CN106023093A - 一种基于改进图像块匹配的非局部均值图像去噪方法 - Google Patents
一种基于改进图像块匹配的非局部均值图像去噪方法 Download PDFInfo
- Publication number
- CN106023093A CN106023093A CN201610298113.3A CN201610298113A CN106023093A CN 106023093 A CN106023093 A CN 106023093A CN 201610298113 A CN201610298113 A CN 201610298113A CN 106023093 A CN106023093 A CN 106023093A
- Authority
- CN
- China
- Prior art keywords
- image
- coefficient
- value
- denoising
- variation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000004064 recycling Methods 0.000 claims description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 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 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 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
- 241000233805 Phoenix Species 0.000 description 1
- 230000006978 adaptation Effects 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
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000005303 weighing 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明的一种基于改进图像块匹配的非局部均值图像去噪方法,属于图像处理技术领域。有变差系数值图的建立、变差系数值图的分类、平坦区域上去噪处理、结构区域上去噪处理四个步骤。本发明具有运算时间短、计算权重准确、去噪效果好等优点。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种改进图像块匹配的非局部均值图像去噪方法。
背景技术
人类从外界所获取的大部分信息是通过视觉上对事物的反映,进而在大脑中形成图像。由于图像具有直观、易懂、形象和信息量大等特点,因此应用领域非常广泛,并且发挥着越来越重要的作用。因此,图像已经成为人类获取信息、感知世界进而改变世界的一种重要手段。但是,由于成像系统、传输介质和记录仪器的不完善,在获取、传输和接收的过程中,图像会被噪声污染,影响人类对图像观察和正确的理解,也会影响机器对图像的识别等,所以对图像进行去噪处理就变得尤为重要。图像去噪的目的就是采用一定的技术手段,对含有噪声图像利用相应的算法进行处理,同时也要求满足一定条件的噪声平滑程度,从而能尽量把图像的细节等重要信息保存下来,近似恢复原图像,提高含噪声图像的清晰度和质量。
2005年,Buades等人首次提出了非局部均值(Non-local means,NLM)去噪方法,充分利用了加性高斯白噪声模型和图像中像素存在自相似的特性,通过对各个像素配以相应的权重并且相乘做和来近似估计目标像素灰度值。该方法以其特有的优势和理论基础受到了学者的广泛关注,从而对NLM改进的一系列方法被提出来,不同程度的改善了图像去噪效果。在经典NLM去噪方法中权重大小是由当前像素点所在的图像块与邻域内其他像素点所在的图像块之间的相似性来度量的,图像块能把更加丰富的信息包含进来,这样就能描述图像的特征,也能更好的估计当前目标像素的灰度值,从而达到有效的保护图像边缘、细节等重要特征。但是在像素变化较大的区域上,两个图像块之间的相似性程度与图像块尺寸有关系,进而影响了权重和最终的去噪效果。
发明内容
本发明要解决的问题是:克服非局部均值在自适应匹配相似图像块尺寸方面的不足,基于两个相似图像块之间的相关系数,提供一种在结构区域上能自适应匹配相似图像块尺寸的非局部均值图像去噪方法。
上述的技术问题通过以下的技术方案实现:
一种基于改进图像块匹配的非局部均值图像去噪方法,有变差系数值图的建立、变差系数值图的分类、平坦区域上去噪处理、结构区域上去噪处理四个步骤;
所述的变差系数值图的建立是,将噪声图像利用变差系数进行重新构图,得到变差系数值图,所述的变差系数是图像上任一点的标准差相对于平均数大小的一个相对量,由图像上所有点的变差系数值组成一个新的图像就得到变差系数值图;
所述的变差系数值图的分类是,利用聚类算法对所述的变差系数值图进行分析,将变差系数值图中的区域分成两大类,并记为平坦区域和结构区域;
所述的平坦区域上去噪处理是,在变差系数值图的分类之后得到的平坦区域上,用经典非局部均值图像去噪方法进行处理,得到平坦区域的去噪结果图;
所述的结构区域上去噪处理是,在变差系数值图的分类之后得到的结构区域上,先利用两个图像块之间相关系数的值来选取块尺寸,然后再利用经典非局部均值图像去噪方法进行处理。
本发明的一种基于改进图像块匹配的非局部均值图像去噪方法中,所述的变差系数值图的建立,具体是,利用变差系数CV来衡量图像的匀质性,变差系数CV的计算公式为:
其中Fi是以像素i为中心的正方形邻域,vs(j)是正方形邻域内任意一点像素j的灰度值,Ave(Fi)为其正方形邻域内所有像素灰度值的均值,Var(Fi)是其方形邻域内所有像素灰度值的方差;对整幅噪声图像进行计算后,建立变差系数值图。
本发明的一种基于改进图像块匹配的非局部均值图像去噪方法中,所述的变差系数值图的分类,具体是,根据公式衡量数据与聚类中心之间的距离,并根据公式更新聚类中心值;其中表示同类中数据的个数;利用K-means聚类算法对CV值分成平坦区域和结构区域;所述的K-means聚类算法,具体可参考文献:王千,王成,冯振元,叶金凤.K-means聚类算法研究综述[J].电子设计工程,2012,07:21-24。
本发明的一种基于改进图像块匹配的非局部均值图像去噪方法中,所述的平坦区域上去噪处理,具体是利用公式
对图像的平坦区域进行处理得到图像平坦区域的去噪结果图;其中d(i,j)表示两个像素之间的欧式距离,w(i,j)表示的是像素点j所赋予的相似权重,Z(i)表示欧氏距离的归一化常数,表示的是目标像素点i的灰度估计值。
本发明的一种基于改进图像块匹配的非局部均值图像去噪方法中,所述的结构区域上去噪处理,具体是利用公式和计算图像块之间的相似系数Similarity,其中CR(a,b)表示两个图像块的相关系数;然后设定阈值T1=0.25,T2=0.5,当Similarity<T1时,选择3×3的图像块;当Similarity>T2时,选择7×7的图像块;当T1≤Similarity≤T2时,选择5×5的图像块,由此来自适应匹配相似图像块的尺寸。
本发明的技术方案有以下有益效果:
1、本发明在图像像素变化较大的区域上,能快速匹配相似图像块的尺寸,以减少方法的运算时间。
2、本发明可以实现相似图像块尺寸的自适应选择,使得在计算权重时能更加准确,去噪效果更好。
附图说明
图1是实施例2中所述的噪声图像。
图2是实施例2中所述的CV值图。
图3是实施例3中所述的CV值分类图。
图4是实施例5中所述的最终去噪后的整幅图像。
图5是本发明方法的流程图。
具体实施方式
实施例1本发明的总体步骤
本发明是一种改进图像块匹配的非局部均值图像去噪方法,有变差系数值图的建立、变差系数值图的分类、平坦区域去噪处理、结构区域去噪处理四个步骤,首先利用变差系数公式将要处理的带噪声的图片转换成变差系数值图,然后将变差系数值图划分成平坦区域和结构区域,在平坦区域上,用经典非局部均值图像去噪方法进行处理,在结构区域上,先利用两个图像块之间相关系数的值来选取块尺寸,然后再利用经典非局部均值图像去噪方法进行处理,最终得到去噪的图像。
实施例2变差系数值图的建立
在本发明中,利用变差系数(Coefficient of Variation,CV)来衡量图像的匀质性,所谓的变差系数是标准差相对于平均数大小的相对量,其公式可以表示为:
其中Fi是以像素i为中心的正方形邻域,vs(j)是正方形邻域内任意一点像素j的灰度值,Ave(Fi)为其正方形邻域内所有像素灰度值的均值,Var(Fi)是其方形邻域内所有像素灰度值的方差。将图1所示的噪声图利用公式(1)处理后得到如图2所示的变差系数值图。
实施例3变差系数值图的分类
在实施例2中的变差系数值图中,CV值会有大小之分,其中较小的CV值为平坦区域,较大的CV值为结构区域。利用K-means聚类算法对CV值分成两类并显示变差系数值图的分类结果图。下面就简单的介绍K-means算法,该算法接受参数k,即k表示的是要进行分类的种数。为了方便描述算法,定义Ψ表示为样本包含n个数据,即
Ψ={xa|xa=(xa1,,xa2,....xad),a=1,2...n} (2)
其中,xa=xa1,xa2...xad是一个d维向量,表示的是第a个数据的d个属性,n是样本容量。然后还要对将数据样本Ψ划分为k类,则聚类中心可以表示为:
C={cb|cb=(cb1,cb2...cbd),b=1,2...k} (3)
其中cb=(cb1,cb2...cbd)表示的是第b个聚类中心,每个中心都有d种属性,k表示的是k种聚类。要求满足同一个类的距离较小,若是不同的类则距离较大。其衡量距离采用的公式如下:
然后把属于相同类的数据做相应均值处理,得到新的聚类中心的值,其计算公式如下所示:
其中表示该类中数据的个数。
该聚类方法基本思想是:先在图像空间中选择k个点做为质心然后进行聚类,先把在位置上最靠近聚类中心的对象进行类别划分,归属到属于它们的那一类上。然后通过均值迭加的方法,依次更新各不同聚类的中心值,直到得到最好的聚类结果。具体算法描述如下:
(1)选择k个类的初始中心,通常情况下可以设置初始中心或者算法自动选择;
(2)在进行迭代处理中,对一个任意已知数据的样本,求各个数据到k个聚类中心的距离,将该样本数据划分到距离最短的那一类;
(3)利用均值叠加方法更新该类的中心值;
(4)对于所有的k个聚类中心,当利用第(2)、(3)步的迭加更新后,其聚类中心值最终保持不变或者满足一定要求条件情况下,则迭代结束,否则继续进行迭代。
CV值图经过K-means算法聚类之后,就把图像分成平坦区域和结构区域两类。如图3所示,其中,图像中白色部分表示的是结构区域,黑色部分表示的是平坦区域,最终得到变差系数值分类图。
实施例4平坦区域上采用经典方法进行去噪处理
在实施例3所得到的图像平坦区域上,采用经典非局部均值图像去噪方法(NLM)进行去噪处理,NLM方法对图像去噪的公式如下所示:
式中表示的是目标像素点i的灰度估计值,Ω(i)表示的是以像素点i为中心,尺寸为固定不变的搜索邻域,像素点j表示的是在搜索邻域Ω(i)内所有像素中,任意选择的一个像素,而v(j)表示像素点j的灰度值,w(i,j)表示的是像素点j所赋予的相似权重,其权重公式表示为:
Z(i)表示欧氏距离的归一化常数,其公式可以表示为:
d(i,j)表示两个像素之间的欧式距离,用来衡量像素之间的相似性。h表示平滑参数,对权重函数的衰减速度进行控制,去噪后图像平滑程度正是受到该值的控制。求欧氏距离的公式如下:
其中Ni表示以目标像素i为中心所在固定尺寸的相似图像块。v(Ni)表示目标像素i的灰度值,v(Nj)表示的是其邻域中任意一像素点j的灰度值。另外0≤w(i,j)≤1,并且满足一般情况下,在平坦区域相似图像块尺寸为7×7的正方形,平滑参数h=5×σ。然后利用公式(6)对整幅图像进行计算处理,就可以得到噪声图像在平坦区域的去噪结果图。
实施例5结构区域上采用改进的方法进行去噪处理
在实施例3所得的图像结构区域上,采用改进的非局部均值图像去噪方法进行去噪处理。在图像结构区域上,相似信息比较复杂,所以相似图像块尺寸不同会造成它们之间的相似性不同。目标像素所在的图像块为目标块,将搜索域内其他像素所在的图像块定义为参与块。在变化较慢的结构区域上,大尺寸的目标快与参与块之间的相似度比较大;而在变化较为激烈的结构域上,小尺寸的目标块与参与块之间有更高的相似度。相似图像块之间的相似度随着两个图像块尺寸的变化而变化,由此说明含有最多相似信息的图像块尺寸是不固定的。
因此,本发明在非局部均值去噪方法的整体框架下,针对图像结构区域上的特点,在计算相似图像块权重之前先自适应的匹配相似图像块的尺寸。其具体方法是利用两个图像块的相似系数Similarity值的大小来衡量其之间相似性的大小,其公式如下:
其中CR(a,b)表示两个图像块的相关系数,可以很好地评价图像块之间的相似性,其定义公式如下:
其中,表示目标块像素灰度值的平均值,表示参与块像素灰度值的平均值,并且CR(a,b)的取值范围为[-1,1]。又根据公式(10)可得,Similarity的取值范围是[0,1]。当Similarity的值越大时,说明目标块和参与块之间的相似度越低;当Similarity值越小时,说明目标块和参与块之间的相似度越高,另外Similarity=0时说明目标块和参与块完全相同。
设置阈值T1和T2,T1<T2,并且在结构区域上选择3×3、5×5、7×7的相似图像块尺寸。有若Similarity<T1,则说明相似度较高,选择3×3的图像块;若Similarity>T2,则说明相似度较低,选择7×7的图像块;若T1<Similarity<T2,则选择5×5的图像块。本发明中,搜索域的尺寸为21×21,T1=0.25,T2=0.5.当目标块和参与块选择相应的尺寸后,再利用公式(6)对目标像素进行去噪,进而通过该方法对图像在结构区域的去噪结果图。最终通过把图像在平坦区域和结构区域处理后结果图进行重新组合,得到最终去噪后的图像,如图4所示。
实施例2~5的方法流程图如图5所示,其步骤如下:
步骤1:首先利用公式1计算整幅图像得变差系数值并得到CV值图,然后用Kmeans算法根据CV值图将噪声图像分为平坦区域和结构区域,得到CV值分类图。
步骤2:对噪声图像的平坦区域上的每点像素,采用固定尺寸的图像块,利用公式(9)计算图像块间的相似性,然后用公式(8)计算权重,最终估计所有像素的灰度值得到平坦区域上的去噪图像。
步骤3:对噪声图像的结构区域上的每点像素,利用公式(10)计算相似系数值,根据值的大小来自适应选取最相似的图像块尺寸,然后在经典非局部均值的框架下进行去噪处理,最终得到整幅图像去噪后的结果图。
实施例6本发明实施例2~5的相关程序
Claims (5)
1.一种基于改进图像块匹配的非局部均值图像去噪方法,有变差系数值图的建立、变差系数值图的分类、平坦区域上去噪处理、结构区域上去噪处理四个步骤;
所述的变差系数值图的建立是,将噪声图像利用变差系数进行重新构图,得到变差系数值图,所述的变差系数是图像上任一点的标准差相对于平均数大小的一个相对量,由图像上所有点的变差系数值组成一个新的图像就得到变差系数值图;
所述的变差系数值图的分类是,利用聚类算法对所述的变差系数值图进行分析,将变差系数值图中的区域分成两大类,并记为平坦区域和结构区域。
所述的平坦区域上去噪处理是,在变差系数值图的分类之后得到的平坦区域上,用经典非局部均值图像去噪方法进行处理,得到平坦区域的去噪结果图;
所述的结构区域上去噪处理是,在变差系数值图的分类之后得到的结构区域上,先利用两个图像块之间相关系数的值来选取块尺寸,然后再利用经典非局部均值图像去噪方法进行处理。
2.根据权利要求1所述的一种基于改进图像块匹配的非局部均值图像去噪方法,其特征在于,所述的变差系数值图的建立,具体是,利用变差系数CV来衡量图像的匀质性,变差系数CV的计算公式为:
其中Fi是以像素i为中心的正方形邻域,vs(j)是正方形邻域内任意一点像素j的灰度值,Ave(Fi)为其正方形邻域内所有像素灰度值的均值,Var(Fi)是其方形邻域内所有像素灰度值的方差;对整幅噪声图像进行计算后,建立变差系数值图。
3.根据权利要求1所述的一种基于改进图像块匹配的非局部均值图像去噪方法,其特征在于,所述的变差系数值图的分类,具体是,根据公式a=1,2...n;b=1,2...k衡量数据与聚类中心之间的距离,并根据公式l=1,2...d;b=1,2...k更新聚类中心值;其中表示同类中数据的个数;利用K-means聚类算法对CV值分成平坦区域和结构区域。
4.根据权利要求1所述的一种基于改进图像块匹配的非局部均值图像去噪方法,其特征在于,所述的平坦区域上去噪处理,具体是利用公式
对图像的平坦区域进行处理得到图像平坦区域的去噪结果图;其中d(i,j)表示两个像素之间的欧式距离,w(i,j)表示的是像素点j所赋予的相似权重,Z(i)表示欧氏距离的归一化常数,表示的是目标像素点i的灰度估计值。
5.根据权利要求1~4任一所述的一种基于改进图像块匹配的非局部均值图像去噪方法,其特征在于,所述的结构区域上去噪处理,具体是利用公式和计算图像块之间的相似系数Similarity,其中CR(a,b)表示两个图像块的相关系数;然后设定阈值T1=0.25,T2=0.5,当Similarity<T1时,选择3×3的图像块;当Similarity>T2时,选择7×7的图像块;当T1≤Similarity≤T2时,选择5×5的图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610298113.3A CN106023093A (zh) | 2016-05-09 | 2016-05-09 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610298113.3A CN106023093A (zh) | 2016-05-09 | 2016-05-09 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023093A true CN106023093A (zh) | 2016-10-12 |
Family
ID=57082170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610298113.3A Pending CN106023093A (zh) | 2016-05-09 | 2016-05-09 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023093A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765332A (zh) * | 2018-05-23 | 2018-11-06 | 成都信息工程大学 | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 |
CN109583309A (zh) * | 2018-10-31 | 2019-04-05 | 浙江清华柔性电子技术研究院 | 信号降噪方法、装置、计算机设备和存储介质 |
CN112381727A (zh) * | 2020-11-03 | 2021-02-19 | 中航航空电子有限公司 | 一种图像去噪方法、装置、计算机设备和存储介质 |
CN113269687A (zh) * | 2021-05-17 | 2021-08-17 | 武汉博宇光电系统有限责任公司 | 一种基于参数优化的非局部平均红外图像去噪方法 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886553A (zh) * | 2014-03-10 | 2014-06-25 | 广东威创视讯科技股份有限公司 | 图像非局部均值去噪方法和系统 |
CN103955903A (zh) * | 2014-05-09 | 2014-07-30 | 东南大学 | 一种权值窗口自适应非局部均值图像去噪方法 |
CN104200434A (zh) * | 2014-08-28 | 2014-12-10 | 哈尔滨工程大学 | 一种基于噪声方差估计的非局部均值图像去噪方法 |
CN104346787A (zh) * | 2014-11-25 | 2015-02-11 | 成都卫士通信息产业股份有限公司 | 一种非局部均值图像去噪算法 |
US20150138405A1 (en) * | 2013-11-15 | 2015-05-21 | Linear Algebra Technologies Limited | Apparatus, systems, and methods for removing noise from an image |
US9330442B2 (en) * | 2013-09-30 | 2016-05-03 | Samsung Electronics Co., Ltd. | Method of reducing noise in image and image processing apparatus using the same |
-
2016
- 2016-05-09 CN CN201610298113.3A patent/CN106023093A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9330442B2 (en) * | 2013-09-30 | 2016-05-03 | Samsung Electronics Co., Ltd. | Method of reducing noise in image and image processing apparatus using the same |
US20150138405A1 (en) * | 2013-11-15 | 2015-05-21 | Linear Algebra Technologies Limited | Apparatus, systems, and methods for removing noise from an image |
CN103886553A (zh) * | 2014-03-10 | 2014-06-25 | 广东威创视讯科技股份有限公司 | 图像非局部均值去噪方法和系统 |
CN103955903A (zh) * | 2014-05-09 | 2014-07-30 | 东南大学 | 一种权值窗口自适应非局部均值图像去噪方法 |
CN104200434A (zh) * | 2014-08-28 | 2014-12-10 | 哈尔滨工程大学 | 一种基于噪声方差估计的非局部均值图像去噪方法 |
CN104346787A (zh) * | 2014-11-25 | 2015-02-11 | 成都卫士通信息产业股份有限公司 | 一种非局部均值图像去噪算法 |
Non-Patent Citations (3)
Title |
---|
赵庆平, 陈得宝, 姜恩华, 方振国: "一种改进权重的非局部均值图像去噪算法", 《电子测量与仪器学报》 * |
钟莹: "结构特性匹配的非局部均值图像去噪算法研究", 《万方数据库》 * |
陈燕,李桃迎: "《数据挖掘与聚类分析》", 30 November 2012, 大连海事大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765332A (zh) * | 2018-05-23 | 2018-11-06 | 成都信息工程大学 | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 |
CN108765332B (zh) * | 2018-05-23 | 2022-05-06 | 成都信息工程大学 | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 |
CN109583309A (zh) * | 2018-10-31 | 2019-04-05 | 浙江清华柔性电子技术研究院 | 信号降噪方法、装置、计算机设备和存储介质 |
CN109583309B (zh) * | 2018-10-31 | 2021-05-04 | 浙江清华柔性电子技术研究院 | 信号降噪方法、装置、计算机设备和存储介质 |
CN112381727A (zh) * | 2020-11-03 | 2021-02-19 | 中航航空电子有限公司 | 一种图像去噪方法、装置、计算机设备和存储介质 |
CN112381727B (zh) * | 2020-11-03 | 2023-12-15 | 中航航空电子有限公司 | 一种图像去噪方法、装置、计算机设备和存储介质 |
CN113269687A (zh) * | 2021-05-17 | 2021-08-17 | 武汉博宇光电系统有限责任公司 | 一种基于参数优化的非局部平均红外图像去噪方法 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
CN114764803B (zh) * | 2022-06-16 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766199B (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN106023093A (zh) | 一种基于改进图像块匹配的非局部均值图像去噪方法 | |
CN101719277B (zh) | 一种遗传模糊聚类图像分割方法 | |
CN107481188A (zh) | 一种图像超分辨率重构方法 | |
CN103262118B (zh) | 属性值估计装置和属性值估计方法 | |
CN101916436B (zh) | 一种多尺度空间投影遥感影像融合方法 | |
CN111612489B (zh) | 订单量的预测方法、装置及电子设备 | |
CN107491734B (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
CN104572804A (zh) | 一种视频物体检索的方法及其系统 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN111507357B (zh) | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 | |
CN108932742A (zh) | 一种基于遥感图像分类的大规模红外地形场景实时渲染方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN104751111A (zh) | 识别视频中人体行为的方法和系统 | |
CN107145860A (zh) | 基于空间信息和深度学习的极化sar图像分类方法 | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN114581560A (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN111062280B (zh) | 一种基于距离变换标签的密集群体计数及定位方法 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |