
- represent
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应EPLL算法的图像去噪方法，包括：随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练；将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪；将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；根据去噪后的图像块的分类结果，对高斯混合模型进行参数更新。本发明可更准确地对图像进行去噪，获得更好的图像去噪效果，可广泛应用于图像去噪领域中。
Description
技术领域
本发明涉及图像处理领域，特别是一种基于自适应EPLL算法的图像去噪方法。
背景技术
名词解释：
GMM：Gaussian mixture model，高斯混合模型；
EM算法，Expectation Maxmization algorithm，最大似然估计算法；
EPLL算法：Expected Patch Log Likelihood algorithm，似然概率对数期望算法，一种基于图像块先验知识的恢复方法，通过研究不同图像块的先验知识所产生的图像块去噪效果，找到较好的高斯混合模型(GMM)作为先验知识。
图像是人类对客观世界感知和认识的一种最直接的途径。图像传递着重要的信息，清晰无污染的图像才能确保信息的真实性。然而，在图像成像或传输的过程中不可避免地引入了各种噪声，致使信息失真。因此，需要从噪声图像中还原出原始清晰的图像，即图像去噪。图像去噪技术已广泛应用于国民经济和国防的众多领域，如医学图像处理、气象遥感、生物识别、安全监控、目标跟踪等。因此，研究图像去噪具有重要意义和广泛的应用前景。目前技术中，对图像去噪的方法有各种各样，例如采用高斯混合模型进行去噪的方法，但是，目前采用高斯混合模型进行去噪的方法存在去噪效果差的问题，去噪效果不理想。
发明内容
为了解决上述的技术问题，本发明的目的是提供一种基于自适应EPLL算法的图像去噪方法。
本发明解决其技术问题所采用的技术方案是：
一种基于自适应EPLL算法的图像去噪方法，包括：
S1、随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练；
S2、将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；
S3、针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪；
S4、将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；
S5、根据去噪后的图像块的分类结果，对高斯混合模型进行参数更新；
S6、判断是否符合预设收敛条件，若是，则结束，否则，返回执行步骤S2。
进一步，所述步骤S1，包括：
S11、初始化高斯混合模型，并随机选取训练样本；
S12、依次从训练样本中获取训练图片，将每张训练图片按照预设图像窗口进行重叠分块；
S13、计算分块获得的每个图像块相对于高斯混合模型的最大似然概率后，对图像块进行分类，进而获得每个高斯子模型对应的图像块集合；
S14、根据每个高斯子模型对应的图像块集合，对高斯混合模型进行参数估计。
进一步，所述步骤S14，其具体为：
根据每个高斯子模型对应的图像块集合，采用下式，对高斯混合模型进行参数估计：
上式中，zi表示图像块，Ωk表示该高斯子模型对应的图像块集合，μk、Σk分别表示第k个高斯子模型的均值和协方差矩阵。
进一步，所述步骤S3，其具体为：
针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，根据下式，采用维纳滤波方法对该图像块进行去噪：
上式中，表示去噪后的图像块，i表示下标，表示该图像块对应的高斯子模型的协方差矩阵，表示该图像块对应的高斯子模型的均值，σ表示噪声的协方差，I表示单位矩阵，y表示待处理图像。
进一步，所述步骤S4，包括：
S41、获取预设的超完备字典后，根据下式将去噪后的每个图像块进行稀疏表示：
上式中，xi表示第i个图像块的稀疏表示，Φ表示预设的超完备字典，αi表示稀疏系数矩阵，λ表示正则化参数，αx,i表示该图像块的L1范数；
S42、根据下式对去噪图像进行重建：
上式中，x表示重建后的待处理图像，Ri表示第i个图像块的矩阵。αx表示所有αx,i的串联。
进一步，所述步骤S5，其具体为：
根据去噪后的图像块的分类结果，采用下式对高斯混合模型进行参数更新：
上式中，μk、Σk、πk分别表示第k个高斯子模型的均值、协方差矩阵和权值，Ωk表示该高斯子模型对应的图像块集合，表示去噪后的图像块，S表示待处理图像的图像块总数。
进一步，所述重叠分块，其具体为：采用预设图像窗口在图像上依次滑动取图像块，使得每个图像块均有一部分与所取的上一个图像块重叠。
进一步，所述预设收敛条件指迭代结果波动不超过预设的波动阈值。
本发明的有益效果是：本发明的一种基于自适应EPLL算法的图像去噪方法，包括：随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练；将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪；将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；根据去噪后的图像块的分类结果，对高斯混合模型进行参数更新。本方法通过将待处理图像进行分块后，依次对获得的图像块进行去噪，并采用去噪后的图像块对高斯混合模型进行更新后，再对待处理图像进行迭代去噪，可以更准确地对图像进行去噪，获得更好的图像去噪效果，图像还原度高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的一种基于自适应EPLL算法的图像去噪方法的流程图；
图2是本发明的一具体实施例中采用的第一噪声图像；
图3是本发明的一具体实施例中采用现有技术中的双边滤波去噪方法对图2进行去噪后获得的去噪图像；
图4是本发明的一具体实施例中采用现有技术中的EPLL去噪方法对图2进行去噪后获得的去噪图像；
图5是本发明的一具体实施例中采用本发明的图像去噪方法对图2进行去噪后获得的去噪图像；
图6是本发明的一具体实施例中采用的第二噪声图像；
图7是本发明的一具体实施例中采用现有技术中的双边滤波去噪方法对图6进行去噪后获得的去噪图像；
图8是本发明的一具体实施例中采用现有技术中的EPLL去噪方法对图6进行去噪后获得的去噪图像；
图9是本发明的一具体实施例中采用本发明的图像去噪方法对图6进行去噪后获得的去噪图像。
具体实施方式
参照图1，本发明提供了一种基于自适应EPLL算法的图像去噪方法，包括：
S1、随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练；
S2、将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；
S3、针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪；
S4、将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；
S5、根据去噪后的图像块的分类结果，对高斯混合模型进行参数更新；
S6、判断是否符合预设收敛条件，若是，则结束，否则，返回执行步骤S2。
进一步作为优选的实施方式，所述步骤S1，包括：
S11、初始化高斯混合模型，并随机选取训练样本；
S12、依次从训练样本中获取训练图片，将每张训练图片按照预设图像窗口进行重叠分块；
S13、计算分块获得的每个图像块相对于高斯混合模型的最大似然概率后，对图像块进行分类，进而获得每个高斯子模型对应的图像块集合；
S14、根据每个高斯子模型对应的图像块集合，对高斯混合模型进行参数估计。
进一步作为优选的实施方式，所述步骤S14，其具体为：
根据每个高斯子模型对应的图像块集合，采用下式，对高斯混合模型进行参数估计：
上式中，zi表示图像块，Ωk表示该高斯子模型对应的图像块集合，μk、Σk分别表示第k个高斯子模型的均值和协方差矩阵。
进一步作为优选的实施方式，所述步骤S3，其具体为：
针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，根据下式，采用维纳滤波方法对该图像块进行去噪：
上式中，表示去噪后的图像块，i表示下标，表示该图像块对应的高斯子模型的协方差矩阵，表示该图像块对应的高斯子模型的均值，σ表示噪声的协方差，I表示单位矩阵，y表示待处理图像。
进一步作为优选的实施方式，所述步骤S4，包括：
S41、获取预设的超完备字典后，根据下式将去噪后的每个图像块进行稀疏表示：
上式中，xi表示第i个图像块的稀疏表示，Φ表示预设的超完备字典，αi表示稀疏系数矩阵，λ表示正则化参数，αx,i表示该图像块的L1范数；
S42、根据下式对去噪图像进行重建：
上式中，x表示重建后的待处理图像，Ri表示第i个图像块的矩阵。αx表示所有αx,i的串联。
进一步作为优选的实施方式，所述步骤S5，其具体为：
根据去噪后的图像块的分类结果，采用下式对高斯混合模型进行参数更新：
上式中，μk、Σk、πk分别表示第k个高斯子模型的均值、协方差矩阵和权值，Ωk表示该高斯子模型对应的图像块集合，表示去噪后的图像块，S表示待处理图像的图像块总数。
进一步作为优选的实施方式，所述重叠分块，其具体为：采用预设图像窗口在图像上依次滑动取图像块，使得每个图像块均有一部分与所取的上一个图像块重叠。
进一步作为优选的实施方式，所述预设收敛条件指迭代结果波动不超过预设的波动阈值。
以下结合具体实施例对本发明做详细说明。
参照图1，一种基于自适应EPLL算法的图像去噪方法，包括：
S1、随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练。
步骤S1包括S11～S14：
S11、初始化高斯混合模型，并随机选取训练样本；这里，初始化高斯混合模型是指初始化高斯混合模型的每个高斯子模型的权重、均值和方差，设定初始值后，后续步骤再对其进行训练；
初始化高斯混合模型的具体过程：将高斯混合模型初始化为包括200个高斯子模型，每个高斯子模型的均值为0，方差为全协方差矩阵。
S12、依次从训练样本中获取训练图片，将每张训练图片按照预设图像窗口进行重叠分块；
S13、计算分块获得的每个图像块相对于高斯混合模型的最大似然概率后，对图像块进行分类，进而获得每个高斯子模型对应的图像块集合；
S14、根据每个高斯子模型对应的图像块集合，采用下式，对高斯混合模型进行参数估计：
上式中，zi表示图像块，Ωk表示该高斯子模型对应的图像块集合，μk、Σk分别表示第k个高斯子模型的均值和协方差矩阵。
针对训练样本的每个训练图片，通过执行步骤S12～S14的EM算法(最大似然估计算法)，不断地对高斯混合模型进行参数估计，即对高斯混合模型进行训练，使得高斯混合模型的参数不断收敛。
S2、将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；
本申请中所指的重叠分块，具体为：采用预设图像窗口在图像上依次滑动取图像块，使得每个图像块均有一部分与所取的上一个图像块重叠。例如，预设图像窗口为8×8，采用该窗口在图像上依次向上、向下、向左或向右滑动7个像素距离取图像块，这样，取得的每个图像块均与上一个取的图像块有一部分重叠。通过重叠分块的方式对训练图片或待处理图像进行分块，使得每个图像块均有与其它图像块重叠的部分，可以解决边界的人工痕迹的问题，获得更好的去噪效果。
S3、针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪，具体为：
针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，根据下式，采用维纳滤波方法对该图像块进行去噪：
上式中，表示去噪后的图像块，i表示下标，表示该图像块对应的高斯子模型的协方差矩阵，表示该图像块对应的高斯子模型的均值，σ表示噪声的协方差，I表示单位矩阵，y表示待处理图像。噪声的协方差是先验知识，可以根据传感器的信噪比结合传感器的应用环境等获得，先验知识的获取属于现有技术，本申请不再赘述。
S4、将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；步骤S4包括S41～S42：
S41、获取预设的超完备字典后，根据下式将去噪后的每个图像块进行稀疏表示：
上式中，xi表示第i个图像块的稀疏表示，Φ表示预设的超完备字典，αi表示稀疏系数矩阵，λ表示正则化参数，αx,i表示该图像块的L1范数；
S42、根据下式对去噪图像进行重建：
上式中，x表示重建后的待处理图像，Ri表示第i个图像块的矩阵。αx表示所有αx,i的串联。
超完备字典也叫过完备字典，是用于对图像进行稀疏表示的要素。通过设定预设的超完备字典，即可设定图像的稀疏表示规则，从而对图像进行稀疏表示。现有技术中基于超完备字典(过完备字典)进行图像降噪或去噪的算法比较成熟，本申请不再赘述。
S5、根据去噪后的图像块的分类结果，采用下式对高斯混合模型进行参数更新：
上式中，μk、Σk、πk分别表示第k个高斯子模型的均值、协方差矩阵和权值，Ωk表示该高斯子模型对应的图像块集合，表示去噪后的图像块，S表示待处理图像的图像块总数。
S6、判断是否符合预设收敛条件，若是，则结束，否则，返回执行步骤S2，预设收敛条件指迭代结果波动不超过预设的波动阈值。例如设置结构相似度(SSIM)或峰值信噪比(PSNR)的波动阈值为0.1，当迭代结果波动不超过该波动阈值时，则判断符合预设收敛条件，去噪完成，结束本算法，且步骤S4中获得的重建图像即为对待处理图像进行去噪后的图像。反之，若迭代结果波动超过该波动阈值时，则判断不符合预设收敛条件，需要返回执行步骤S2，将S4中的重建图像作为待处理图像，继续执行去噪步骤。
分别采用现有技术中的双边滤波去噪方法、EPLL去噪方法以及本申请的基于自适应EPLL算法的去噪方法对图2中的噪声图像进行去噪处理，获得的去噪图像分别如图3、图4、图5所示。另外，分别采用现有技术中的双边滤波去噪方法、EPLL去噪方法以及本申请的基于自适应EPLL算法的去噪方法对图6中的噪声图像进行去噪处理，获得的去噪图像分别如图7、图8、图9所示。对比图3～图5，图7～图9可知，采用本方法进行图像去噪，所获得的图像最为平滑，各种细节也更为清晰，去噪效果最好。
因此，本方法通过采用去噪后的图像块来对高斯混合模型进行参数更新，可以获得更好的图像去噪效果，更好地保存图像的结构，实现结构的高相似度。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于自适应EPLL算法的图像去噪方法，其特征在于，包括：
S1、随机选取训练样本，并依次将每张训练图片进行重叠分块后，采用最大似然估计算法对高斯混合模型进行训练；
S2、将待处理图像进行重叠分块后，分别计算获得的每个图像块相对于高斯混合模型的最大似然概率，进而对图像块进行分类，获得每个高斯子模型对应的图像块集合；
S3、针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，采用维纳滤波方法对该图像块进行去噪；
S4、将去噪后的每个图像块进行稀疏表示后，对待处理图像进行重建；
S5、根据去噪后的图像块的分类结果，对高斯混合模型进行参数更新；
S6、判断是否符合预设收敛条件，若是，则结束，否则，返回执行步骤S2；
所述步骤S5，其具体为：
根据去噪后的图像块的分类结果，采用下式对高斯混合模型进行参数更新：
