CN105279743B - 一种基于多级dct系数的图像噪声水平估计方法 - Google Patents
一种基于多级dct系数的图像噪声水平估计方法 Download PDFInfo
- Publication number
- CN105279743B CN105279743B CN201510814666.5A CN201510814666A CN105279743B CN 105279743 B CN105279743 B CN 105279743B CN 201510814666 A CN201510814666 A CN 201510814666A CN 105279743 B CN105279743 B CN 105279743B
- Authority
- CN
- China
- Prior art keywords
- mrow
- block
- image
- msub
- value
- 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
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明属于电子信号处理领域,公开了一种基于多级DCT系数的图像噪声水平估计方法,包括:将待估计噪声的目标图像划分为M×N个8×8块,并将各个8×8块进行DCT变换;测量每个8×8图像块的边缘度;对所获得的边缘度集合选出其中占集合元素个数10%的最小元素值;对边缘度最小的数个图像块寻找到相似图像块;对选出的相似图像块求解与噪声水平密切相关的系数中间值;对所有8×8图像块进行以下操作以计算得到图像结构修正因子;按照非线性公式进行噪声水平估计。本发明方法能够提高噪声水平估计的精度和稳定性,满足噪声水平估计的实时性要求,并具有简单的硬件实现性。
Description
技术领域
本发明属于电子信号处理领域,特别涉及一种基于多级DCT系数(DiscreteCosine Transform,简称DCT)的图像噪声水平估计方法。
背景技术
图像是人类获取信息最重要的方式,据统计人类获取信息的80%来源于图像。图像或视频设备在成像过程中会产生多种噪声,使得图像会或多或少带有噪声。以CCD像机成像过程为例,光子对图像传感器进行感光,进行光电转换,通过一系列的处理最后形成像素比特值,在这个过程中存在的主要噪声源有:Bayer Pattern插值噪声(fixed paterrnnoise)、暗噪声(dark current noise)、瞬击噪声(shot noise)、放大噪声(amplifiernoise)和截断噪声(quantization noise)。这些噪声的存在会使得图像质量降低,并会使得后续对图像进行处理和分析带来影响。对噪声水平进行估计的主要意义在于,准确的噪声水平估计能够为后续图像处理和分析算法提供重要的参数设置依据,使得相关算法发挥出满足设计要求的性能,比如很多图像去噪、压缩、分割等方法所涉及的参数都需要根据噪声水平来调节,它们的性能优劣很大程度上取决于噪声水平估计的精度。
一般的,应用最广泛的噪声模型为图像内容无关的高斯白噪声加性噪声模型,即假定噪声为高斯分布,且其均值为0,方差为与图像内容无关的量。在这种模型下,噪声水平估计即是对方差δn进行估计。目前存在许多噪声水平估计的方法。典型的方法有以下几类:第一类为基于同源区域检测的方法,即首先对图像中不含图像结构、边缘且像素值变化比较平缓、单一的区域,然后以这些区域的像素方差作为噪声方差的估计;第二类为基于图像滤波的方法,即首先对图像进行滤波处理,比如高通滤波;或者采用低通滤波,并求低通滤波后与原图像的差值。这种滤波处理的结构带有噪声以及图像边缘等信息;图像边缘可以通过边缘检测算子检测并去除,剩下的即认为是噪声,最后对剩下的像素进行方差求解得到噪声方差估计;第三类是基于频率变换的方法,即对图像进行某种频率域变换,对获得变换系数进行处理和分析;典型的方法是采用小波变换,以第一级高频子块(HH1)作为噪声估计的数据,其根据在于可认为这些高频系数最容易受到噪声的干扰,其值在噪声为零的情况下大部分为0,而在噪声不为0的情况下,这些系数值一般是随着噪声的增大而增大的;类似的也有基于傅里叶变换、离散余弦变换的方法;第四类方法是基于局部方差分布分析的方法,此类方法的基本思想一般是对局部块的像素进行统计分析,对易受噪声影像的量进行选择和建模,以得到反映出噪声水平的估计模型。
上述噪声水平估计方法在很多方面都得到了应用。但是一般方法存在以下不足:第一,噪声估计的精度不够高,稳定性不够好,经常会出现在噪声小的时候估计偏大,噪声大的时候又估计偏小;第二,有的噪声水平估计算法计算复杂度较高,不适合快速计算或硬件实现。
发明内容
本发明的目的是设计噪声水平估计算法以提高噪声水平估计的精度和稳定性,满足噪声水平估计的实时性要求,并具有简单的硬件实现性。
本发明的技术方案是:
一种基于多级DCT系数的图像噪声水平估计方法,包括以下步骤:
(1)将待估计噪声的目标图像划分为M×N个8×8图像块,M表示图像每行划分的块数,N表示每列划分的块数,M,N为整数,并将各个8×8图像块进行DCT变换,每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵;此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置,其对应的元素值,即DCT系数值,标记为F(k,l),k=0,1,…,7;l=0,1,…,7;
(2)测量每个局部8×8图像块的边缘度ei,对每个8×8DCT系数矩阵进行以下计算:
其中i表示按由左至右、由上往下排列的第i个8×8图像块;从而得到包含M×N个边缘度元素值的集合S={ei|i=1,2,…,M×N};
(3)对所获得的边缘度元素值的集合S={ei|i=1,2,…,M×N}中的元素值按照从小到大的顺序排序,选出其中占集合元素个数10%的最小元素值,即选出元素集合其中i表示按由左至右、由上往下排列的任意第i个8×8图像块,j表示按从小到大排列后ei对应的新的序列号,且满足 表示取小于或等于x的最大整数;选出元素集合中的每一个边缘度值ei对应一个8×8图像块,由此选出边缘度最小的块集合B,此块集合对应的图像块是j=1,2,…,J;
(4)从块集合B中找到最小边缘度的L个块作为参考块,对每一个参考块找到其对应的相似块,从而得到L个相似块组,对每一个参考块,其相似块均在集合B中寻找,假定某参考块为ia,按以下规则判定块ib为其相似块:
其中τ1和τ2为定义的常量阈值,ea、eb分别为参考块为ia、判定块ib对应的边缘度;ua、ub分别为参考块为ia、判定块ib对应的平均像素值;
(5)第s个相似块组中的第r个8×8图像块,其中s=1,…,L,r表示该相似块组中的任意一个图像块,进行以下计算:
Lrv=median(Crv);Lrd=median(Crd);Lrh=median(Crh);
其中Crh={F(k,l)|k=2,3;l=6,7},Crv={F(k,l)|k=6,7;l=2,3},
Crd={F(k,l)|k=6,7;l=6,7},median(C)表示对集合C进行中值滤波;然后对获得的数据集合{Crh,Crv,Crd|r=1,2,…,Js},Js表示第s个相似块组中图像块总数;进行以下求解:
Qs=median({Crh,Crv,Crd|r=1,2,…,Js});
对s分别取值为1,…,L,得到元素个数为L个的Q值集合{Qs|s=1,…,L};
(6)按以下公式计算噪声的粗糙估计Q*:
Q*=median({Qs|s=1,…,L})
(7)对所有8×8图像块进行以下操作并计算图像结构修正因子η;对第i个8×8图像块i=1,2,…,M×N,选出系数绝对值|F(1,1)|;对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图;对此边缘结构图,统计满足以下条件的元素个数:
a>athr
其中a为边缘结构图的任意元素值,athr为指定的阈值;假设满足上述的元素个数为P个,则结构修正因子η计算为:
(8)对获得Q*值进行修正,得到修正值Q′:Q′=Q*/η;
(9)进行噪声水平方差估计δn:
δn=α×Q′β+γ
其中α,β,γ为进行非线性映射的参数。
进一步地,在所述步骤(1)之后,所述步骤(2)之前,进行去除过曝的图像块处理,具体过程是:
计算平均像素值u:
定义平均像素值不在(16,235)之间的图像块为过曝图像块;若被检测为过曝的图像块,则将该图像块去除,即该图像块不参与后续步骤中的噪声估计计算;即不参与后续的相似块计算和查找。
与现有技术相比,本发明所具有的有益效果为:
本发明的噪声水平估计方法适合基于DCT编码的图像或视屏数据的实时噪声水平估计,具有简单的硬件可实现性;噪声估计具有较高的精度和稳定性。
附图说明
图1为本发明的噪声水平估计方法的流程图;
图2为对目标图像进行块划分示意图;
图3为8×8DCT系数矩阵示意图;
图4为进行边缘度计算结果示意图;
图5为进行边缘结构图提取结果示意图;
图6为采用本发明进行图像噪声水平估计的结果示例一;
图7为采用本发明进行图像噪声水平估计的结果示例二。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施例进行详细描述,但不构成对本发明的限制。
如图1所示,本发明一种基于多级DCT系数的图像噪声水平估计方法包括以下步骤:
(1)将待估计噪声的目标图像划分为M×N个8×8图像块,如图2所示,M表示图像每行划分的块数,N表示每列划分的块数,M,N为整数,原始图像宽度和高度分别为W、H;并将每个8×8图像块进行DCT变换,每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵;此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置,其对应的元素值,即DCT系数值,标记为F(k,l),k=0,1,…,7;l=0,1,…,7;如图3所示,为8×8DCT系数矩阵示意图;图中用F00,F01,…,F77,表示与F(k,l)一一对应;
(2)测量每个局部8×8图像块的边缘度ei,对每个8×8DCT系数矩阵进行以下计算:
其中i表示按由左至右、由上往下排列的第i个8×8图像块;从而得到包含M×N个边缘度元素值的集合S={ei|i=1,2,…,M×N};如图4所示,为实施例过程中,为进行边缘度计算结果示意图,其中图(a)为原图,图(b)为结果图;
(3)对所获得的边缘度元素值的集合S={ei|i=1,2,…,M×N}中的元素值按照从小到大的顺序排序,选出其中占集合元素个数10%的最小元素值,即选出元素集合其中i表示按由左至右、由上往下排列的任意第i个8×8图像块,j表示按从小到大排列后ei对应的新的序列号,且满足 表示取小于或等于x的最大整数;选出元素集合中的每一个边缘度值ei对应一个8×8图像块,由此选出边缘度最小的块集合B,此块集合对应的图像块是j=1,2,…,J;
(4)从块集合B中找到最小边缘度的L个块作为参考块,对每一个参考块找到其对应的相似块,从而得到L个相似块组;对每一个参考块,其相似块均在集合B中寻找;假定某参考块为ia,按以下规则判定块ib为其相似块:
其中τ1和τ2为定义的常量阈值,ea、eb分别为参考块为ia、判定块ib对应的边缘度;ua、ub分别为参考块为ia、判定块ib对应的平均像素值;在具体实施中,L的取值限制在总数的1/3;本实施例中取L=20,τ1=0.3,τ2=0.3;
(5)第s个相似块组中的第r个8×8图像块,其中s=1,…,L,r表示该相似块组中的任意一个图像块,进行以下计算:
Lrv=median(Crv);Lrd=median(Crd);Lrh=median(Crh);
其中Crh={F(k,l)|k=2,3;l=6,7},Crv={F(k,l)|k=6,7;l=2,3},
Crd={F(k,l)|k=6,7;l=6,7},median(C)表示对集合C进行中值滤波;然后对获得的数据集合{Crh,Crv,Crd|r=1,2,…,Js},Js表示第s个相似块组中图像块总数;进行以下求解:
Qs=median({Crh,Crv,Crd|r=1,2,…,Js});
对s分别取值为1,…,L,得到元素个数为20个的Q值集合{Qs|s=1,…,20};
(6)按以下公式计算噪声的粗糙估计Q*:
Q*=median({Qs|s=1,…,L})
(7)对所有8×8图像块进行以下操作并计算图像结构修正因子η;对第i个8×8图像块i=1,2,…,M×N,选出系数绝对值|F(1,1)|;对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图;如图5所示为进行边缘结构图提取结果示意图,其中图(a)为原图,图(b)为结果图;对此边缘结构图,统计满足以下条件的元素个数:
a>athr
其中a为边缘结构图的任意元素值,athr为指定的阈值;在具体实施中,可设athr=10;假设满足上述的元素个数为P个,则结构修正因子η计算为:
(7)对获得Q*值进行修正得到:Q′=Q*/η;
(8)进行噪声水平方差估计:
δn=α×Q′β+γ
其中α,β,γ为进行非线性映射的参数。
在具体实施中,所述参数α,β,γ的取值可设为α=1.015,β=1.148,γ=0.932。图6和图7给出了采用本发明进行图像噪声水平估计的结果示例图。其中图6(a)和图7(a)为采用的图像原图。实验中,模拟向图像中添加高斯白噪声,其噪声标准差为5,10,15,20。图6(b)和图7(b)给出了包含真值(ground truth)和4种(Pyatykh13TIP、Liu13TIP、Immerkaer1995CVIU、Zoran091CCV)近年来提出的噪声水平估计算法的结果。由图中可见,本发明(ours)方法稳定性和精度都比较高。
尽管上面是对本发明具体实施方案的完整描述,但是可以采取各种修改、变体和替换方案,这些等同方案和替换方案被包括在本发明的范围内,因此,本发明的范围不应该被限于所描述的实施方案,而是应该由所附权利要求书限定。
Claims (2)
1.一种基于多级DCT系数的图像噪声水平估计方法,其特征在于,包括以下步骤:
(1)将待估计噪声的目标图像划分为M×N个8×8图像块,M表示图像每行划分的块数,N表示每列划分的块数,M,N为整数,并将每个8×8图像块进行DCT变换,每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵;此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置,其对应的元素值,即DCT系数值,标记为F(k,l),k=0,1,…,7;l=0,1,…,7;
(2)测量每个局部8×8图像块的边缘度ei,对每个8×8DCT系数矩阵进行以下计算:
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>7</mn>
</munderover>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中i表示按由左至右、由上往下排列的第i个8×8块;从而得到包含M×N个边缘度元素值的集合S={ei|i=1,2,…,M×N};
(3)对所获得的边缘度元素值的集合S={ei|i=1,2,…,M×N}中的元素值按照从小到大的顺序排序,选出其中占集合元素个数10%的最小元素值,即选出元素集合其中i表示按由左至右、由上往下排列的任意第i个8×8图像块,j表示按从小到大排列后ei对应的新的序列号,且满足 表示取小于或等于x的最大整数;选出元素集合中的每一个边缘度值ei对应一个8×8图像块,由此选出边缘度最小的块集合B,此块集合对应的图像块是j=1,2,…,J;
(4)从块集合B中找到最小边缘度的L个块作为参考块,对每一个参考块找到其对应的相似块,从而得到L个相似块组;对每一个参考块,其相似块均在集合B中寻找;假定某参考块为ia,按以下规则判定块ib为其相似块:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>e</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>b</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>e</mi>
<mi>a</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo><</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>b</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mi>a</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo><</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中τ1和τ2为定义的常量阈值,ea、eb分别为参考块为ia、判定块ib对应的边缘度;ua、ub分别为参考块为ia、判定块ib对应的平均像素值;
(5)第s个相似块组中的第r个8×8图像块,其中s=1,…,L,r表示该相似块组中的任意一个图像块,进行以下计算:
Lrv=median(Crv);Lrd=median(Crd);Lrh=median(Crh);
其中Crh={F(k,l)|k=2,3;l=6,7},Crv={F(k,l)|k=6,7;l=2,3},
Crd={F(k,l)|k=6,7;l=6,7},median(C)表示对集合C进行中值滤波;然后对获得的数据集合{Crh,Crv,Crd|r=1,2,…,Js},Js表示第s个相似块组中图像块总数;进行以下求解:
Qs=median({Crh,Crv,Crd|r=1,2,…,Js});
对s分别取值为1,…,L,得到元素个数为L个的Q值集合{Qs|s=1,…,L};
(6)按以下公式计算噪声的粗糙估计Q*:
Q*=median({Qs|s=1,…,L});
(7)对所有8×8图像块进行以下操作并计算图像结构修正因子η;对第i个8×8图像块i=1,2,…,M×N,选出系数绝对值|F(1,1)|;对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图;对此边缘结构图,统计满足以下条件的元素个数:
a>athr
其中a为边缘结构图的任意元素值,athr为指定的阈值;假设满足上述的元素个数为P个,则结构修正因子η计算为:
<mrow>
<mi>&eta;</mi>
<mo>=</mo>
<mfrac>
<mi>P</mi>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
(8)对获得Q*值进行修正,得到修正值Q′:Q′=Q*/η;
(9)进行噪声水平方差估计δn:
δn=α×Q′β+γ
其中α,β,γ为进行非线性映射的参数。
2.如权利要求1所述的一种基于多级DCT系数的图像噪声水平估计方法,其特征在于,在所述步骤(1)之后,所述步骤(2)之前,进行去除过曝的图像块处理,具体过程是:
计算平均像素值u:
<mrow>
<mi>u</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mn>8</mn>
</mfrac>
</mrow>
定义平均像素值不在(16,235)之间的图像块为过曝图像块;若被检测为过曝的图像块,则将该图像块去除,即该图像块不参与后续步骤中的噪声估计计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510814666.5A CN105279743B (zh) | 2015-11-19 | 2015-11-19 | 一种基于多级dct系数的图像噪声水平估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510814666.5A CN105279743B (zh) | 2015-11-19 | 2015-11-19 | 一种基于多级dct系数的图像噪声水平估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279743A CN105279743A (zh) | 2016-01-27 |
CN105279743B true CN105279743B (zh) | 2018-03-30 |
Family
ID=55148696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510814666.5A Active CN105279743B (zh) | 2015-11-19 | 2015-11-19 | 一种基于多级dct系数的图像噪声水平估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787893B (zh) * | 2016-02-23 | 2018-11-02 | 西安电子科技大学 | 一种基于整数dct变换的图像噪声方差估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003516054A (ja) * | 1999-11-30 | 2003-05-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Dctドメインにおけるブロッキングアーティファクトの減少方法及び装置 |
CN102368821A (zh) * | 2011-10-20 | 2012-03-07 | 浙江工商大学 | 一种噪声强度自适应的视频去噪方法和系统 |
CN103955924A (zh) * | 2014-04-21 | 2014-07-30 | 中国人民解放军国防科学技术大学 | 一种基于多尺度重组dct系数的图像锐度测量方法 |
CN104574424A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 基于多分辨率dct边缘梯度统计的无参照图像模糊度评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040058929A (ko) * | 2002-12-27 | 2004-07-05 | 삼성전자주식회사 | Dtc 기반의 개선된 동영상 부호화 방법 및 그 장치 |
-
2015
- 2015-11-19 CN CN201510814666.5A patent/CN105279743B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003516054A (ja) * | 1999-11-30 | 2003-05-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Dctドメインにおけるブロッキングアーティファクトの減少方法及び装置 |
CN102368821A (zh) * | 2011-10-20 | 2012-03-07 | 浙江工商大学 | 一种噪声强度自适应的视频去噪方法和系统 |
CN103955924A (zh) * | 2014-04-21 | 2014-07-30 | 中国人民解放军国防科学技术大学 | 一种基于多尺度重组dct系数的图像锐度测量方法 |
CN104574424A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 基于多分辨率dct边缘梯度统计的无参照图像模糊度评价方法 |
Non-Patent Citations (2)
Title |
---|
Robust Sharpness Metrics Using Reorganized DCT Coefficients for Auto-Focus Application;Zheng Zhang 等;《Asian Conference on Computer Vision》;20150417;172-187 * |
基于DCT变换的噪声估计算法;余力 等;《信息技术》;20100725(第7期);24-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN105279743A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9159121B2 (en) | Method for image denoising | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN104867111B (zh) | 一种基于分块模糊核集的非均匀视频盲去模糊方法 | |
CN108830812B (zh) | 一种基于网格结构深度学习的视频高帧率重制方法 | |
US7054501B1 (en) | Estimating noise for a digital image utilizing updated statistics | |
CN108230367A (zh) | 一种对灰度视频中既定目标的快速跟踪定位方法 | |
Jin et al. | Perceptual image quality assessment using block-based multi-metric fusion (BMMF) | |
CN107454285A (zh) | 图像噪声估计方法及装置与图像提取装置 | |
CN104036468A (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
CN106127729A (zh) | 一种基于梯度的图像噪声水平估计方法 | |
Chetouani et al. | A novel free reference image quality metric using neural network approach | |
CN105279742B (zh) | 一种快速的基于分块噪声能量估计的图像去噪方法 | |
CN104103064A (zh) | 基于梯度相似度的无参考噪声图像质量评价方法 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN106447654A (zh) | 基于统计相似性和双向显著性保真度的图像重定向质量评价方法 | |
TWI524782B (zh) | 影像處理裝置與影像處理方法 | |
CN105279743B (zh) | 一种基于多级dct系数的图像噪声水平估计方法 | |
CN110060220A (zh) | 基于改进bm3d算法的图像去噪方法及系统 | |
CN103903239B (zh) | 一种视频超分辨率重建方法及其系统 | |
CN101163190A (zh) | 一种基于线性插值运算中误差估计的图像放大方法 | |
CN116095291B (zh) | 一种用于媒体流图像传输的图像预处理方法 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN107147909A (zh) | 基于方差的重压缩jpeg图像原始量化步长估计方法 | |
CN104835121B (zh) | 基于无穷范数约束与最大熵原则的色调映射方法 | |
CN104616266B (zh) | 一种基于广义自回归异方差模型的噪声方差估计方法 |
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 |