CN106846268A - 一种高斯‑脉冲混合图像噪声去除方法 - Google Patents
一种高斯‑脉冲混合图像噪声去除方法 Download PDFInfo
- Publication number
- CN106846268A CN106846268A CN201710005045.1A CN201710005045A CN106846268A CN 106846268 A CN106846268 A CN 106846268A CN 201710005045 A CN201710005045 A CN 201710005045A CN 106846268 A CN106846268 A CN 106846268A
- Authority
- CN
- China
- Prior art keywords
- image
- tensor
- rank
- noise
- low
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 239000006002 Pepper Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高斯‑脉冲混合图像噪声去除方法,包括在目标图像上检测随机脉冲噪声的位置并滤波,得到滤波处理后的图像,且用概率矩阵记录随机脉冲噪声的位置;将滤波处理后的图像分解成多个图像块,并在目标图像上找到相应的图像子块叠成张量形式并建立相应的张量低秩‑稀疏分解模型;求解每一个张量低秩‑稀疏分解模型中的优化问题,并采用交替方向法实现分解迭代优化直到收敛;获取每一个张量低秩‑稀疏分解模型的低秩张量并展开成矩阵形式,得到每一个图像子块的去噪结果并对重叠区域求均值,得到最终去噪结果。实施本发明,有效融合图像局部和非局部的统计特性,克服自适应中值滤波器检测精确度不够的问题,能够同时滤除高斯‑脉冲混合噪声,实现信噪比更高的去噪效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种高斯-脉冲混合图像噪声去除方法。
背景技术
图像信号在获取和传输过程中,常因各种外界噪声的干扰导致质量下降,从而严重影响到图像的后续处理,如边缘检测、目标识别、特征提取、图像分割等,因此图像去噪成为图像处理过程中最基础和重要的环节,并且引起了广泛的关注。然而,现有的图像去噪方法大多是面向零均值高斯噪声,如传统的各向异性扩散、非线性扩散、双边滤波、非局部均值及其相关的去噪方法。其实在实际应用中,图像的噪声是多样化的,部分学者认为图像成像过程中产生的噪声可以被零均值高斯噪声和脉冲噪声所形成的混合噪声较好的近似表示。因此,如何处理高斯-脉冲所形成的混合噪声受到了广泛的关注。
近年来,研究者们提出了很多处理高斯-脉冲混合噪声的方法。例如,许光宇采用极值压缩顺序阶绝对差(ECROAD)的统计方法来检测脉冲噪声,并联合ECROAD结果与非局部滤波框架,提出了一种基于非局部均值的通用图像脉冲噪声滤波器。例如,孟樊等人通过定义稳健矩阵填充,即从非完全且存在稀疏误差的采样矩阵元中精确恢复出原始低秩矩阵,并通过最小化核范数与L1-范数的组合构建了相应的凸优化模型,然后将其应用于混合高斯与椒盐噪声去除的问题中,提出一种基于低秩矩阵重建的图像混合噪声去除算法。例如,Yu Xiao等人基于字典学习,提出一种通过L1-L0范数最小化的图像高斯-脉冲混合噪声去除算法。Jielin Jiang等人基于非局部自相似性先验和自适应正则化,提出一种基于稀疏非局部先验的混合噪声去除两相法。例如,赵井坤等人在现有加权编码算法的基础上,提出一种将图像的稀疏表示和非局部相似先验融合的改进算法。例如,Roman Garnett等人引入一个图像的局部统计量来检测图像的脉冲噪声,并将其应用于一个去除加性高斯噪声的滤波器,提出一种基于脉冲检测器的通用噪声去除算法。
在现有的高斯-脉冲混合噪声的处理方法中,该方法首先检测脉冲噪声的位置,并利用中值滤波器对脉冲噪声进行滤波,得到只剩高斯噪声污染的过渡图像,最后对过渡图像进行高斯噪声滤波得到最终去噪后的图像,但是发明人发现上述方法具有如下缺点:一、只能处理椒盐噪声,而椒盐噪声的值只有0或255,因此不符合实际情况;二、通过自适应中值滤波器检测哪些元素受脉冲噪声污染,在实际应用当中这是非常困难,也是不可能实现;三、将图像块展开成向量时,容易丢失图像的空间分布信息。
发明内容
本发明实施例的目的在于提供一种高斯-脉冲混合图像噪声去除方法,能够面向的噪声点可在0-255之间,并克服自适应中值滤波器在检测脉冲噪声时精确度不够的问题,有效融合图像局部和非局部的统计特性,实现信噪比更高的去噪效果。
为了解决上述技术问题,本发明实施例提供了一种高斯-脉冲混合图像噪声去除方法,所述方法包括:
S1、在目标图像上采用自适应中心加权中值滤波器检测随机脉冲噪声的位置并滤波,得到滤波处理后的图像,且进一步用一概率矩阵记录随机脉冲噪声的位置;
S2、将所述得到的滤波处理后的图像分解成多个图像块,并确定每一个图像块的位置及其各自对应预定搜索领域内的相似图像块的位置,且根据每一个图像块的位置及其对应相似图像块的位置在所述目标图像上找到相应的图像子块,进一步将同一个图像块及其对应相似图像块所找到的所有图像子块均叠成张量形式并建立相应的张量低秩-稀疏分解模型;
S3、利用基于增广拉格朗日函数方法求解每一个张量低秩-稀疏分解模型中的优化问题,并采用交替方向法来实现对增广拉格朗日函数的分解迭代优化,直到收敛;
S4、获取每一个张量低秩-稀疏分解模型迭代优化求解后的低秩张量,并将所述获取到的每一个低秩张量展开成矩阵形式,得到每一个图像子块的去噪结果,且进一步对所述得到的每一个图像子块的去噪结果重叠区域求均值,得到所述目标图像的最终去噪结果。
其中,所述步骤S1具体包括:
对于所述目标图像I中的任意一个像素点Iij,定义一个(2h+1)×(2h+1)的窗口W,使得该像素点Iij位于窗口W的中心,并对窗口W中心的像素点Iij施加适当的权重,且进一步对窗口W中的像素进行中心加权中值滤波可得:其中,W={(s,t)|-h≤s≤h,-h≤t≤h}; 表示复制w个中心像素Iij;w=2k+1表示添加中心像素值的个数;k为非负整数,且k=0,1,...,S-1;
对于所述中心像素点Iij,定义如下滤波差值:并引进一组阈值Tk(k=0,1,...,S-1)且满足Tk-1>Tk;其中,dk≤dk-1(k≥1);
如果差值dk满足不等式dk>Tk(k=0,1,...,S-1),则中心像素点Iij就认为是被脉冲噪声污染;反之,则认为当前像素点是没有被噪声污染;
设置自适应中心加权中值滤波器的输出为:通过所述设置的自适应中心加权中值滤波器对所述目标图像过滤,得到滤波处理后的图像;其中,为中心像素点Iij的最终估计值;
采用一个描述矩阵来记录随机脉冲噪声的位置,元素为1表示有脉冲噪声,0表示没有。
其中,所述步骤S2中“张量低秩-稀疏分解模型”均通过方程组
来实现;
其中,P为当前图像块张量,L为当前图像块张量分解后的低秩张量,E为当前图像块张量分解后的稀疏张量。
实施本发明实施例,具有如下有益效果:
1、本发明适用于任意图像的去噪,且与传统的脉冲噪声处理方法中大多只能处理噪声点取值只有0、255的椒盐脉冲噪声相对比,可面向于随机脉冲噪声,取值范围位于0-255之间,降低了去噪偏差;
2、本发明采用张量形式的低秩-稀疏分解模型,张量不同开展模式下的低秩结构充分挖掘图像子块在垂直和水平方向上的局部相关性,以及图像子块之间的非局部相关性,能够有效融合图像局部和非局部的统计特性,从而使得算法更为鲁棒;
3、与传统方法中分别对高斯噪声和脉冲噪声采用不同的步骤处理相对比,本发明在统一模型框架下同时处理高斯噪声和脉冲噪声,克服了自适应中值滤波器在检测脉冲噪声时精确度不够的问题,实现了信噪比更高的去噪效果。
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,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的高斯-脉冲混合图像噪声去除方法的流程图。
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仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明实施例中,提出的一种高斯-脉冲混合图像噪声去除方法,所述方法包括:
步骤S101、在目标图像上采用自适应中心加权中值滤波器检测随机脉冲噪声的位置并滤波,得到滤波处理后的图像,且进一步用一概率矩阵记录随机脉冲噪声的位置;
具体过程为,对于目标图像I中的任意一个像素点Iij,定义一个(2h+1)×(2h+1)的窗口W,使得该像素点Iij位于窗口W的中心;其中,W={(s,t)|-h≤s≤h,-h≤t≤h};
对窗口W中心的像素点Iij施加适当的权重,且进一步对窗口W中的像素进行中心加权中值滤波可得:
其中, 表示复制w个中心像素Iij;w=2k+1表示添加中心像素值的个数;k为非负整数,且k=0,1,...,S-1。应当说明的是,假设窗口W的大小为2S+1(S>0)。显然,标准中值滤波器的输出为(即k=0时),当k≥S时,中心加权中值滤波器的输出为
对于中心像素点Iij,定义如下滤波差值:
并引进一组阈值Tk(k=0,1,...,S-1)且满足Tk-1>Tk;其中,dk≤dk-1(k≥1);
如果差值dk满足不等式dk>Tk(k=0,1,...,S-1),则中心像素点Iij就认为是被脉冲噪声污染;反之,则认为当前像素点是没有被噪声污染;
设置自适应中心加权中值滤波器的输出为:通过所述设置的自适应中心加权中值滤波器对所述目标图像过滤,得到滤波处理后的图像;其中,为中心像素点Iij的最终估计值;
采用一个描述矩阵来记录随机脉冲噪声的位置,元素为1表示有脉冲噪声,0表示没有。可以理解的是,采用1-0.3的概率矩阵,即使没有被检测到的点,也有30%的概率被随机脉冲噪声污染。
步骤S102、将所述得到的滤波处理后的图像分解成多个图像块,并确定每一个图像块的位置及其各自对应预定搜索领域内的相似图像块的位置,且根据每一个图像块的位置及其对应相似图像块的位置在所述目标图像上找到相应的图像子块,进一步将同一个图像块及其对应相似图像块所找到的所有图像子块均叠成张量形式并建立相应的张量低秩-稀疏分解模型;
具体过程为,经过自适应中心加权中值滤波器后,将滤波后的图像分为一系列有重叠的图像块,建立重叠图像块对应的张量低秩-稀疏分解模型。以一个图像块为例来说明,具体如下:
假设我们随机选择一个图像块pi,在一定领域范围内(根据图像大小设置为40*40或者80*80)搜索与pi相似的图像块并记录对应图像块的位置。根据上述位置,我们获得原始噪声图像上的图像子块(注意,在本发明实施例中张量分解模型部分,我们不是对中值滤波后的图像数据进行处理,而且对原始图像进行建模,在一个统一的框架下同时处理两种噪声,应用中值滤波只是为了搜索相似图像子块时更为鲁棒),将图像子块叠成张量形式P,并建立如下的张量低秩-稀疏分解模型:
其中P为当前图像块张量,该模型的目的是将张量P分解为一个低秩张量L和一个稀疏张量E。
步骤S103、利用基于增广拉格朗日函数方法求解每一个张量低秩-稀疏分解模型中的优化问题,并采用交替方向法来实现对增广拉格朗日函数的分解迭代优化,直到收敛;
具体过程为,对于张量的秩,目前有两种传统的定义张量秩的方法:基于张量的CP(PARAFAC)分解方法(CP秩)和Tucker分解方法(Tucker秩)。具体来说,CP秩可以定义为:用秩一张量(rank-one tensor)之和来表示给定张量需要的秩一张量的最小个数。Tucker秩可以定义为:不同模态下展开矩阵的秩的线性加权。此处我们采用Tucker分解方法,因此可以把张量L的秩表示为展开矩阵的秩的线性加权。由于上述优化问题求解关于张量L的秩和E的零范数问题是非凸非连续的,因此是NP难问题。我们可以替换为求解它们的凸包:用张量的核范数||L||*替换rank(L),张量E的1-范数||E||1替换||E||0。矩阵的核范数是矩阵的秩的凸包:其中σk(L(i))为矩阵L(i)的第k个奇异值。因此张量的核范数可以表示为:
于是上述优化问题可以转化为:
其中,第一项对应于图像的高斯噪声,最后一项对应于脉冲噪声,L表示滤波后的图像;
虽然上述问题是凸问题,但是由于未展开的矩阵L(i)之间具有相关性,问题仍然比较难解决。为了消除相关性并且分别优化这些项,我们引进一组辅助矩阵Mi来代替L(i),则优化问题转化为:
s.t.L(i)=Mi,i=1,2,…,N
为了放松上述等式约束条件,我们采用增广拉格朗日函数方法。将上述凸优化问题转化为增广拉格朗日方程可得:
其中,Qi为拉格朗日乘数矩阵,<Qi,L(i)-Mi>表示矩阵的内积,μi是一个正数。
采用一种交替方向法来实现对增广拉格朗日函数的分解迭代优化:
对于
的解可以由下式得到:
其中U∑VT为的SVD分解。
对于Lk+1:
对L计算偏导数,并设为0
对L的项重新排列后,我们可以得到:
对于Ek+1:
因此,Ek+1的解为:
Ek+1=Dβ(P-Lk+1)
利用概率矩阵X,将Ek+1对应为随机脉冲噪声的元素乘以1,非噪声元素乘以0.3。
步骤S104、获取每一个张量低秩-稀疏分解模型迭代优化求解后的低秩张量,并将所述获取到的每一个低秩张量展开成矩阵形式,得到每一个图像子块的去噪结果,且进一步对所述得到的每一个图像子块的去噪结果重叠区域求均值,得到所述目标图像的最终去噪结果。
具体过程为,遍历所有图像模块,根据步骤S103每一个张量低秩-稀疏分解模型迭代优化求解后的得到低秩张量L,将低秩张量L展开成矩阵形式即获得对图像子块的去噪结果,对于图像整体,通过对不同图像子块重叠区域求均值,从而得到整体图像上的去噪结果。
实施本发明实施例,具有如下有益效果:
1、本发明适用于任意图像的去噪,且与传统的脉冲噪声处理方法中大多只能处理噪声点取值只有0、255的椒盐脉冲噪声相对比,可面向于随机脉冲噪声,取值范围位于0-255之间,降低了去噪偏差;
2、本发明采用张量形式的低秩-稀疏分解模型,张量不同开展模式下的低秩结构充分挖掘图像子块在垂直和水平方向上的局部相关性,以及图像子块之间的非局部相关性,能够有效融合图像局部和非局部的统计特性,从而使得算法更为鲁棒;
3、与传统方法中分别对高斯噪声和脉冲噪声采用不同的步骤处理相对比,本发明在统一模型框架下同时处理高斯噪声和脉冲噪声,克服了自适应中值滤波器在检测脉冲噪声时精确度不够的问题,实现了信噪比更高的去噪效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种高斯-脉冲混合图像噪声去除方法,其特征在于,所述方法包括:
S1、在目标图像上采用自适应中心加权中值滤波器检测随机脉冲噪声的位置并滤波,得到滤波处理后的图像,且进一步用一概率矩阵记录随机脉冲噪声的位置;
S2、将所述得到的滤波处理后的图像分解成多个图像块,并确定每一个图像块的位置及其各自对应预定搜索领域内的相似图像块的位置,且根据每一个图像块的位置及其对应相似图像块的位置在所述目标图像上找到相应的图像子块,进一步将同一个图像块及其对应相似图像块所找到的所有图像子块均叠成张量形式并建立相应的张量低秩-稀疏分解模型;
S3、利用基于增广拉格朗日函数方法求解每一个张量低秩-稀疏分解模型中的优化问题,并采用交替方向法来实现对增广拉格朗日函数的分解迭代优化,直到收敛;
S4、获取每一个张量低秩-稀疏分解模型迭代优化求解后的低秩张量,并将所述获取到的每一个低秩张量展开成矩阵形式,得到每一个图像子块的去噪结果,且进一步对所述得到的每一个图像子块的去噪结果重叠区域求均值,得到所述目标图像的最终去噪结果。
2.如权利要求1所述的方法,其特征在于,所述步骤S1具体包括:
对于所述目标图像I中的任意一个像素点Iij,定义一个(2h+1)×(2h+1)的窗口W,使得该像素点Iij位于窗口W的中心,并对窗口W中心的像素点Iij施加适当的权重,且进一步对窗口W中的像素进行中心加权中值滤波可得:其中,W={(s,t)|-h≤s≤h,-h≤t≤h};w◇Iij表示复制w个中心像素Iij;w=2k+1表示添加中心像素值的个数;k为非负整数,且k=0,1,...,S-1;
对于所述中心像素点Iij,定义如下滤波差值:并引进一组阈值Tk(k=0,1,...,S-1)且满足Tk-1>Tk;其中,dk≤dk-1(k≥1);
如果差值dk满足不等式dk>Tk(k=0,1,...,S-1),则中心像素点Iij就认为是被脉冲噪声污染;反之,则认为当前像素点是没有被噪声污染;
设置自适应中心加权中值滤波器的输出为:通过所述设置的自适应中心加权中值滤波器对所述目标图像过滤,得到滤波处理后的图像;其中,为中心像素点Iij的最终估计值;
采用一个描述矩阵来记录随机脉冲噪声的位置,元素为1表示有脉冲噪声,0表示没有。
3.如权利要求1所述的方法,其特征在于,所述步骤S2中“张量低秩-稀疏分解模型”均通过方程组
来实现;
其中,P为当前图像块张量,L为当前图像块张量分解后的低秩张量,E为当前图像块张量分解后的稀疏张量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005045.1A CN106846268B (zh) | 2017-01-04 | 2017-01-04 | 一种高斯-脉冲混合图像噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005045.1A CN106846268B (zh) | 2017-01-04 | 2017-01-04 | 一种高斯-脉冲混合图像噪声去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846268A true CN106846268A (zh) | 2017-06-13 |
CN106846268B CN106846268B (zh) | 2019-09-03 |
Family
ID=59118464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710005045.1A Active CN106846268B (zh) | 2017-01-04 | 2017-01-04 | 一种高斯-脉冲混合图像噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846268B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537252A (zh) * | 2018-03-21 | 2018-09-14 | 温州大学苍南研究院 | 一种基于新范数的图像噪声去除方法 |
CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪系统 |
CN109544471A (zh) * | 2018-11-08 | 2019-03-29 | 淮阴工学院 | 基于多特征分析的脉冲噪声相机图像复原模型 |
CN109727200A (zh) * | 2017-10-30 | 2019-05-07 | 上海交通大学 | 基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统 |
CN110094194A (zh) * | 2018-01-26 | 2019-08-06 | 中国石油化工股份有限公司 | 电功图计算油井产液量方法 |
CN110111264A (zh) * | 2019-04-03 | 2019-08-09 | 成都航天通信设备有限责任公司 | 基于车载视频图传图像的去噪方法 |
CN110264434A (zh) * | 2019-05-20 | 2019-09-20 | 广东工业大学 | 一种基于低秩矩阵补全的单幅图像去雨方法 |
CN110638433A (zh) * | 2019-09-08 | 2020-01-03 | 智能制造研究院(肇庆高要)有限公司 | 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 |
CN110675331A (zh) * | 2019-08-13 | 2020-01-10 | 南京人工智能高等研究院有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
CN111462025A (zh) * | 2020-02-26 | 2020-07-28 | 宁波大学 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
CN111586262A (zh) * | 2020-03-27 | 2020-08-25 | 成都航天通信设备有限责任公司 | 基于野外部队图传图像去噪方法 |
CN112418051A (zh) * | 2020-11-18 | 2021-02-26 | 温州大学 | 一种用于非线性动态系统非高斯噪声下的状态估计方法 |
CN113396312A (zh) * | 2018-10-12 | 2021-09-14 | 电力研究所有限公司 | 用于在光学失真介质中测量表面特性的方法 |
CN113450413A (zh) * | 2021-07-19 | 2021-09-28 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
CN113610735A (zh) * | 2021-08-25 | 2021-11-05 | 华北电力大学(保定) | 一种面向电力设备红外图像的混合噪声去除方法 |
CN113706413A (zh) * | 2021-08-26 | 2021-11-26 | 清华大学深圳国际研究生院 | 一种获取眼底光电体积描记信号的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957026A (zh) * | 2016-04-22 | 2016-09-21 | 温州大学 | 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
-
2017
- 2017-01-04 CN CN201710005045.1A patent/CN106846268B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957026A (zh) * | 2016-04-22 | 2016-09-21 | 温州大学 | 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
Non-Patent Citations (2)
Title |
---|
姜春苗等: "去除图像中高斯-脉冲噪声的有效方法", 《计算机工程与应用》 * |
杨博等: "一种用于图像匹配识别的高斯-脉冲混合噪声去除方法", 《传感器与微系统》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727200A (zh) * | 2017-10-30 | 2019-05-07 | 上海交通大学 | 基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统 |
CN110094194A (zh) * | 2018-01-26 | 2019-08-06 | 中国石油化工股份有限公司 | 电功图计算油井产液量方法 |
CN110094194B (zh) * | 2018-01-26 | 2022-03-25 | 中国石油化工股份有限公司 | 电功图计算油井产液量方法 |
CN108537252A (zh) * | 2018-03-21 | 2018-09-14 | 温州大学苍南研究院 | 一种基于新范数的图像噪声去除方法 |
CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪系统 |
CN113396312A (zh) * | 2018-10-12 | 2021-09-14 | 电力研究所有限公司 | 用于在光学失真介质中测量表面特性的方法 |
CN113396312B (zh) * | 2018-10-12 | 2024-03-01 | 电力研究所有限公司 | 用于在光学失真介质中测量表面特性的方法 |
CN109544471A (zh) * | 2018-11-08 | 2019-03-29 | 淮阴工学院 | 基于多特征分析的脉冲噪声相机图像复原模型 |
CN110111264A (zh) * | 2019-04-03 | 2019-08-09 | 成都航天通信设备有限责任公司 | 基于车载视频图传图像的去噪方法 |
CN110264434A (zh) * | 2019-05-20 | 2019-09-20 | 广东工业大学 | 一种基于低秩矩阵补全的单幅图像去雨方法 |
CN110264434B (zh) * | 2019-05-20 | 2022-12-30 | 广东工业大学 | 一种基于低秩矩阵补全的单幅图像去雨方法 |
CN110675331B (zh) * | 2019-08-13 | 2023-01-31 | 南京人工智能高等研究院有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
CN110675331A (zh) * | 2019-08-13 | 2020-01-10 | 南京人工智能高等研究院有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
CN110638433A (zh) * | 2019-09-08 | 2020-01-03 | 智能制造研究院(肇庆高要)有限公司 | 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统 |
CN111462025A (zh) * | 2020-02-26 | 2020-07-28 | 宁波大学 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
CN111462025B (zh) * | 2020-02-26 | 2023-04-07 | 宁波大学 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
CN111586262A (zh) * | 2020-03-27 | 2020-08-25 | 成都航天通信设备有限责任公司 | 基于野外部队图传图像去噪方法 |
CN112418051A (zh) * | 2020-11-18 | 2021-02-26 | 温州大学 | 一种用于非线性动态系统非高斯噪声下的状态估计方法 |
CN112418051B (zh) * | 2020-11-18 | 2024-05-03 | 温州大学 | 一种用于非线性动态系统非高斯噪声下的状态估计方法 |
CN113450413A (zh) * | 2021-07-19 | 2021-09-28 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
CN113450413B (zh) * | 2021-07-19 | 2022-09-27 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
CN113610735A (zh) * | 2021-08-25 | 2021-11-05 | 华北电力大学(保定) | 一种面向电力设备红外图像的混合噪声去除方法 |
CN113706413A (zh) * | 2021-08-26 | 2021-11-26 | 清华大学深圳国际研究生院 | 一种获取眼底光电体积描记信号的方法 |
CN113706413B (zh) * | 2021-08-26 | 2023-08-18 | 清华大学深圳国际研究生院 | 一种获取眼底光电体积描记信号的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106846268B (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846268A (zh) | 一种高斯‑脉冲混合图像噪声去除方法 | |
CN111028163B (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
Tan et al. | Compressive imaging via approximate message passing with image denoising | |
Wen et al. | VIDOSAT: High-dimensional sparsifying transform learning for online video denoising | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
Vajgl et al. | Advanced f-transform-based image fusion | |
CN108537252A (zh) | 一种基于新范数的图像噪声去除方法 | |
CN109146797A (zh) | 一种基于Lp伪范数与交叠组稀疏的脉冲噪声古籍图像修复方法 | |
Taherkhani et al. | Restoring highly corrupted images by impulse noise using radial basis functions interpolation | |
Feng et al. | Seismic data denoising based on tensor decomposition with total variation | |
Naveed et al. | Multiscale image denoising using goodness-of-fit test based on EDF statistics | |
Azghani et al. | Missing low-rank and sparse decomposition based on smoothed nuclear norm | |
BaoShun et al. | DualPRNet: Deep shrinkage dual frame network for deep unrolled phase retrieval | |
Deng et al. | Ultrasonic logging image denoising algorithm based on variational Bayesian and sparse prior | |
Kumar et al. | A hybrid method for the removal of RVIN using self organizing migration with adaptive dual threshold median filter | |
Hara et al. | Generalized graph spectral sampling with stochastic priors | |
Zhang et al. | Signal processing using dictionaries, atoms, and deep learning: A common analysis-synthesis framework | |
Wang et al. | Multi-scale residual network for seismic data denoising and reconstruction | |
Gayathri et al. | A Survey on Image Denoising Algorithms (IDA) | |
Jia et al. | Fractional‐integral‐operator‐based improved SVM for filtering salt‐and‐pepper noise | |
Chen et al. | TranSpeckle: An edge‐protected transformer for medical ultrasound image despeckling | |
Liang et al. | Reinforcement Learning based Denoising Model for Seismic Random Noise Attenuation | |
Panigrahi et al. | Multi-scale based Approach for Denoising Real-World noisy image using Curvelet Thresholding: Scope & Beyond | |
CN104517267A (zh) | 一种基于“谱”反演的红外图像增强与重建方法 | |
CN110378851A (zh) | 图像降噪系统、方法及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170613 Assignee: Big data and Information Technology Research Institute of Wenzhou University Assignor: Wenzhou University Contract record no.: X2020330000098 Denomination of invention: A noise removal method for Gaussian pulse mixture image Granted publication date: 20190903 License type: Common License Record date: 20201115 |
|
EE01 | Entry into force of recordation of patent licensing contract |