CN106097257B - 一种图像去噪方法及装置 - Google Patents

一种图像去噪方法及装置 Download PDF

Info

Publication number
CN106097257B
CN106097257B CN201610375435.3A CN201610375435A CN106097257B CN 106097257 B CN106097257 B CN 106097257B CN 201610375435 A CN201610375435 A CN 201610375435A CN 106097257 B CN106097257 B CN 106097257B
Authority
CN
China
Prior art keywords
image
pixel
denoising
feature vector
module
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
Application number
CN201610375435.3A
Other languages
English (en)
Other versions
CN106097257A (zh
Inventor
温铁祥
范阳阳
秦文健
李凌
辜嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201610375435.3A priority Critical patent/CN106097257B/zh
Publication of CN106097257A publication Critical patent/CN106097257A/zh
Application granted granted Critical
Publication of CN106097257B publication Critical patent/CN106097257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像去噪方法及装置。该图像去噪方法包括步骤a：根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像像素特征构建特征向量；步骤b：根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；步骤c：根据提取特征向量以及特征向量的目标值得到输入样本，将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；步骤d：根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。本发明实施例的图像去噪方法及装置能够有效的滤除图像中的噪声，提高图像质量，并且该方法的均方误差小，峰值信噪比大，对多种噪声的去噪效果明显。

Description

一种图像去噪方法及装置
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像去噪方法及装置。
背景技术
当今社会已经进入了数字化的信息时代，而包含信息量最大的一种存储形式是图像。据统计，人类接受外界的信息中有70％来自于图像，图像成为人类获取信息的重要手段，并且随着信息化的发展图像在信息传播过程中所起的作用越来越大。然而图像在获取或传输过程中不可避免地受到外部和内部的干扰，常常被加入很多噪声。图像噪声是多种多样的，根据噪声的概率密度函数服从的分布可以分为以下几类：高斯噪声、椒盐噪声、泊松噪声以及斑点噪声等。噪声是影响图像质量和视觉效果的最主要的原因之一，它使得图像变得非常模糊，掩盖了图像的原始特征，直接影响了图像后续的处理工作，比如：图像分割、压缩、融合和识别等。因此，必须对图像进行去噪处理，提高图像的质量，增大图像的信噪比，更好的体现原始图像所携带的信息，为图像的后续处理奠定良好的基础。所以，使用适当的方法对噪声图像进行去噪，是图像处理领域中一个非常重要的步骤。
目前最常用的图像去噪方法主要为空间域滤波方法。图像空间域滤波方法是对原始图像上的像素灰度值直接进行数据运算处理。经典的空间域滤波方法有邻域平均法、中值滤波法和维纳滤波法等。邻域平均法是对图像中的每一个像素，设定一个局部邻域，一般为方形邻域，也可以是圆形或十字形等，记录该邻域内的所有像素的灰度值和像素个数，然后对这些像素灰度值取平均值赋值给中心像素；中值滤波法是一种基于排序统计理论的有效抑制噪声的非线性平滑滤波信号处理技术，其原理类似于邻域平均法，不同的是中值滤波法是对邻域内的所有像素灰度值先进行排序，然后取其中值赋值给中心像素。维纳滤波法是使原始图像和去噪后图像之间的均方误差最小的一种恢复原图像方法，维纳滤波是一种自适应滤波器，根据局部方差来调整滤波器效果。
以上提出的几种空间域滤波方法：邻域平均法、中值滤波法和维纳滤波法等，它们在滤除图像噪声时存在一些局限性，例如邻域平均法对高斯噪声和斑点噪声的滤除效果较好，但对椒盐噪声的滤除效果不明显；中值滤波法对椒盐噪声的滤除效果最好，但对其它噪声的滤除效果不如椒盐噪声；维纳滤波法对斑点噪声的滤除效果最好，但对高斯噪声和椒盐噪声的滤除效果一般。因此这些常见的空间域去噪方法，它们的使用范围有一定的局限，通用性不高，不能很好的用于各种噪声的滤除。
发明内容
本申请提供了一种图像去噪方法及装置，以解决现有技术空间域去噪方法通用性不高、不能很好的滤除各种噪声的技术问题。
为了解决上述问题，本发明提供了如下技术方案：
本发明实施例提供了一种图像去噪方法，包括：
步骤a：根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像像素特征构建特征向量；
步骤b：根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；
步骤c：根据提取特征向量以及特征向量的目标值得到输入样本，将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；
步骤d：根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
本发明实施例采取的技术方案还包括：所述步骤a具体包括：根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。
本发明实施例采取的技术方案还包括：在所述步骤a中，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量包括：对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)；对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素获得5个微分值，分别为构成一个行向量d(i,j)；对于像素(i,j)提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。
本发明实施例采取的技术方案还包括：在所述步骤a中，提取图像像素特征采用局部二值模式特征提取。
本发明实施例采取的技术方案还包括：所述步骤c还包括：设置极限学习机网络的隐层节点个数，并进行训练。
本发明实施例采取的另一技术方案为：一种图像去噪装置，包括特征向量构建模块、位置提取模块、输入样本获取模块、去噪模型构建模块和图像去噪模块，所述特征向量构建模块根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像像素特征构建特征向量；所述位置提取模块根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；所述输入样本获取模块根据提取特征向量以及特征向量的目标值得到输入样本；所述去噪模型构建模块用于将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；所述图像去噪模块根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
本发明实施例采取的技术方案还包括：所述特征向量构建模块构建特征向量的具体方式为：根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。
本发明实施例采取的技术方案还包括：所述特征向量构建模块根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量具体为：对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)；对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素获得5个微分值，分别为构成一个行向量d(i,j)；对于像素(i,j)提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。
本发明实施例采取的技术方案还包括：所述特征向量构建模块提取图像像素特征采用局部二值模式特征提取。
本发明实施例采取的技术方案还包括：所述去噪模型构建模块还用于设置极限学习机网络的隐层节点个数，并进行训练
本发明实施例的图像去噪方法及装置能够有效的滤除图像中的噪声，提高图像质量，并且该方法的均方误差小，峰值信噪比大，对多种噪声的去噪效果都较明显，使用范围较广，局限性小，通用性高。
附图说明
图1是本发明实施例的图像去噪方法的流程图；
图2是本发明实施例的图像去噪方法的过程示意图；
图3是本发明实施例的图像去噪装置的结构示意图；
图4是本发明实施例的图像去噪方法的实验结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1和图2，图1是本发明实施例的图像去噪方法的流程图，图2是本发明实施例的图像去噪方法的过程示意图。本发明实施例的图像去噪方法包括：
步骤10：根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量；
在步骤10中，对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)，对于像素的一阶和二阶微分倒数，采用差分方程计算，这样对于每一个像素都可以获得5个微分值，分别为构成一个行向量d(i,j)。因此，对于像素(i,j)可提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。本发明实施例的图像去噪方法其关键在于输入样本的提取，对于图像像素特征的提取，除了使用局部图像块中的像素值和像素微分倒数之外，还可使用其它的方法来提取像素特征，例如：LBP特征提取等。LBP(LocalBinary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。对LBP特征向量进行提取的步骤为：
(1)首先将检测窗口划分为16×16的小区域(cell)；
(2)对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
(3)然后计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率；然后对该直方图进行归一化处理；
(4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量。
步骤20：根据给定的原始图像I0，提取像素值I(i,j)作为相对In在(i,j)位置提取的特征向量的目标值；
步骤30：根据提取特征向量v(i,j)＝[P(i,j),d(i,j)]以及提取像素值I(i,j)作为相对In在(i,j)位置提取的特征向量的目标值，得到输入样本[v(i,j),I(i,j)]；
步骤40：将输入样本带入极限学习机(Extreme Learning Machine，ELM)，设置网络的隐层节点个数，并进行训练，求得输出权重β的值，确定极限学习机去噪的数学模型；
在步骤40中，极限学习机(Extreme Learning Machine，ELM),是一种新型的快速学习方法，主要用于单隐层神经网络。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。ELM在算法执行过程中，可以随机分配隐层的输入权值和偏置，只需要设置网络的隐层节点个数，不需要迭代调整网络的输入权值和隐层偏置，并且产生唯一的最优解，因此，ELM具有学习速度快且泛化性能好等优点。
假设有N个任意样本(xi，ti)，其中xi＝[xi1,xi2,…,xin]T∈Rn，ti＝[ti1,ti2,…,tim]T∈Rm，对于一个有L个隐层节点的单隐层神经网络可表示为：
其中，g(x)为激活函数，一般可选择为双曲函数，正弦函数或者径向基函数等。wi＝[wi1,wi2,…,win]T是连接第i个隐层节点和输入数据之间的权重向量，βi＝[βi1,βi2,…,βim]T是连接第i个隐层节点和输出数据之间的权重向量，bi是第i个隐层节点的偏置，wi·xj表示向量的内积。
单隐层神经网络学习的目标是使得输出的误差最小，即：
即存在βi，wi，bi，使得：
上式(3)可用矩阵表示为：
Hβ＝T (4)
其中，H是隐层的输出矩阵，β为输出权重，T为期望输出矩阵。
这里，
在ELM算法中，一旦输入权重wi和隐层偏置bi被随机确定，隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可转换为求解一个线性系统Hβ＝T，此时输出权重β可被确定。
其中，是矩阵H的Moore-Penrose广义逆，且可证明求得的的范数最小且唯一。
步骤50：根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
请参阅图3，图3是本发明实施例的图像去噪装置的结构示意图。本发明实施例的图像去噪装置包括特征向量构建模块、位置提取模块、输入样本模块、去噪模型构建模块和图像去噪模块。
特征向量构建模块根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)，对于像素的一阶和二阶微分倒数，采用差分方程计算，这样对于每一个像素都可以获得5个微分值，分别为构成一个行向量d(i,j)。因此，对于像素(i,j)可提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。本发明实施例的图像去噪方法其关键在于输入样本的提取，对于图像像素特征的提取，除了使用局部图像块中的像素值和像素微分倒数之外，还可使用其它的方法来提取像素特征，例如：LBP特征提取等。
位置提取模块根据给定的原始图像I0，提取像素值I(i,j)作为相对In在(i,j)位置提取的特征向量的目标值。
输入样本模块根据提取特征向量v(i,j)＝[P(i,j),d(i,j)]以及提取像素值I(i,j)作为相对In在(i,j)位置提取的特征向量的目标值，得到输入样本[v(i,j),I(i,j)]。
去噪模型构建模块将输入样本带入极限学习机(Extreme Learning Machine，ELM)算法，设置网络的隐层节点个数，并进行训练，求得输出权重β的值，确定极限学习机去噪的数学模型。极限学习机(Extreme Learning Machine，ELM),是一种新型的快速学习方法，主要用于单隐层神经网络。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。ELM在算法执行过程中，可以随机分配隐层的输入权值和偏置，只需要设置网络的隐层节点个数，不需要迭代调整网络的输入权值和隐层偏置，并且产生唯一的最优解，因此，ELM具有学习速度快且泛化性能好等优点。
假设有N个任意样本(xi，ti)，其中xi＝[xi1,xi2,…,xin]T∈Rn，ti＝[ti1,ti2,…,tim]T∈Rm，对于一个有L个隐层节点的单隐层神经网络可表示为：
其中，g(x)为激活函数，一般可选择为双曲函数，正弦函数或者径向基函数等。wi＝[wi1,wi2,…,win]T是连接第i个隐层节点和输入数据之间的权重向量，βi＝[βi1,βi2,…,βim]T是连接第i个隐层节点和输出数据之间的权重向量，bi是第i个隐层节点的偏置，wi·xj表示向量的内积。
单隐层神经网络学习的目标是使得输出的误差最小，即：
即存在βi，wi，bi，使得：
上式(3)可用矩阵表示为：
Hβ＝T (4)
其中，H是隐层的输出矩阵，β为输出权重，T为期望输出矩阵。
这里，
在ELM算法中，一旦输入权重wi和隐层偏置bi被随机确定，隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可转换为求解一个线性系统Hβ＝T，此时输出权重β可被确定。
其中，是矩阵H的Moore-Penrose广义逆，且可证明求得的的范数最小且唯一。
图像去噪模块根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
请参阅图4，图4是本发明实施例的图像去噪方法的实验结果示意图。本发明实施例的图像去噪方法及装置以matlab自带的脑结构CT图像(phantom)为例，用提出的方法分别完成对高斯噪声图像、椒盐噪声图像以及斑点噪声图像的滤除作用，结果表明本方法能够有效的滤除图像中的噪声，提高图像质量，并且该方法的均方误差小，峰值信噪比大，对多种噪声的去噪效果都较明显，使用范围较广，局限性小，通用性高。
表一 针对高斯噪声图像去噪之后的均方误差值和峰值信噪比值
表二 针对椒盐噪声图像去噪之后的均方误差值和峰值信噪比值
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种图像去噪方法，包括：
步骤a：根据给定的原始图像加噪声之后的图像In，提取图像In的图像像素特征，根据图像像素特征构建特征向量；
步骤b：根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；
步骤c：根据提取特征向量以及特征向量的目标值得到输入样本，将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；
步骤d：根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤a具体包括：根据给定的原始图像加噪声之后的图像In，提取图像In的局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。
3.根据权利要求2所述的图像去噪方法，其特征在于，在所述步骤a中，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量包括：对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)；对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素获得5个微分值，分别为构成一个行向量d(i,j)；对于像素(i,j)提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。
4.根据权利要求1所述的图像去噪方法，其特征在于，在所述步骤a中，提取图像像素特征采用局部二值模式特征提取。
5.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤c还包括：设置极限学习机网络的隐层节点个数，并进行训练。
6.一种图像去噪装置，其特征在于，包括特征向量构建模块、位置提取模块、输入样本获取模块、去噪模型构建模块和图像去噪模块，所述特征向量构建模块根据给定的原始图像加噪声之后的图像In，提取图像In的图像像素特征，根据图像像素特征构建特征向量；所述位置提取模块根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；所述输入样本获取模块根据提取特征向量以及特征向量的目标值得到输入样本；所述去噪模型构建模块用于将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；所述图像去噪模块根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
7.根据权利要求6所述的图像去噪装置，其特征在于，所述特征向量构建模块构建特征向量的具体方式为：根据给定的原始图像加噪声之后的图像In，提取图像In的局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。
8.根据权利要求7所述的图像去噪装置，其特征在于，所述特征向量构建模块根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量具体为：对于In中的每一个像素位置(i,j)，以(i,j)为中心，确定一个大小为m*m的局部图像块Pi,j，提取Pi,j中的像素值构成一个大小为m2行向量P(i,j)；对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素获得5个微分值，分别为构成一个行向量d(i,j)；对于像素(i,j)提取一个大小为m2+5的特征向量v(i,j)＝[P(i,j),d(i,j)]。
9.根据权利要求6所述的图像去噪装置，其特征在于，所述特征向量构建模块提取图像像素特征采用局部二值模式特征提取。
10.根据权利要求6或7所述的图像去噪装置，其特征在于，所述去噪模型构建模块还用于设置极限学习机网络的隐层节点个数，并进行训练。
CN201610375435.3A 2016-05-30 2016-05-30 一种图像去噪方法及装置 Active CN106097257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610375435.3A CN106097257B (zh) 2016-05-30 2016-05-30 一种图像去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610375435.3A CN106097257B (zh) 2016-05-30 2016-05-30 一种图像去噪方法及装置

Publications (2)

Publication Number Publication Date
CN106097257A CN106097257A (zh) 2016-11-09
CN106097257B true CN106097257B (zh) 2019-03-05

Family

ID=57229554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610375435.3A Active CN106097257B (zh) 2016-05-30 2016-05-30 一种图像去噪方法及装置

Country Status (1)

Country Link
CN (1) CN106097257B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803237B (zh) * 2016-12-14 2019-12-20 银江股份有限公司 一种基于极限学习机的改进自适应加权平均图像去噪方法
CN111862255A (zh) 2020-07-17 2020-10-30 上海联影医疗科技有限公司 正则化图像重建方法、系统、可读存储介质和设备
CN114714355B (zh) * 2022-04-14 2023-08-08 广州东焊智能装备有限公司 自主移动焊接机器人嵌入式视觉跟踪控制系统
CN116188808B (zh) * 2023-04-25 2023-07-25 青岛尘元科技信息有限公司 图像特征提取方法和系统、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663703A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于Treelet的Bayer型CFA图像去噪方法
CN103077506A (zh) * 2013-03-06 2013-05-01 西安电子科技大学 结合局部和非局部的自适应图像去噪方法
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
CN105184742A (zh) * 2015-08-07 2015-12-23 河海大学常州校区 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9159121B2 (en) * 2014-02-18 2015-10-13 Signal Processing, Inc. Method for image denoising
AU2014202322A1 (en) * 2014-04-29 2015-11-12 Canon Kabushiki Kaisha Wavelet denoising of fringe image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663703A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于Treelet的Bayer型CFA图像去噪方法
CN103077506A (zh) * 2013-03-06 2013-05-01 西安电子科技大学 结合局部和非局部的自适应图像去噪方法
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
CN105184742A (zh) * 2015-08-07 2015-12-23 河海大学常州校区 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Extreme learning machine a new learning scheme of feedforward neural networks;G.B.Huang等;《IJCNN》;20041231;全文 *
一种基于鲁棒估计的极限学习机方法;胡义函等;《计算机应用研究》;20120831;第29卷(第8期);全文 *

Also Published As

Publication number Publication date
CN106097257A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
Valsesia et al. Deep graph-convolutional image denoising
CN107633486B (zh) 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN108921800B (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
Remez et al. Deep convolutional denoising of low-light images
CN106097257B (zh) 一种图像去噪方法及装置
CN104915676B (zh) 基于深层特征学习和分水岭的sar图像分类方法
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
CN111723701B (zh) 一种水中目标识别方法
CN107464217B (zh) 一种图像处理方法及装置
CN111738954B (zh) 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法
Wang et al. Can a single image denoising neural network handle all levels of gaussian noise?
CN109493295A (zh) 一种非局部哈尔变换图像去噪方法
CN107909558A (zh) 一种基于无监督学习的非局部均值图像去噪方法
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
Zhao et al. Enhancement of a cnn-based denoiser based on spatial and spectral analysis
CN108090460A (zh) 基于韦伯多方向描述子的人脸表情识别特征提取算法
CN108564585B (zh) 一种基于自组织映射与深度神经网络的图像变化检测方法
CN104867120B (zh) 基于比值分布的sar图像非局部降斑方法
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
Tang et al. Image denoising using K-SVD and non-local means
Liu et al. Graph representation learning for spatial image steganalysis
Zou et al. EDCNN: a novel network for image denoising
Chen et al. Markov random field based dynamic texture segmentation using inter-scale context
Sun et al. Modified similarity metric for non-local means algorithm
Wang et al. Moiré pattern removal with a generative adversarial network

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