CN106600564A - 一种新型图像增强方法 - Google Patents
一种新型图像增强方法 Download PDFInfo
- Publication number
- CN106600564A CN106600564A CN201611208633.7A CN201611208633A CN106600564A CN 106600564 A CN106600564 A CN 106600564A CN 201611208633 A CN201611208633 A CN 201611208633A CN 106600564 A CN106600564 A CN 106600564A
- Authority
- CN
- China
- Prior art keywords
- image
- fractional order
- order differential
- image enhancement
- fractional
- 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 83
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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]
-
- 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
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种新型图像增强方法,包含四个步骤,第一个步骤,根据不同的图像自适应确定分数阶微分阶次的最佳值,同时设计了用于图像增强的分数阶微分掩模,第二个步骤,提出计算沿图像像素点八个方向的分数阶微分以及分数阶微分掩模,第三个步骤,对图像进行Mallat塔式小波分解以及Haar小波分解,并抑制过程中产生的噪声,第四个步骤,将Mallat塔式小波分解以及分数阶微分的理论结合,并前几个步骤中得到的中间结果用于图像重构,本发明突破了传统图像增强方法的空域和频域两大类方法,不再局限在一个域中进行处理,而是跨域间进行处理,结合分数阶微分的理论以及小波分解方法用于图像增强,实现各种单一方法优良特性的叠加,使图像增强的效果能集中表现出各种单一方法的特性,并且还可能会产生出一些新的特性,并且图像增强的效果具有优于单一方法的增强效果。
Description
技术领域
本发明涉及图像处理领域,涉及一种新型图像增强方法。
背景技术
在现代生活中,图像是人们感知信息最直接、最常用的方式之一。在一般情况下,要得到具有丰富细节特征与微弱细节对比明显的图像并不容易,并且随着人们生活水平的不断提高,对图像多细节、高分辨率质量的要求显得越来越迫切,于是,亟需对图像细节进行增强以提高图像微弱特征与高分辨率质量。
发明内容
有鉴于此,本发明提供一种解决或部分解决上述问题的新型图像增强方法。
为达到上述技术方案的效果,本发明的技术方案为:一种新型图像增强方法,包含以下步骤:
1)根据不同的图像自适应确定分数阶微分阶次的最佳值,将分数阶微分阶次的最佳值用于图像增强,同时设计了用于图像增强的分数阶微分掩模,用于图像增强的分数阶微分掩模为5*5型;
2)利用四元素和分数阶微分的理论将图像用四元素表示,利用二元四元素沿八方向导数的定义,将导数阶数扩展到分数,与分数阶微分阶次的最佳值结合提出计算沿图像像素点八个方向的分数阶微分,并取其中的最大值,对用于图像增强的分数阶微分掩模进行扩展,提出沿图像像素点八个方向的分数阶微分掩模;
3)对图像进行Mallat塔式小波分解,然后对分解所得高频子带分量再进行Haar小波分解,以获得图像更多细节信息,为抑制在Mallat塔式小波分解过程中产生的噪声,使用软阈值判断方法对Mallat塔式小波分解所得的高频系数进行修正,然后乘以增强系数,用于重构图像,对重构后的图像再使用非线性直方图均衡化方法拉伸图像的灰度级范围;
4)将图像通过Mallat塔式小波分解分解得到的低频系数及高频系数进行记录到一个二元向量中,依据分数阶微分的理论中非线性处理图像的过程,将其中的分数阶微分等式与图像像素点之间建立对应关系,从二元向量中提取用于图像的Mallat塔式小波分解系数的局部特征,将沿图像像素点八个方向的分数阶微分掩模带入,从中构造出八个分别适合处理沿图像像素点八个方向的小波分解低频系数以及高频系数,以此作为新的用于图像增强的分数阶微分掩模,用新的用于图像增强的分数阶微分掩模对小波分解系数进行处理,最后用于重构图像。
本发明的有益成果是:本发明突破了传统图像增强方法的空域和频域两大类方法,不再局限在一个域中进行处理,而是跨域间进行处理,结合分数阶微分的理论以及小波分解方法用于图像增强,实现各种单一方法优良特性的叠加,使图像增强的效果能集中表现出各种单一方法的特性,并且还可能会产生出一些新的特性,并且图像增强的效果具有优于单一方法的增强效果。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合实施例,对本发明进行详细的说明。应当说明的是,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,能实现同样功能的产品属于等同替换和改进,均包含在本发明的保护范围之内。具体方法如下:
实施例1:图像增强在模式识别、图像复原、医学图像处理、图像解译等众多领域都有应用,并且可以从不同角度对图像进行增强,如增强图像细节,增强带噪图像,增强图像对比度,增强图像特定频率段信息等。同时,针对不同类的图像,例如风景图像、医学图像、遥感图像等,还不存在普遍试用的图像增强方法。图像增强是图像处理的一项基本技术,其首要目标是突出图像中的有用信息,扩大图像中不同物体特征之间的差别,从而改善图像的视觉效果,使其比原始图像更适合于特定应用。
图像增强方法很多,可从不同角度进行分类,包括空域法和频域法,局部法和全局法。不同分类方法之间会有重叠,例如图像增强直方图均衡化方法又可以被归为空域法又可以被归为全局法。通常,将图像增强方法分为空域法和频域法两类较为常用。
其中,分数阶微分方法属于空域方法,小波变换法属于频域法,能否将两者结合起来用于图像增强,以获得空域法和频域法各自的优良特性,实现更好的增强效果。因此,为同时获得不同方法的某些增强效果,结合方法便成为一个可选的选择。一般使用图像增强方法增强图像后,被选定的图像特征会得到改进,但是其固有的信息量并不会增加。因此,设计一个好的图像增强算法应当考虑图像中感兴趣部分的频率特征、像素值分布情况、对图像质量的要求,对于彩色图像,处理方式更加复杂,还要考虑彩色图像中各组成分量之间的相互约束关系。
图像增强的目的是改善图像质量,其与其他改善图像质量的图像处理技术即有区别又有联系,如图像复原、图像缩放等。图像复原的目标是将退化的图像尽可能逼近原始图像,图像增强的目的是对退化了的图像增强其某种特征。图像压缩是图像通信领域一项重要的技术,同样也与图像增强存在一定的关系,因为图像压缩会损失一部分图像信息,从而影响图像的质量,已有研究表明图像增强可成为弥补这项缺陷一个可行的技术。通常所说的图像平滑、图像去噪、图像锐化等都可以视为一种图像增强技术,只是它们是增强图像不同的特征。图像增强应用有很多,如对岩石裂隙、水库坝体裂隙等进行图像增强,可以加强提取岩石、水库坝体裂隙特征,从而正确识别这个特征,有利于对岩石、水坝物理状况进行分析,方便进一步的科学研究,提前预警及采取防范措施。对医学图像进行增强,如增强一些脑部、胸部的CT、B超图等,可以增强如脑部供血状态、脑组织、胸部器官如肺等的病变状况特征。这些特征的增强对于正确诊断病情有重大帮助。对遥感图像进行增强,可以克服遥感图像视觉对比度差,低分辨率和亮度等其中一项或几项缺陷,为帮助自然疾病预防、环境保护、城市规划、自然灾害监测等有重大作用。对风景图像增强,将风景图像中感兴趣特征提取出来,将会获得更好的视觉感受。在不同的应用中都可以依据不同的需求,采用不同的方法处理以获得预期的增强效果。即使在同一应用中也不存在普适的图像增强方法,这样图像增强领域成了一个开放的研究领域,任何可行的图像增强方法都是有价值的。
实施例2:本发明中使用了分数阶微分以及小波分解方法。
分数阶微分是分数阶微积分学中的微分运算,是数学分析中的一个重要分支。1695年,莱布尼茨首次提出了分数阶微分的概念,随后引起了许多数学家的兴趣,并且将分数阶微分理论扩展到积分运算创立了分数阶微积分学直到近些年来,科研人员发现它在信号处理、生物工程、动力学、控制系统等方面巨大的应用价值,分数阶微分的理论及应用研究才如火如荼地展开。分数阶微分是由整数阶微分推衍而来,它包括通常的整数阶微分运算,但又是整数阶微分运算的拓展,一般将微分阶次为非整数的微分称为分数阶微分。在Enclidean空间中,分数阶微分由整数拓展到分数的运算形式与物理过程中变量的粒子随机运动分布极为相仿,由此推出分数阶微分可用来分析Enclidean空间中物质形态及处理对象。同时分数阶微分函数具有幂函数和迭代(迭加、迭乘)函数的特征,可用来描述一些自然现象,它也成了研究人工神经网络、遗传算法、粘弹性理论、随机分形动力学等的一种理论工具。特别在现代信号处理中,一些难以解决的非因果、非线性、非高斯、非平坦等非问题,利用分数阶微分方法去分析却能解决使用传统方法分析不能解决的问题。
对于数字图像处理,分数阶微分方法使图像处理理论有了新的发现。在图像处理中,邻域像素的灰度值存在极大的相关性和自相似性。许多分形结构是演化过程,如分形增长,或者是演化结果,如断裂,这些分形结构通常表现为图像的细节特征。而分数阶微分是分形学说的数学基础之一,可以有效地处理分形问题。所以,很容易想到使用分数阶微分来增强图像中复杂的分形信息,比如说纹理细节。图像增强中常使用的整数阶微分方法,如使用Sobel、Prewitt、Laplacian等对图像进行卷积运算,或者使用傅里叶变换方法在频域对图像进行变换来达到增强图像的目的,但是在增强图像纹理细节方面,这些方法都会损伤始图像原有的纹理细节。相比而言,分数阶微分却能很好地突出图像的细节信息。主要原因有:对于图像中的直流或低频信号,使用分数阶微分处理结果并不为零,而使用整数阶微分处理结果为零,实际上是丢失了很多信息;对图像进行分数阶微分处理会产生特殊的马赫效应,不同于整数阶微分处理的马赫效应,它有利于非线性加强图像中的高频纹理细节信息;分数阶微分的拮抗性特征导致了它有特殊的仿生感受野模型,其特殊性使得分数阶微分对图像平滑区域的纹理细节信息。
小波分析可以自适应地改变图像信号的空域和频域窗口,同时,也能进行空频局部化分析。相比傅里叶分析而言,它具有更好的空频特性。信号处理领域常使用小波分析方法来解决实际中遇到的问题,其主要是利用小波多分辨率、多尺度分析的特性。对于图像信号,则通过改变处理信号时空域和频域窗口大小,来达到对信号进行多分辨率、多尺度分析的目的。小波分析中小波函数是分析的基础,小波函数又称之为基小波,小波函数的选择决定小波变换的效果。通常,小波函数都要满足紧支性和波动性。
在对二维数字图像进行小波变换时,小波正变换对应图像的分解过程,小波反变换对应图像的重构过程。图像经小波分解后,图像被分解成不同大小、不同方向、不同频率的成分,这些成分在图像被分解后是以小波系数的形式存在的,对小波系数有针对性地进行变换,可以实现对图像的特殊处理。由此可知,小波分析是将信号特征在空域或频域分解出来后再进行分析。
为了对图像信号中的高、低频成分分别进行分数阶微分处理,可以借助小波多尺度、多层次分解信号的特点,将信号所处的一个大频带逐步分解成小频带。在实际处理过程中,为了减少处理后图像的相位延迟,并使处理后图像的边缘失真最小,选择提升格式小波作为目标对象。它是一个空频分析方法,具有运算速度快,易实现正向、反向以及非线性变换的小波。本发明提出的图像增强方法中图像小波分解与重构过程可从一维信号小波分解与重构过程推衍而来。
以上所述仅为本发明之较佳实施例,并非用以限定本发明的权利要求保护范围。同时以上说明,对于相关技术领域的技术人员应可以理解及实施,因此其他基于本发明所揭示内容所完成的等同改变,均应包含在本权利要求书的涵盖范围内。
本发明的有益成果是:本发明突破了传统图像增强方法的空域和频域两大类方法,不再局限在一个域中进行处理,而是跨域间进行处理,结合分数阶微分的理论以及小波分解方法用于图像增强,实现各种单一方法优良特性的叠加,使图像增强的效果能集中表现出各种单一方法的特性,并且还可能会产生出一些新的特性,并且图像增强的效果具有优于单一方法的增强效果。
Claims (1)
1.一种新型图像增强方法,其特征在于,包含以下步骤:
1)根据不同的图像自适应方法确定分数阶微分阶次的最佳值,将所述分数阶微分阶次的最佳值用于图像增强,同时设计了用于图像增强的分数阶微分掩模,所述用于图像增强的分数阶微分掩模为5*5型;
2)利用四元素和分数阶微分的理论将图像用二元四元素表示,利用二元四元素沿八方向导数的定义,将导数阶数扩展到分数,与所述分数阶微分阶次的最佳值结合提出计算沿图像像素点八个方向的分数阶微分,并取其中的最大值,对所述用于图像增强的分数阶微分掩模进行扩展,提出沿图像像素点八个方向的分数阶微分掩模;
3)对图像进行Mallat塔式小波分解,然后对分解所得高频子带分量再进行Haar小波分解,以获得图像更多细节信息,为抑制在Mallat塔式小波分解过程中产生的噪声,使用软阈值判断方法对Mallat塔式小波分解所得的高频系数进行修正,然后乘以增强系数,用于重构图像,对重构后的图像再使用非线性直方图均衡化方法拉伸图像的灰度级范围;
4)将图像通过Mallat塔式小波分解分解得到的低频系数及高频系数记录到一个二元向量中,依据分数阶微分的理论中非线性处理图像的过程,在其中的分数阶微分等式与图像像素点之间建立对应关系,从所述二元向量中提取用于图像的Mallat塔式小波分解系数的局部特征,将所述沿图像像素点八个方向的分数阶微分掩模带入,从中构造出八个分别适合处理沿图像像素点八个方向的小波分解低频系数以及高频系数,以此作为新的用于图像增强的分数阶微分掩模,用所述新的用于图像增强的分数阶微分掩模对小波分解系数进行处理,最后用于再次重构图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208633.7A CN106600564A (zh) | 2016-12-23 | 2016-12-23 | 一种新型图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208633.7A CN106600564A (zh) | 2016-12-23 | 2016-12-23 | 一种新型图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600564A true CN106600564A (zh) | 2017-04-26 |
Family
ID=58601465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611208633.7A Pending CN106600564A (zh) | 2016-12-23 | 2016-12-23 | 一种新型图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600564A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358585A (zh) * | 2017-06-30 | 2017-11-17 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN108765320A (zh) * | 2018-05-16 | 2018-11-06 | 哈尔滨工业大学 | 基于多级小波卷积神经网络的图像复原系统 |
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN111179205A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN111368585A (zh) * | 2018-12-25 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种弱小目标检测方法、检测系统、存储装置及终端设备 |
CN113129236A (zh) * | 2021-04-25 | 2021-07-16 | 中国石油大学(华东) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129655A (zh) * | 2011-02-20 | 2011-07-20 | 西安电子科技大学 | 基于小波域的加权分数阶微分图像数字水印方法 |
US9916655B2 (en) * | 2013-06-07 | 2018-03-13 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
-
2016
- 2016-12-23 CN CN201611208633.7A patent/CN106600564A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129655A (zh) * | 2011-02-20 | 2011-07-20 | 西安电子科技大学 | 基于小波域的加权分数阶微分图像数字水印方法 |
US9916655B2 (en) * | 2013-06-07 | 2018-03-13 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
Non-Patent Citations (1)
Title |
---|
郭李: "《分数阶微分和小波分解结合用于图像增强的方法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358585A (zh) * | 2017-06-30 | 2017-11-17 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN107358585B (zh) * | 2017-06-30 | 2020-08-18 | 西安理工大学 | 基于分数阶微分及暗原色先验的雾天图像增强方法 |
CN108765320A (zh) * | 2018-05-16 | 2018-11-06 | 哈尔滨工业大学 | 基于多级小波卷积神经网络的图像复原系统 |
CN108765320B (zh) * | 2018-05-16 | 2021-06-22 | 哈尔滨工业大学 | 基于多级小波卷积神经网络的图像复原系统 |
CN111368585A (zh) * | 2018-12-25 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种弱小目标检测方法、检测系统、存储装置及终端设备 |
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN110136066B (zh) * | 2019-05-23 | 2023-02-24 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN111179205A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN111179205B (zh) * | 2019-12-09 | 2023-09-26 | 中国四维测绘技术有限公司 | 一种基于地物分类掩膜的遥感影像色彩纠正方法 |
CN113129236A (zh) * | 2021-04-25 | 2021-07-16 | 中国石油大学(华东) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 |
CN113129236B (zh) * | 2021-04-25 | 2022-07-12 | 中国石油大学(华东) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600564A (zh) | 一种新型图像增强方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN102117482B (zh) | 结合结构信息的非局部均值图像去噪方法 | |
CN102496153B (zh) | 基于小波域中字典学习的sar图像相干斑抑制方法 | |
CN103854262B (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
CN103020918B (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN101980284A (zh) | 基于两尺度稀疏表示的彩色图像降噪方法 | |
CN102346908B (zh) | 基于稀疏表示的sar图像相干斑抑制方法 | |
CN104574293A (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
CN104835130A (zh) | 一种多曝光图像融合方法 | |
CN105894476B (zh) | 基于字典学习融合的sar图像降噪处理方法 | |
CN105631820A (zh) | 基于小波变换和三边滤波器的医学超声图像去噪方法 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN103218791A (zh) | 基于稀疏自适应字典的图像去噪方法 | |
CN106097280A (zh) | 基于正态逆高斯模型的医学超声图像去噪方法 | |
Chen et al. | Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing | |
CN106097274A (zh) | 一种自适应分数阶微分图像增强算法 | |
CN105654496A (zh) | 基于视觉特性的仿生自适应模糊边缘检测方法 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN101566688B (zh) | 基于邻域方向性信息的sar图像降斑方法 | |
CN102637292B (zh) | 一种图像的处理方法和装置 | |
CN104616259B (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
CN104978716A (zh) | 一种基于线性最小均方误差估计的sar图像降噪方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170426 |
|
WD01 | Invention patent application deemed withdrawn after publication |