CN107203976B - 一种基于噪点检测的自适应非局部均值去噪方法及系统 - Google Patents
一种基于噪点检测的自适应非局部均值去噪方法及系统 Download PDFInfo
- Publication number
- CN107203976B CN107203976B CN201710257723.3A CN201710257723A CN107203976B CN 107203976 B CN107203976 B CN 107203976B CN 201710257723 A CN201710257723 A CN 201710257723A CN 107203976 B CN107203976 B CN 107203976B
- Authority
- CN
- China
- Prior art keywords
- noise
- window
- eigenvalue
- image
- gaussian
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 abstract description 16
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000007 visual effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于噪点检测的自适应非局部均值去噪方法,所述方法包括:输入原始高斯白噪声图像u;获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;获取所述原始高斯白噪声图像的噪点参数Di,j;根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N;基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。本发明提供的方法及系统解决了现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于噪点检测的自适应非局部均值去噪方法及系统。
背景技术
随着信息化时代的发展,图像成为人类获取及利用信息的重要来源。由于图像在获取、传输过程中受到外部环境、设备自身的限制,导致所生成的图像上会出现一些噪声。这些噪声不但会影响图像的视觉效果,而且直接影响后续的图像处理。
在图像去噪的发展过程中,众多国内外学者提出了很多去噪方法,其中Buades等人在2005年提出的非局部均值算法(NLM)取得了较好的去噪效果,并得到了广泛地研究与发展。
然而本申请发明人在实现本发明的技术方案时,发现现有技术中至少存在如下问题:
NLM算法在去噪的同时会模糊图像中的边缘、纹理等重要细节信息。这些因素局限了NLM算法的应用。
可见,现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题,实际环境中污染图像的噪声主要是高斯白噪声,因此去除高斯白噪声成为图像去噪领域的核心问题。
发明内容
本发明实施例提供一种基于噪点检测的自适应非局部均值去噪方法及系统,用以解决现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
本发明第一方面提供了一种基于噪点检测的自适应非局部均值去噪方法,所述方法包括:
输入原始高斯白噪声图像u;
获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为:
其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
获取所述原始高斯白噪声图像u的噪点参数Di,j,其中,噪点参数Di,j用以表示高斯白噪声图像中的噪点;
根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
可选的,所述获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2,包括:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,
其中,
可选的,所述获取所述原始高斯白噪声图像u的噪点参数Di,j,包括:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
可选的,所述基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理,包括:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
基于同样的发明沟通,本发明第二方面还提供了一种基于噪点检测的自适应非局部均值去噪系统,所述系统包括:
输入模块,用于输入原始高斯白噪声图像u;
第一获取模块,用于获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
第二获取模块,用于获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
第三获取模块,用于获取所述原始高斯白噪声图像的噪点参数Di,j;
获得模块,用于根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
去噪模块,用于基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
可选的,所述第二获取模块还用于:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,
其中,
可选的,所述第三获取模块还用于:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
可选的,所述去噪模块还用于:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于噪点检测的自适应非局部均值去噪方法及系统,通过输入原始高斯白噪声图像u;获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,并获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;然后获取所述原始高斯白噪声图像的噪点参数Di,j;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,最后基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理,由于获取了所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,可以充分利用图像中像素的冗余信息,并获得噪点检测函数N,从而准确检测出图像中的噪点,实现了避免对边缘、纹理等细节信息的破坏的技术效果,解决了现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于噪点检测的自适应非局部均值去噪方法的流程图;
图2为本发明实施例中基于噪点检测的自适应非局部均值去噪系统的逻辑结构图。
具体实施方式
本发明实施例提供了一种基于噪点检测的自适应非局部均值去噪方法及系统,用以解决现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
本申请实施例中的技术方案,总体思路如下:
一种基于噪点检测的自适应非局部均值去噪方法,所述方法包括:首先输入原始高斯白噪声图像u;并获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,然后获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;获取所述原始高斯白噪声图像的噪点参数Di,j;然后根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,最后基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
上述方法中,由于获取了所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,可以充分利用图像中像素的冗余信息,并获得噪点检测函数N,从而准确检测出图像中的噪点,实现了避免对边缘、纹理等细节信息的破坏的技术效果,解决了现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例一
请参见图1,本发明提供了一种基于噪点检测的自适应非局部均值去噪方法,所述方法包括:
步骤S101:输入原始高斯白噪声图像u;
步骤S102:获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
步骤S103:获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
步骤S104:获取所述原始高斯白噪声图像的噪点参数Di,j,其中,噪点参数Di,j用以表示高斯白噪声图像中的噪点;
步骤S105:根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
步骤S106:基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
上述方法中,由于获取了所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,可以充分利用图像中像素的冗余信息,并获得噪点检测函数N,从而准确检测出图像中的噪点,实现了避免对边缘、纹理等细节信息的破坏的技术效果,解决了现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
需要说明的是,本申请中,所述步骤S103和步骤S104的顺序不分先后,可以先执行步骤S103,也可以先执行步骤S104,在此不做限制。
下面,结合图1对本申请提供的基于噪点检测的自适应非局部均值去噪方法进行详细介绍:
首先,执行步骤S101,输入原始高斯白噪声图像u;
由于在实际应用中,实际环境中污染图像的噪声主要是高斯白噪声,因此本发明主要是针对高斯白噪声图像u进行处理。
然后,执行步骤S102,获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为:其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
接下来,执行步骤S103,获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
上述获取hessian矩阵Hu的第一特征值λ1和第二特征值λ2具体包括:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,
其中,
在具体的实施过程中,由于二维Hessian矩阵Hu是实对称矩阵,故uxy=uyx,于是Hessian矩阵的两个特征值λ1,λ2可以由如下公式计算: 由于图像中噪点与其它点的Hessian矩阵特征值特点不同,故可以用特征值来进行噪点检测。Hessian矩阵实际上就是多元函数的二阶导数组成的矩阵,所以对Hessian矩阵特征值的分析是为了找到图像最小曲率的方向,对于孤立的噪点而言,在任意的方向上其二阶导数都很大,因此没有方向可言。假设|λ1|<|λ2|,沿着图像边缘的方向,图像的灰度值没有变化,所以沿着图像边缘的方向一阶导数不为零,二阶导数很小;正交于图像边缘的方向,边缘点为极值点,所以一阶导数为零,如果为极小值,二阶导数大于零,若为极大值二阶导数小于零。λ1,λ2反应了两个正交方向上的投影的大小,孤立的噪点在任一方向上都为极值点,且为极大值点或为极小值点,所以λ1,λ2都比较大,且近似相等。
接下来,执行步骤S104,获取所述原始高斯白噪声图像的噪点参数Di,j。
上述获取所述原始高斯白噪声图像的噪点参数Di,j具体包括:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
在具体的实施过程中,可以设中心点u(i,j)处的窗口Wi,j大小为Ld×Ld,由于图像中的噪点在空间上是随机分布的,而沿图像边缘的像素点具有相似的灰度值。为了充分利用图像边缘与噪点的这个区别,可以将窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口、次对角线子窗口,然后计算分别计算各子窗口中的点与中心点u(i,j)的差的绝对加权均值
然后分别计算中心点u(i,j)处四个子窗口的差的绝对加权均值的最小值Di,j,举例来说,如果中心点u(i,j)是噪声点,那么它的都会很大,Di,j也会很大;如果中心点u(i,j)是平滑区域(即无噪声无边缘区域)的点,那么它的都会很小,Di,j也会很小;如果中心点u(i,j)是边缘上的点,那么它的中有一个会很小,Di,j也会很小。由上述分析可知,Di,j可以用来准确地表示图像中的噪点,同时不会受到边缘点的干扰,因此将Di,j作为噪点检测参数,可以提高噪声检测的效果。
再下来,执行步骤S105,根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
最后,执行步骤S106,基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
上述基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理,具体包括:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
基于与实施例一相同的发明构思,本发明实施二提供了一种基于噪点检测的自适应非局部均值去噪系统,所述系统包括:
输入模块201,用于输入原始高斯白噪声图像u;
第一获取模块202,用于获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
第二获取模块203,用于获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
第三获取模块204,用于获取所述原始高斯白噪声图像的噪点参数Di,j;
获得模块205,用于根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
去噪模块206,用于基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
本发明提供的系统中,所述第二获取模块203还用于:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,
其中,
本发明提供的系统中,所述第三获取模块204还用于:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
本发明提供的系统中,所述去噪模块206还用于:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
由于本发明实施例二所介绍的系统,为实施本发明实施例一的基于噪点检测的自适应非局部均值去噪方法所采用的系统,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该系统的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的系统都属于本发明所欲保护的范围。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于噪点检测的自适应非局部均值去噪方法及系统,通过输入原始高斯白噪声图像u;获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,并获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;然后获取所述原始高斯白噪声图像的噪点参数Di,j;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,最后基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理,由于获取了所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;并根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,可以充分利用图像中像素的冗余信息,并获得噪点检测函数N,从而准确检测出图像中的噪点,实现了避免对边缘、纹理等细节信息的破坏的技术效果,解决了现有技术中采用非局部均值去噪方法,会模糊图像的边缘、纹理信息,存在整体去噪效果不好的技术问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于噪点检测的自适应非局部均值去噪方法,其特征在于,所述方法包括:
输入原始高斯白噪声图像u;
获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为:
其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
获取所述原始高斯白噪声图像u的噪点参数Di,j,其中,噪点参数Di,j用以表示高斯白噪声图像中的噪点;
根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
2.如权利要求1所述的方法,其特征在于,所述获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2,包括:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,其中,
3.如权利要求2所述的方法,其特征在于,所述获取所述原始高斯白噪声图像u的噪点参数Di,j,包括:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
4.如权利要求1所述的方法,其特征在于,所述基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理,包括:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
5.一种基于噪点检测的自适应非局部均值去噪系统,其特征在于,所述系统包括:
输入模块,用于输入原始高斯白噪声图像u;
第一获取模块,用于获取所述高斯白噪声图像u中某个点的hessian矩阵Hu,所述矩阵Hu为其中,uxx、uxy、uyx、uyy为所述高斯白噪声图像u的二阶偏导数;
第二获取模块,用于获取所述hessian矩阵Hu的第一特征值λ1和第二特征值λ2;
第三获取模块,用于获取所述原始高斯白噪声图像u的噪点参数Di,j,其中,噪点参数Di,j用以表示高斯白噪声图像中的噪点;
获得模块,用于根据所述第一特征值λ1、第二特征值λ2和噪点参数Di,j,获得噪点检测函数N,其中,N=(1-exp(-|λ1|))(1-exp(-|λ2|))(1-exp(-Di,j));
去噪模块,用于基于所述噪点检测函数N,对所述原始高斯白噪声图像u进行去噪处理。
6.如权利要求5所述的系统,其特征在于,所述第二获取模块还用于:
根据线性尺度空间理论,获得尺度空间图像偏导数其中,u(x,y)为图像,为高斯函数偏导数,G(x,y)为二维高斯函数,s为标准差;
根据所述尺度空间图像偏导数,获得第一特征值λ1和第二特征值λ2,其中,
7.如权利要求5所述的系统,其特征在于,所述第三获取模块还用于:
获取中心点u(i,j)处的窗口Wi,j大小;
将所述窗口Wi,j分解为四个子窗口其中分别为窗口Wi,j中经过中心点u(i,j)的水平子窗口、竖直子窗口、主对角线子窗口和次对角线子窗口;
计算上述各子窗口中的点与中心点u(i,j)的差的绝对加权均值 其中,表示四个子窗口中的任意一个,d表示子窗口中的点与中心点u(i,j)的差,ω表示当前差的权值,
以绝对加权均值的最小值为噪点参数Di,j。
8.如权利要求5所述的系统,其特征在于,所述去噪模块还用于:
根据所述噪点检测函数N自适应确定非局部均值去噪时每个点的搜索窗口的大小及相似窗口的大小;
根据所述搜索窗口的大小和所述相似窗口的大小,对所述原始高斯白噪声图像u进行去噪处理,获得去噪后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710257723.3A CN107203976B (zh) | 2017-04-19 | 2017-04-19 | 一种基于噪点检测的自适应非局部均值去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710257723.3A CN107203976B (zh) | 2017-04-19 | 2017-04-19 | 一种基于噪点检测的自适应非局部均值去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203976A CN107203976A (zh) | 2017-09-26 |
CN107203976B true CN107203976B (zh) | 2019-07-23 |
Family
ID=59904945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710257723.3A Expired - Fee Related CN107203976B (zh) | 2017-04-19 | 2017-04-19 | 一种基于噪点检测的自适应非局部均值去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203976B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188614B (zh) * | 2019-04-30 | 2021-03-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
CN112801882B (zh) * | 2019-11-14 | 2022-11-08 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877122A (zh) * | 2009-11-12 | 2010-11-03 | 中国科学院遥感应用研究所 | 扩散程度可控的各向异性扩散图像去噪增强方法 |
CN103455985A (zh) * | 2013-09-03 | 2013-12-18 | 武汉大学 | 基于Hessian结构分析的道路裂缝增强方法 |
CN104008379A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 一种基于surf特征的物体识别方法 |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2536429B (en) * | 2015-03-13 | 2018-01-10 | Imagination Tech Ltd | Image noise reduction |
-
2017
- 2017-04-19 CN CN201710257723.3A patent/CN107203976B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877122A (zh) * | 2009-11-12 | 2010-11-03 | 中国科学院遥感应用研究所 | 扩散程度可控的各向异性扩散图像去噪增强方法 |
CN103455985A (zh) * | 2013-09-03 | 2013-12-18 | 武汉大学 | 基于Hessian结构分析的道路裂缝增强方法 |
CN104008379A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 一种基于surf特征的物体识别方法 |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
Non-Patent Citations (2)
Title |
---|
"Effective image noise removal based on difference eigenvalue";Tian H 等;《2011 18th IEEE International Conference on Image Processing》;20111231;第3357-3360页 |
"双重自适应非局部均值图像去噪算法";景华炯 等;《南阳理工学院学报》;20150228(第2期);第58-63、68页 |
Also Published As
Publication number | Publication date |
---|---|
CN107203976A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102789640B (zh) | 一种将可见光全色图像与红外遥感图像进行融合的方法 | |
CN109859126A (zh) | 一种视频降噪方法、装置、电子设备及存储介质 | |
Sun | A new single-image fog removal algorithm based on physical model | |
CN106919257B (zh) | 基于图像亮度信息力触觉交互纹理力再现方法 | |
Starck et al. | Weak lensing mass reconstruction using wavelets | |
CN112842348B (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
Kannan et al. | Root mean square filter for noisy images based on hyper graph model | |
Igbinosa | Comparison of edge detection technique in image processing techniques | |
CN107203976B (zh) | 一种基于噪点检测的自适应非局部均值去噪方法及系统 | |
CN112507848B (zh) | 一种移动端实时人脸姿态估计方法 | |
CN109584174B (zh) | 一种梯度最小法红外图像边缘保持去噪方法 | |
CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
CN108961283A (zh) | 基于特征对应的图像变形方法及装置 | |
CN105723416A (zh) | 图像降噪方法 | |
CN109064394B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
CN111091117B (zh) | 用于二维全景图像的目标检测方法、装置、设备、介质 | |
CN115984246B (zh) | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 | |
CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
CN108198140A (zh) | 基于ncsr模型的三维协同滤波去噪方法 | |
Knutsson et al. | Implications of invariance and uncertainty for local structure analysis filter sets | |
WO2020026739A1 (ja) | 画像処理装置 | |
Lukić et al. | A non-gradient-based energy minimization approach to the image denoising problem | |
Huang et al. | A new embossing method for gray images using Kalman filter |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190723 Termination date: 20200419 |
|
CF01 | Termination of patent right due to non-payment of annual fee |