上式中，μk、Σk、πk分别表示第k个高斯子模型的均值、协方差矩阵和权值，Ωk表示该高斯子模型对应的图像块集合，表示去噪后的图像块，S表示待处理图像的图像块总数。
2.根据权利要求1所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述步骤S1，包括：
S11、初始化高斯混合模型，并随机选取训练样本；
S12、依次从训练样本中获取训练图片，将每张训练图片按照预设图像窗口进行重叠分块；
S13、计算分块获得的每个图像块相对于高斯混合模型的最大似然概率后，对图像块进行分类，进而获得每个高斯子模型对应的图像块集合；
S14、根据每个高斯子模型对应的图像块集合，对高斯混合模型进行参数估计。
3.根据权利要求2所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述步骤S14，其具体为：
根据每个高斯子模型对应的图像块集合，采用下式，对高斯混合模型进行参数估计：
上式中，zi表示图像块，Ωk表示该高斯子模型对应的图像块集合，μk、Σk分别表示第k个高斯子模型的均值和协方差矩阵。
4.根据权利要求1所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述步骤S3，其具体为：
针对每个图像块，根据其分类结果，结合训练好的高斯混合模型，根据下式，采用维纳滤波方法对该图像块进行去噪：
上式中，表示去噪后的图像块，i表示下标，表示该图像块对应的高斯子模型的协方差矩阵，表示该图像块对应的高斯子模型的均值，σ表示噪声的协方差，I表示单位矩阵，y表示待处理图像。
5.根据权利要求1所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述步骤S4，包括：
S41、获取预设的超完备字典后，根据下式将去噪后的每个图像块进行稀疏表示：
上式中，xi表示第i个图像块的稀疏表示，Φ表示预设的超完备字典，αi表示稀疏系数矩阵，λ表示正则化参数，αx,i表示该图像块的L1范数；
S42、根据下式对去噪图像进行重建：
上式中，x表示重建后的待处理图像，Ri表示第i个图像块的矩阵， αx表示所有αx,i的串联。
6.根据权利要求1所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述重叠分块，其具体为：采用预设图像窗口在图像上依次滑动取图像块，使得每个图像块均有一部分与所取的上一个图像块重叠。
7.根据权利要求1所述的一种基于自适应EPLL算法的图像去噪方法，其特征在于，所述预设收敛条件指迭代结果波动不超过预设的波动阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510408128.6A CN105046664B (zh) | 2015-07-13 | 2015-07-13 | 一种基于自适应epll算法的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510408128.6A CN105046664B (zh) | 2015-07-13 | 2015-07-13 | 一种基于自适应epll算法的图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105046664A CN105046664A (zh) | 2015-11-11 |
| CN105046664B true CN105046664B (zh) | 2018-05-25 |
Family
ID=54453184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510408128.6A Active CN105046664B (zh) | 2015-07-13 | 2015-07-13 | 一种基于自适应epll算法的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105046664B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574820A (zh) * | 2015-12-04 | 2016-05-11 | 南京云石医疗科技有限公司 | 一种基于深度学习的自适应超声图像增强方法 |
| US20170221235A1 (en) * | 2016-02-01 | 2017-08-03 | General Electric Company | Negative dictionary learning |
| CN105574831B (zh) * | 2016-03-17 | 2019-02-15 | 河海大学常州校区 | 一种修正的图像块期望对数似然估计的图像去噪方法 |
| CN107292836B (zh) * | 2017-06-02 | 2020-06-26 | 河海大学常州校区 | 基于外部图像块先验信息与稀疏表示的图像盲去模糊方法 |
| CN108037533B (zh) * | 2018-01-16 | 2019-05-31 | 吉林大学 | 一种基于块重组期望对数似然的地震勘探噪声压制方法 |
| CN108170849B (zh) * | 2018-01-18 | 2021-02-19 | 厦门理工学院 | 一种分区扩散的图片分类标记方法 |
| CN108171675B (zh) * | 2018-03-16 | 2021-10-01 | 广东工业大学 | 一种基于分离Bregman迭代优化的图像修复方法及装置 |
| CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
| CN109242803A (zh) * | 2018-10-10 | 2019-01-18 | 北京航天易联科技发展有限公司 | 一种应用于微波图像的复原方法及装置 |
| KR20200080926A (ko) * | 2018-12-27 | 2020-07-07 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
| CN110675344B (zh) * | 2019-09-24 | 2022-07-05 | 福州大学 | 一种基于真实彩色图像自相似性的低秩去噪方法及设备 |
| CN111091158B (zh) * | 2019-12-25 | 2024-04-30 | 科大讯飞股份有限公司 | 针对教辅图像的图像质量的分类方法、装置及设备 |
| CN112711275A (zh) * | 2021-01-08 | 2021-04-27 | 上海伯镭智能科技有限公司 | 一种无人驾驶重卡纵向跟随保持装置 |
| CN112706768B (zh) * | 2021-01-08 | 2021-10-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶重卡纵向跟随控制方法 |
| CN112967210B (zh) * | 2021-04-29 | 2022-07-05 | 福州大学 | 一种基于全卷积孪生网络的无人机图像去噪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980284A (zh) * | 2010-10-26 | 2011-02-23 | 北京理工大学 | 基于两尺度稀疏表示的彩色图像降噪方法 |
| CN102629374A (zh) * | 2012-02-29 | 2012-08-08 | 西南交通大学 | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 |
| CN102750678A (zh) * | 2012-06-18 | 2012-10-24 | 西北工业大学 | 基于自然图像统计稀疏模型的单帧图像超分辨重建方法 |
| CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪系统和方法 |
| CN104021528A (zh) * | 2014-06-12 | 2014-09-03 | 南昌大学 | 一种基于解析稀疏模型的字典学习算法 |
| CN104637037A (zh) * | 2015-03-13 | 2015-05-20 | 重庆大学 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
-
2015
- 2015-07-13 CN CN201510408128.6A patent/CN105046664B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980284A (zh) * | 2010-10-26 | 2011-02-23 | 北京理工大学 | 基于两尺度稀疏表示的彩色图像降噪方法 |
| CN102629374A (zh) * | 2012-02-29 | 2012-08-08 | 西南交通大学 | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 |
| CN102750678A (zh) * | 2012-06-18 | 2012-10-24 | 西北工业大学 | 基于自然图像统计稀疏模型的单帧图像超分辨重建方法 |
| CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪系统和方法 |
| CN104021528A (zh) * | 2014-06-12 | 2014-09-03 | 南昌大学 | 一种基于解析稀疏模型的字典学习算法 |
| CN104637037A (zh) * | 2015-03-13 | 2015-05-20 | 重庆大学 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
Non-Patent Citations (5)
| Title |
|---|
| Li S等.An efficient dictionary learning algorithm and its application to 3-D medical image denoising.《IEEE Transactions on Biomedical Engineering》.2012,第59卷(第02期),第417-427页. * |
| Solving inverse problems with piecewise linear estimators: From Gaussian Mixture Models to Structured Sparsity;Guoshen YU等;《IEEE Transactions on Image Processing》;20121231;第21卷(第5期);第3-6页 * |
| Sparse representation for color image restoration;Mairal J等;《IEEE Transactions on Image Processing》;20081231;第17卷(第01期);第53-69页 * |
| 一种基于去冗余字典的图像去噪算法;张丹莹等;《厦门大学学报》;20121231;第51卷(第04期);第691-695页 * |
| 基于图像块统计特性的EPLL遥感图像去噪方法;熊耀先等;《数字技术与应用》;20131215;第41-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105046664A (zh) | 2015-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046664B (zh) | 一种基于自适应epll算法的图像去噪方法 | |
| Fu et al. | Removing rain from single images via a deep detail network | |
| CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
| CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
| US20160321523A1 (en) | Using machine learning to filter monte carlo noise from images | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN106682678B (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
| CN111340716B (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
| CN110363763B (zh) | 图像质量评价方法、装置、电子设备及可读存储介质 | |
| CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
| CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
| CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
| CN111127387B (zh) | 无参考图像的质量的评价方法 | |
| CN110349112B (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
| CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
| CN106204502B (zh) | 基于混合阶l0正则化模糊核估计方法 | |
| CN104657951A (zh) | 图像乘性噪声移除方法 | |
| CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
| CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
| CN107451961B (zh) | 多幅模糊噪声图像下清晰图像的恢复方法 | |
| CN109685830A (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
| CN117392545B (zh) | 一种基于深度学习的sar图像目标检测方法 | |
| CN111968087B (zh) | 一种植物病害区域检测方法 | |
| CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200518 Address after: 17a, Guoshi building, 1801 Shahe West Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN SMDT TECHNOLOGY Co.,Ltd. Address before: 510006 No. 729 Dongfeng East Road, Guangzhou, Guangdong, Yuexiu District Patentee before: GUANGDONG UNIVERSITY OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |