CN106600567A - 一种自适应非局部均值去噪方法 - Google Patents
一种自适应非局部均值去噪方法 Download PDFInfo
- Publication number
- CN106600567A CN106600567A CN201710000609.2A CN201710000609A CN106600567A CN 106600567 A CN106600567 A CN 106600567A CN 201710000609 A CN201710000609 A CN 201710000609A CN 106600567 A CN106600567 A CN 106600567A
- Authority
- CN
- China
- Prior art keywords
- denoising
- image
- pixel
- local mean
- different
- 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 49
- 230000003044 adaptive effect Effects 0.000 title abstract 2
- 230000006978 adaptation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 22
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 230000007850 degeneration Effects 0.000 description 5
- 238000000205 computational method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
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
本发明公开了一种自适应非局部均值去噪方法,属于数字图像处理领域。该方法包括:采用至少两种不同大小的图像块,对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。该方法能够选择出最合适大小的图像块对待去噪图像进行非局部均值去噪,此种大小的图像块在进行相似性度量时对噪声更加鲁棒,产生的人工痕迹较少,使去噪效果更加平滑;此种大小的图像块还能保证潜在相似图像块的数量,避免去噪效果的退化。
Description
技术领域
本发明涉及数字图像处理领域,尤其是涉及一种自适应非局部均值去噪方法。
背景技术
非局部均值去噪(NL-means)是近年来提出的一项新型的图像去噪技术。该方法充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征。去噪的基本思想是:当前像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。
非局部均值去噪方法对图像的非局部自相似性进行了有效开发,其去噪效果依赖于能否找到足够数量的相似图像块。然而,该方法使用的图像块往往具有固定的形状和大小,这严重限制了潜在相似图像块的数量,因此,图像块大小和潜在相似图像块数量之间往往需要取得平衡,这是因为:一方面,较大图像块在进行相似性度量时对噪声更加鲁棒,并且能够产生较少的人工痕迹,从而使得去噪效果更加平滑,这在图像的平坦区域最为显著;但是,另一方面,随着图像块的逐渐增大,潜在相似图像块的数量将会减少,从而造成去噪效果的退化,这在图像的纹理区域特别明显。
故在非局部均值去噪方法中,如何找到合适大小的图像块,是亟待解决的技术问题。
发明内容
本发明为克服上述情况不足,旨在提供一种自适应非局部均值去噪方法,采取合适大小的图像块,能够平衡图像块大小和潜在相似图像块数量,从而得到较好的去噪效果。
一种自适应非局部均值去噪方法,包括:
采用至少两种不同大小的图像块,对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;
利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。
进一步的,所述图像块的大小用d×d像素阵列表示,其中d=2r+1,r为正整数。
进一步的,所述r取三个数值或四个数值或五个数值。
进一步的,所述采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到至少两种不同去噪模式下图像的去噪估计值的方法如下:
其中d选取至少两个不同的值,计算不同模式下的图像去噪估计值,图像去噪估计值具体采用如下方法计算:
公式(1)中,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,wd×d(i,j)表示在图像块大小为d×d模式下像素点j相对于像素点i的权重值,其计算方式如下所示:
公式(2)中,Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,表示Vd×d(i)和Vd×d(j)之间的欧式距离;Zd×d(i)为归一化常数;Zd×d(i)计算方式如下:
公式(3)中,Zd×d(i)为归一化常数,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,表示Vd×d(i)和Vd×d(j)之间的欧式距离。
进一步的,所述S取I。
进一步的,所述利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值包括:
判断所述至少两种不同去噪模式下的归一化常数的大小;
选择出归一化常数的最大值;
确定与归一化常数最大值对应的去噪估计值为待去噪图像每个像素点的最终去噪估计值。
本发明提供的一种自适应非局部均值去噪方法,采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;然后利用不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。该方法能够选择出最合适大小的图像块对待去噪图像进行非局部均值去噪,此种大小的图像块在进行相似性度量时对噪声更加鲁棒,产生的人工痕迹较少,使去噪效果更加平滑;此种大小的图像块还能保证潜在相似图像块的数量,避免去噪效果的退化。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种自适应非局部均值去噪方法流程图;
图2是本发明另一实施例提供的一种自适应非局部均值去噪方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的非局部均值去噪方法充分利用图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征。该算法需要在整个图像范围内判断像素间的相似度,也就是说,每处理一个像素点时,都要计算它与图像中所有像素点间的相似度。为了尽量减小噪声对像素点之间相似性度量的影响,利用计算两个图像块之间的欧式距离来对像素进行加权处理,从而对图像进行去噪。
上述利用图像块对待去噪图像进行去噪处理时,图像块太大,潜在相似图像块的数量将会减少,从而造成去噪效果的退化,这在图像的纹理区域特别明显;图像块太小,在进行相似性度量时对噪声的鲁棒性较低,去噪时人工痕迹明显,从而使得去噪效果不够平滑。
为了保证图像去噪质量,寻找到合适图像块大小。本发明提供了一种自适应非局部均值去噪方法,如图1所示:
S1、采用至少两种不同大小的图像块,对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;
S2、利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。
本发明提供的一种自适应非局部均值去噪方法,采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;然后利用不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。该方法能够选择出最合适大小的图像块对待去噪图像进行非局部均值去噪,此种大小的图像块在进行相似性度量时对噪声更加鲁棒,产生的人工痕迹较少,使去噪效果更加平滑;此种大小的图像块还能保证潜在相似图像块的数量,避免去噪效果的退化。
上述方法中,图像块大小用d×d像素阵列表示,其中d=2r+1,r为正整数。r最小取1,即采用3×3的图像块对待去噪图像每个像素点进行非局部均值去噪。r最大值不能超过(W-1)/2,(H-1)/2中的较小值。W表示待去噪图像的长,H表示待去噪图像的宽。r的取值决定图像块的大小,一般取1,或2,或3,或4,或5,或6。取值越小,能够找到的潜在相似图像块数量就越多,也就意味着有更多的相似图像块用于加权平均去噪,从而使得去噪效果得到提高;取值越大,在进行相似性度量时对噪声更加鲁棒,并且能够产生较少的人工痕迹,从而使得去噪效果更加平滑。
上述方法中,r可以取两个数值,或三个数值,或四个数值,或五个数值等等。对应的去噪方法中,待去噪图像每个像素点的最终去噪估计值可以由两个去噪估计值再次估计后得到,或由三个去噪估计值再次估计后得到,或由四个去噪估计值再次估计后得到,或由五个去噪估计值再次估计后得到。r取值越多,计算量越大,但最终去噪效果越好;r取值越少,计算量越小,去噪效果将相对较差。
所述采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到至少两种不同去噪模式下图像的去噪估计值的方法如下:
其中d选取至少两个不同的值,计算不同模式下的图像去噪估计值,图像去噪估计值具体采用如下方法计算:
公式(1)中,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,wd×d(i,j)表示在图像块大小为d×d模式下像素点j相对于像素点i的权重值,其计算方式如下所示:
公式(2)中,Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,h控制权值函数的衰减程度。h越大权值函数变化越平缓,去噪水平越高,但同时也会导致图像越模糊。h越小,边缘细节成分保持得越多,但会残留过多的噪声点。h的具体取值应当以图像中的噪声水平为依据;表示Vd×d(i)和Vd×d(j)之间的欧式距离;Zd×d(i)为归一化常数;Zd×d(i)计算方式如下:
公式(3)中,Zd×d(i)为归一化常数,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,表示Vd×d(i)和Vd×d(j)之间的欧式距离。
上述方法中,S取值可以取15×15,21×21像素阵列,S的取值也可以行和列的数值不相等,例如,15×17、21×27等。最大可以取到和待去噪图像I相同大小。当S的取值为I时,即搜索窗子为整个待去噪图像。S取值越小,则计算量越小,速度越快,但去噪效果较差;S取值越大,计算量越大,速度越慢,但去噪效果佳。
最后,如图2所示,步骤S11和步骤S1表示的内容相同,不再累述。所述利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值包括:
S21、判断所述至少两种不同去噪模式下的归一化常数的大小;
S22、选择出归一化常数的最大值;
S23、确定与归一化常数最大值对应的去噪估计值为待去噪图像每个像素点的去噪估计值。
上述方法中,归一化常数越大,说明此种去噪模式下找到的相似图像块就越多,或者可以说,此种去噪模式下找到的相似图像块的相似程度就越大。通过利用归一化常数值的大小来最终确定去噪时采用图像块的大小,从而能够选择出最合适大小的图像块对待去噪图像进行非局部均值去噪,此种大小的图像块在进行相似性度量时对噪声更加鲁棒,产生的人工痕迹较少,使去噪效果更加平滑;此种大小的图像块还能保证潜在相似图像块的数量,避免去噪效果的退化,从而得到较好的去噪效果。
下面举例详细说明该自适应非局部均值去噪方法。
采用三种不同大小的图像块,对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在三种不同去噪模式下的去噪估计值;
具体的,r取1、2、3。对应的图像块取d×d取3×3、5×5、7×7,对应的搜索窗口选取15×15、21×21、27×27。当然,搜索窗口也可以根据需要,都选取27×27。利用这三种图像块对待去噪图像进行非局部均值化去噪方法。具体计算方式如下:
上述公式中,u’3×3(i)表示待处理像素点i在图像块大小为3×3模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,w3×3(i,j)表示在图像块大小为3×3模式下像素点j相对于像素点i的权重值,j∈15×15表示以i为中心的15×15的图像像素阵列搜索范围;u'5×5(i)表示待处理像素点i在图像块大小为5×5模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,w5×5(i,j)表示在图像块大小为5×5模式下像素点j相对于像素点i的权重值,j∈21×21表示以i为中心的21×21的图像像素阵列搜索范围;u'7×7(i)表示待处理像素点i在图像块大小为27×27模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,w7×7(i,j)表示在图像块大小为7×7模式下像素点j相对于像素点i的权重值,j∈27×27表示以i为中心的27×27的图像像素阵列搜索范围。当图像处于边缘时,搜索窗口无法以i为中心进行选取,则要进行搜索窗口的边界检测,确保搜索窗口在图像范围内。
w3×3(i,j)、w5×5(i,j)、w7×7(i,j)计算方法如下:
上述公式中,V3×3(i)和V3×3(j)分别表示图像块取3×3时以像素点i和像素点j为中心的图像块的灰度值向量,h为滤波参数,表示图像块取3×3时V3×3(i)和V3×3(j)之间的欧式距离;Z3×3(i)为图像块取3×3时的归一化常数;V5×5(i)和V5×5(j)分别表示图像块取5×5时以像素点i和像素点j为中心的图像块的灰度值向量,h为滤波参数,表示图像块取5×5时V5×5(i)和V5×5(j)之间的欧式距离;Z5×5(i)为图像块取5×5时的归一化常数;V7×7(i)和V7×7(j)分别表示图像块取7×7时以像素点i和像素点j为中心的图像块的灰度值向量,h为滤波参数,表示图像块取7×7时V7×7(i)和V7×7(j)之间的欧式距离;Z7×7(i)为图像块取7×7时的归一化常数。
归一化常数Z3×3(i)、Z5×5(i)、Z7×7(i)计算方法如下:
上述公式中,j∈15×15表示以i为中心的15×15的图像像素阵列搜索范围;表示图像块取3×3时V3×3(i)和V3×3(j)之间的欧式距离;j∈21×21表示以i为中心的21×21的图像像素阵列搜索范围;表示图像块取5×5时V5×5(i)和V5×5(j)之间的欧式距离;j∈27×27表示以i为中心的27×27的图像像素阵列搜索范围;表示图像块取7×7时V7×7(i)和V7×7(j)之间的欧式距离;h为滤波参数;当图像处于边缘时,搜索窗口无法以i为中心进行选取,则要进行搜索窗口的边界检测,确保搜索窗口在图像范围内。
最后利用待去噪图像每个像素点在三种不同去噪模式下的归一化常数对所述三个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值包括:
判断所述三种不同去噪模式下的归一化常数Z3×3(i)、Z5×5(i)、Z7×7(i)的大小;
利用如下公式选择出归一化常数的最大值;
Zm×m(i)=max(Z3×3(i),Z5×5(i),Z7×7(i));
其中,m×m表示归一化常数最大值所对应的图像块的大小。
确定与归一化常数最大值Zm×m(i)对应的去噪估计值u'm×m(i)为待去噪图像每个像素点的去噪估计值。上述实施例中,图像块d×d选取了三种大小,分别为3×3、5×5、7×7,对应的搜索窗口选取15×15、21×21、27×27。然后对每种去噪模式下的去噪估计值进行计算,最后通过每种去噪模式下的归一化常数值对每种去噪估计值进行选择,从而得到最佳去噪估计值。当然,图像块d×d的也可以选择别的大小,也可以选择两种数值,四种数值等、对应搜索窗口也可以选择其它大小,例如35×35、41×41等,都可以得到不同去噪效果的去噪估计值。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种自适应非局部均值去噪方法,其特征在于,包括:
采用至少两种不同大小的图像块,对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值;
利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值。
2.根据权利要求1所述的自适应非局部均值去噪方法,其特征在于,所述图像块的大小用d×d像素阵列表示,其中d=2r+1,r为正整数。
3.根据权利要求2所述的自适应非局部均值去噪方法,其特征在于,所述r取三个数值或四个数值或五个数值。
4.根据权利要求2所述的自适应非局部均值去噪方法,其特征在于,所述采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计,得到至少两种不同去噪模式下图像的去噪估计值的方法如下:
其中d选取至少两个不同的值,计算不同模式下的图像去噪估计值,图像去噪估计值具体采用如下方法计算:
公式(1)中,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值,v(j)表示像素点j在待噪声图像中的灰度值,wd×d(i,j)表示在图像块大小为d×d模式下像素点j相对于像素点i的权重值,其计算方式如下所示:
公式(2)中,Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,表示Vd×d(i)和Vd×d(j)之间的欧式距离;Zd×d(i)为归一化常数;Zd×d(i)计算方式如下:
公式(3)中,Zd×d(i)为归一化常数,S表示搜索相似像素点的搜索窗口,为以像素点i为中心的一个图像区域,S的取值范围为[3×3,I];Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量,图像块大小为d×d,h为滤波参数,表示Vd×d(i)和Vd×d(j)之间的欧式距离。
5.根据权利要求4所述的自适应非局部均值去噪方法,其特征在于,所述S取I。
6.根据权利要求1-5任一项所述的自适应非局部均值去噪方法,其特征在于,所述利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值进行选择,从而确定待去噪图像每个像素点的最终去噪估计值包括:
判断所述至少两种不同去噪模式下的归一化常数的大小;
选择出归一化常数的最大值;
确定与归一化常数最大值对应的去噪估计值为待去噪图像每个像素点的最终去噪估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710000609.2A CN106600567A (zh) | 2017-01-03 | 2017-01-03 | 一种自适应非局部均值去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710000609.2A CN106600567A (zh) | 2017-01-03 | 2017-01-03 | 一种自适应非局部均值去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600567A true CN106600567A (zh) | 2017-04-26 |
Family
ID=58582617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710000609.2A Pending CN106600567A (zh) | 2017-01-03 | 2017-01-03 | 一种自适应非局部均值去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600567A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025640A (zh) * | 2017-04-28 | 2017-08-08 | 南京觅踪电子科技有限公司 | 基于优化的非局部均值的医学图像去噪方法 |
CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
CN108872252A (zh) * | 2018-08-06 | 2018-11-23 | 深圳市益鑫智能科技有限公司 | 一种钢梁裂纹检测系统 |
CN110866889A (zh) * | 2019-11-18 | 2020-03-06 | 成都威爱新经济技术研究院有限公司 | 一种监控系统中的多相机数据融合方法 |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
CN116664453A (zh) * | 2023-07-31 | 2023-08-29 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN104200442A (zh) * | 2014-09-19 | 2014-12-10 | 西安电子科技大学 | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 |
US20160098820A1 (en) * | 2014-10-03 | 2016-04-07 | Raghu Kopalle | System for robust denoising of images |
-
2017
- 2017-01-03 CN CN201710000609.2A patent/CN106600567A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN104200442A (zh) * | 2014-09-19 | 2014-12-10 | 西安电子科技大学 | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 |
US20160098820A1 (en) * | 2014-10-03 | 2016-04-07 | Raghu Kopalle | System for robust denoising of images |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025640A (zh) * | 2017-04-28 | 2017-08-08 | 南京觅踪电子科技有限公司 | 基于优化的非局部均值的医学图像去噪方法 |
CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
CN108872252A (zh) * | 2018-08-06 | 2018-11-23 | 深圳市益鑫智能科技有限公司 | 一种钢梁裂纹检测系统 |
CN110866889A (zh) * | 2019-11-18 | 2020-03-06 | 成都威爱新经济技术研究院有限公司 | 一种监控系统中的多相机数据融合方法 |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
CN116664453A (zh) * | 2023-07-31 | 2023-08-29 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
CN116664453B (zh) * | 2023-07-31 | 2023-10-20 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板的pet板检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600567A (zh) | 一种自适应非局部均值去噪方法 | |
CN106651813A (zh) | 一种多图像块融合的非局部均值去噪方法 | |
CN104517110B (zh) | 一种二维码图像的二值化方法及系统 | |
CN109919070B (zh) | 一种剖面形态自适应拟合的海岸线遥感推算方法 | |
CN102663708B (zh) | 基于方向加权中值滤波的超声图像处理方法 | |
CN105825484A (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
Gallant | Adaptive smoothing for noisy DEMs | |
CN103020918B (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN102567973B (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
CN102298773B (zh) | 一种形状自适应的非局部均值去噪方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN101980284A (zh) | 基于两尺度稀疏表示的彩色图像降噪方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN103198455B (zh) | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 | |
CN104036465A (zh) | 基于边缘检测的自适应非局部均值去噪方法 | |
CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN109003233B (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN101706954A (zh) | 图像增强方法和装置以及图像低频分量计算方法和装置 | |
CN106204462A (zh) | 基于图像多特征融合的非局部均值去噪方法 | |
CN103578092A (zh) | 一种多聚焦图像融合方法 | |
CN103745453B (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
CN106408513A (zh) | 深度图超分辨率重建方法 | |
CN110400274B (zh) | 一种车载红外行人检测用红外图像增强方法 | |
CN114897694A (zh) | 基于混合注意力和双层监督的图像超分辨率重建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |