CN105976340A - 改进的基于小波分解的旋滤波算法 - Google Patents
改进的基于小波分解的旋滤波算法 Download PDFInfo
- Publication number
- CN105976340A CN105976340A CN201610343496.1A CN201610343496A CN105976340A CN 105976340 A CN105976340 A CN 105976340A CN 201610343496 A CN201610343496 A CN 201610343496A CN 105976340 A CN105976340 A CN 105976340A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- wavelet decomposition
- wave filtering
- blade angle
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 210000001215 vagina Anatomy 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005305 interferometry Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000638935 Senecio crassissimus Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 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
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进的基于小波分解的旋滤波算法,包括:先用小波进行分解,得到含有携带大部分图像信息的低频图像,然后对低频图像进行旋滤波,定义低频图像的条纹方向,求各个方向均值,计算该点各个方向上灰度值与该方向线的均值的差,取绝对值,累加求和。找出累加和最小的方向及切线的方向,在该方向上进行中值或均值滤波。本发明的有益结果,是在时间效率优于原始旋滤波的同时,提高了降噪效果,为下一步进行干涉图像的相位提取和相位解包裹提供了良好的前提。
Description
技术领域
本发明涉及基于计算机的电子散斑干涉测量技术领域,尤其涉及散斑干涉条纹图的降噪技术。
背景技术
散斑在最初的研究中一直是被作为影响图像的噪声来进行去除的,直到1966年,Ennos发现它存在可以测量的强度和准确的相位,确定了散斑的应用价值。散斑不仅是一种噪声,而且是测量物体的信息载体。
人们一般将用电子硬件处理的电子散斑干涉技术(ESPI)和数字软件处理的数字散斑干涉技术(DSPI)统称为电子散斑干涉技术。其基本原理是让激光散斑承载被测物体变化的信息,根据被测物体在激光照射后产生的散斑场的相关条纹测量光束前后的相位变化。它利用计算机软件处理得到的记录物体表面特征的变化信息,将散斑干涉条纹图在计算机上显示,并通过各种运算和处理把这些条纹转化为人们熟悉的物理量。
用于抑制图像噪声的方法有空域的均值、中值和维纳滤波等以及变换域的傅立叶变换和小波变换等。传统的滤波技术在去除条纹图的噪声部分同时降低了条纹图的对比度使图像变得模糊,而且有时会破坏条纹的结构,不利于下一步提取相位进行测量的研究。
现有技术中提出了在整幅图像中而不是像旋滤波在局部的窗口中寻找相似像素,滤波效果更加有效,但是该方法在全图中寻找的时间相对来说比较长,算法速度较慢。
现有技术中提出了偏微分方程方法在散斑干涉条纹图滤波中的应用,将待处理图像看作偏微分算子,利用偏微分方程把初始图像变形,从而将偏微分方程与图像联系起来,取得了不错的结果,但是,该方法需要较多的参数,所需处理时间较长。
目前国内外对于散斑条纹图去噪的研究分析,并没有一种方法能够适应所有的散斑干涉条纹图。由于条纹图的高噪声和条纹结构的不同,怎样在去噪的同时保持条纹图细节信息,减少图像的变形,提高条纹图的对比度,提高计算效率。为我们下一步提取相位和相位的解包裹提供一个良好的条件。
发明内容
本发明为了解决上述问题,提出了一种改进的基于小波分解的旋滤波算法,首先对即将处理的图像进行小波分解,然后对低频图像进行旋滤波,在提高算法效率的同时保持了图像的降噪效果。
为实现上述目的,本发明采用下述技术方案:
一种改进的基于小波分解的旋滤波算法,包括以下步骤:
(1)采集待处理的含有噪声的图像,用Haar小波进行小波分解,得到图像分解后的低频散斑干涉条纹图;
(2)定义得到的低频散斑干涉条纹图中,当前点为中心的设定窗口内以等角度间隔的条纹方向滤波线;
(3)计算每一条纹方向滤波线上各点的灰度平均值;
(4)根据条纹方向滤波线上各点的灰度值与该条纹方向滤波线上各点的灰度平均值,计算每一条纹方向滤波线的灰度变化;
(5)选取灰度变化最小的方向滤波线作为条纹的切线方向;
(6)在条纹的切线方向进行中值或者均值滤波;
(7)对低频散斑干涉条纹图中的每一个点重复步骤(2)-(6)的过程,得到降噪以后的散斑干涉条纹图。
进一步地,所述步骤(1)中,采用Haar小波进行单尺度的二维离散小波变换,得到一幅低频图和三幅不同方向上的高频图。
进一步地,所述步骤(2)中,在图像当前点(i,j)为中心的n×n像素内,定义间隔相等的方向滤波直线;所述条纹方向滤波线取8条、16条或者32条。
进一步地,所述步骤(4)中,每一条纹方向滤波线的灰度变化具体为:
条纹方向滤波线上每一点的灰度值与该条纹方向滤波线上各点的灰度平均值之差的绝对值的累加和。
进一步地,所述步骤(6)中,中值滤波是将所述条纹切线方向上各点的灰度值进行排序,用中间点的值取代当前点的灰度值。
进一步地,所述步骤(6)中,均值滤波是将所述条纹切线方向上各点的灰度平均值取代当前点灰度值。
本发明的有益效果是:
通过对真实散斑干涉条纹图和模拟散斑干涉条纹图进行降噪处理,本发明新提出的改进的算法能提高降噪效率的同时保持散斑干涉条纹图的降噪效果。适于实际应用,为散斑干涉条纹图下一步的提取相位和相位的解包裹提供良好的前提条件。
附图说明
图1(a)-图1(b)为图像一层小波分解和图像两层小波分解;
图2(a)-图2(f)为旋滤波方向滤波线示意图;
图3(a)-图3(c)为模拟生成的无噪声条纹图像、添加噪声以后的条纹图、真实的散斑干涉条纹图;
图4(a)-图4(c)为上述图3(a)-图3(c)三幅图的剖面图;
图5(a)-图5(d)为模拟噪声图像旋滤波降噪后图像及剖面图、真实散斑干涉条纹图像旋滤波降噪后图像及剖面图;
图6(a)-图6(d)分别为模拟噪声图像新改进的旋滤波降噪后图像及其剖面图、真实散斑干涉条纹图像新改进旋滤波降噪后图像及其剖面图;
图7为旋滤波与本文改进旋滤波的时间对比示意图;
图8为本发明的整体流程。
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。
首先模拟生成一幅条纹图,考虑到散斑干涉条纹图中含有较多的乘性噪声和少量的加性噪声,在生成的模拟条纹图添加一定的乘性散斑噪声和少量的高斯加性噪声,使之与真实的散斑干涉条纹图相近。选取两幅真实散斑干涉条纹图为下面实验做准备。
小波分解我们采用的是Haar小波。在众多的小波函数中,Haar小波与其他的正交函数相比,它具有构造简单,对应的滤波器具有线性相位性、计算方便等特点。Haar小波的定义如下:
图1(a)-图1(b)为图像一层小波分解和图像两层小波分解,图像经过一层分解以后被分成一个低频子带和三个高频子带,第二层将低频子带分成四个子带。
图2(a)-图2(f)为旋滤波及其方向滤波线示意图。
图3(a)-图3(c)为模拟生成的无噪声条纹图像、添加噪声以后的模拟散斑条纹图、真实的散斑干涉条纹图,仿真模拟图是为了更好的对比试验效果。
图4(a)-图4(c)为上述图3(a)-图3(c)三幅图的剖面图,剖面图可以明显的看出降噪效果和条纹结构的保持,提取剖面图可以更好的对比降噪效果。
图5(a)-图5(d)为模拟噪声图像旋滤波降噪后图像及剖面图、真实散斑干涉条纹图像旋滤波降噪后图像及剖面图,可以看出旋滤波降噪以后图像的剖面图5(b)和5(d)明显优于未降噪图像的剖面图4(b)和4(c)。
图6(a)-图6(d)分别为模拟噪声图像新改进的旋滤波降噪后图像及其剖面图、真实散斑干涉条纹图像新改进的旋滤波降噪后图像及其剖面图,新改进旋滤波降噪后图像剖面图6(b)和6(d)效果优于旋滤波降噪以后图像的剖面图5(b)和5(d),降噪效果提高。
图7选取3组大小不同的图像进行旋滤波与改进旋滤波降噪时间比较图,从图7中可以看出新改进的旋滤波降噪时间变短,而且图像越大,新改进的旋滤波效率提高越明显。
如图8所示,本发明所述改进的降噪算法的具体过程如下:
(1)输入一幅含有噪声的图像,用Haar小波进行小波分解,得到一幅低频图和三幅不同方向上的高频图。
(2)定义得到的低频散斑干涉条纹图当前点为中心的方形窗口内以等角度间隔条纹方向滤波线。
(3)计算每个滤波方向线的灰度平均值。
(4)计算各个条纹方向的每个点的灰度值与该方向线的均值的差,取绝对值,累加求和。
(5)求灰度的变化最小,即条纹的切线方向。
(6)条纹的方向确定以后,用中值或均值滤波器来降噪。
(7)对每个像素点重复进行上述(2)-(6)过程。
具体实现方法如下:
步骤(1)中,小波分解后获得的低频图的分辨率虽然有所降低,然而却是最接近原始图像。高频图像分布主要是噪声信息。低频图则含有原图像的大部分的信息,且噪声也减少很多,而且图像的尺度比原始图像减小了一半。在图像的低频图进行处理旋滤波处理,相对直接对原始散斑图进行处理减少了很多的时间。
小波分解,它主要是利用图像的噪声和信号在频域上不同的分布特点,图像的有用信号主要汇集在低频区域,而噪声则主要汇集高频区域,小波降噪更容易保持图像的有关结构信息和细节。
单尺度的二维离散小波变换,格式为
1.[cA,cH,cD]=dwt2(X,’wname’)
2.[cA,cH,cD]=dwt2(X,Lo_D,Hi_D)
这里X为被分解的图像,wname为分解用的小波函数,Lo_D,Hi_D是分解滤波器,cA,cH,cD分别是返回的系数向量。这里的图像大小要求是N×N,且N=2n。
图1(a)-图1(b)分别为图像一层小波分解和图像两层小波分解示意图;
图像第一次分解后的四个子带,其中LL1是低频子带,HL1、L1H和HH1是高频子带。LL1频带保留了图像的大部分信息,HL1频带是在水平方向上进行低通滤波,在竖直方向进行高通滤波的得到的,因此,HL1频带包含了图像的竖直方向高频信息。相应地,L1H频带是在竖直方向上进行低通滤波、在水平方向上进行高通滤波的含有水平方向的高频信息。HH1频带是图像45度和135度对角线方向上的高频信息。
步骤(2)中,在图像当前点(i,j)为中心的n×n像素内,,定义间隔相等的方向滤波直线,一般取8条(16条或者32条),如图2(a)所示,箭头的方向表示正方向,图2(b)-图2(f)表示前5个方向的示意图。
步骤(3)中,计算每一条滤波方向线的灰度平均值
式中,ij表示当前点,k表示滤波的第k个方向,表示的是第k个方向上的第l个点的灰度值。
步骤(4)中,计算各个条纹方向的每个点的灰度值与该方向线的均值的差,取绝对值,累加求和。
步骤(5)中,所示步骤五中,表示第k条纹方向灰度的变化,当最小时,灰度的变化最小,即条纹的切线方向,用表示
步骤(6)中,当条纹图的方向确定以后,用中值或者均值在该切线方向进行滤波,得到该点的滤波结果。
中值滤波是将该方向上排序,用中间点的值取代当前点的灰度值,对滤除掉孤立的点比较有效。均值滤波是将该方向的平均值取代当前灰度值,对滤除掉高斯分布分噪声比较合适。
最后对条纹图的全场每个点重复上述(2)—(6)过程。
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 (6)
1.一种改进的基于小波分解的旋滤波算法,其特征是,包括以下步骤:
(1)采集待处理的含有噪声的图像,用Haar小波进行小波分解,得到图像分解后的低频散斑干涉条纹图;
(2)定义得到的低频散斑干涉条纹图中,当前点为中心的设定窗口内以等角度间隔的条纹方向滤波线;
(3)计算每一条纹方向滤波线上各点的灰度平均值;
(4)根据条纹方向滤波线上各点的灰度值与该条纹方向滤波线上各点的灰度平均值,计算每一条纹方向滤波线的灰度变化;
(5)选取灰度变化最小的方向滤波线作为条纹的切线方向;
(6)在条纹的切线方向进行中值或者均值滤波;
(7)对低频散斑干涉条纹图中的每一个点重复步骤(2)-(6)的过程,得到降噪以后的散斑干涉条纹图。
2.如权利要求1所述的一种改进的基于小波分解的旋滤波算法,其特征是,所述步骤(1)中,采用Haar小波进行单尺度的二维离散小波变换,得到一幅低频图和三幅不同方向上的高频图。
3.如权利要求1所述的一种改进的基于小波分解的旋滤波算法,其特征是,所述步骤(2)中,在图像当前点(i,j)为中心的n×n像素内,定义间隔相等的方向滤波直线;所述条纹方向滤波线取8条、16条或者32条。
4.如权利要求1所述的一种改进的基于小波分解的旋滤波算法,其特征是,所述步骤(4)中,每一条纹方向滤波线的灰度变化具体为:
条纹方向滤波线上每一点的灰度值与该条纹方向滤波线上各点的灰度平均值之差的绝对值的累加和。
5.如权利要求1所述的一种改进的基于小波分解的旋滤波算法,其特征是,所述步骤(6)中,中值滤波是将所述条纹切线方向上各点的灰度值进行排序,用中间点的值取代当前点的灰度值。
6.如权利要求1所述的一种改进的基于小波分解的旋滤波算法,其特征是,所述步骤(6)中,均值滤波是将所述条纹切线方向上各点的灰度平均值取代当前点灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343496.1A CN105976340A (zh) | 2016-05-20 | 2016-05-20 | 改进的基于小波分解的旋滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343496.1A CN105976340A (zh) | 2016-05-20 | 2016-05-20 | 改进的基于小波分解的旋滤波算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105976340A true CN105976340A (zh) | 2016-09-28 |
Family
ID=56955621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610343496.1A Pending CN105976340A (zh) | 2016-05-20 | 2016-05-20 | 改进的基于小波分解的旋滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976340A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907542A (zh) * | 2017-10-25 | 2018-04-13 | 天津大学 | 一种ivmd及能量估计相结合的dspi相位滤波方法 |
CN109977966A (zh) * | 2019-02-28 | 2019-07-05 | 天津大学 | 基于深度学习的电子散斑条纹批量全自动滤波方法 |
CN111768349A (zh) * | 2020-06-09 | 2020-10-13 | 山东师范大学 | 一种基于深度学习的espi图像降噪方法及系统 |
CN113423024A (zh) * | 2021-06-21 | 2021-09-21 | 上海宏英智能科技股份有限公司 | 一种车载无线遥控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3993976A (en) * | 1974-05-13 | 1976-11-23 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for pattern analysis |
CN104215340A (zh) * | 2014-09-02 | 2014-12-17 | 桂林电子科技大学 | 一种光学干涉条纹快速处理方法 |
CN104459633A (zh) * | 2014-12-01 | 2015-03-25 | 中国科学院电子学研究所 | 结合局部频率估计的小波域InSAR干涉相位滤波方法 |
CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
-
2016
- 2016-05-20 CN CN201610343496.1A patent/CN105976340A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3993976A (en) * | 1974-05-13 | 1976-11-23 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for pattern analysis |
CN104215340A (zh) * | 2014-09-02 | 2014-12-17 | 桂林电子科技大学 | 一种光学干涉条纹快速处理方法 |
CN104459633A (zh) * | 2014-12-01 | 2015-03-25 | 中国科学院电子学研究所 | 结合局部频率估计的小波域InSAR干涉相位滤波方法 |
CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
Non-Patent Citations (5)
Title |
---|
于起峰 等: "《基于条纹方向和条纹等值线的ESPI与INSAR干涉条纹图处理方法》", 31 January 2007, 科学出版社 * |
王峰 等: "基于旋滤波的散斑干涉图预处理方法", 《强激光与粒子束》 * |
缪泓 等: "基于小波分析的条纹图滤波方法", 《实验力学》 * |
邹建成 等: "《数学及其在图像处理中的应用》", 31 July 2015, 北京邮电大学出版社 * |
项明 等: "小波域中的PDE指纹图像增强", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907542A (zh) * | 2017-10-25 | 2018-04-13 | 天津大学 | 一种ivmd及能量估计相结合的dspi相位滤波方法 |
CN109977966A (zh) * | 2019-02-28 | 2019-07-05 | 天津大学 | 基于深度学习的电子散斑条纹批量全自动滤波方法 |
CN111768349A (zh) * | 2020-06-09 | 2020-10-13 | 山东师范大学 | 一种基于深度学习的espi图像降噪方法及系统 |
CN113423024A (zh) * | 2021-06-21 | 2021-09-21 | 上海宏英智能科技股份有限公司 | 一种车载无线遥控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296655B (zh) | 基于自适应权值和高频阈值的sar图像变化检测方法 | |
CN105976340A (zh) | 改进的基于小波分解的旋滤波算法 | |
CN102831588B (zh) | 一种三维地震图像的降噪处理方法 | |
CN103295225B (zh) | 弱光照条件下的列车转向架边缘检测方法 | |
CN109961408B (zh) | 基于nsct和块匹配滤波的光子计数图像去噪方法 | |
CN105335972A (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
CN103093428A (zh) | 一种时空联合的图像序列多尺度几何变换去噪方法 | |
CN109472758B (zh) | 一种地震剖面图像纹理细节增强方法 | |
CN114355348B (zh) | Sar干涉图小波降噪处理方法及其处理装置 | |
Ning et al. | Fast phase denoising using stationary wavelet transform in speckle pattern interferometry | |
CN114779343A (zh) | 一种基于曲波变换-联合双边滤波的地震数据去噪方法 | |
CN101540039A (zh) | 单帧图象超分辨方法 | |
CN109872289A (zh) | 基于改进的非下采样Contourlet变换的图像增强方法 | |
CN102314675A (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN105023257B (zh) | 基于N‑Smoothlets的图像去噪方法 | |
CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN110490819A (zh) | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 | |
CN116148853A (zh) | 一种矿区沉陷干涉相位滤波方法和装置 | |
Aravind et al. | Multispinning for image denoising | |
CN107390218B (zh) | 基于最小无穷范数的二维相位解缠绕方法 | |
Thote et al. | Improved denoising technique for natural and synthetic images | |
Butt et al. | Multilateral filtering: A novel framework for generic similarity-based image denoising | |
Chen et al. | The algorithm of fog-degraded traffic images enhancement based on fractional differential | |
CN110766627A (zh) | 一种散斑干涉图像的降噪方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |
|
RJ01 | Rejection of invention patent application after publication |