CN107230208B - 一种高斯噪声的图像噪声强度估计方法 - Google Patents

一种高斯噪声的图像噪声强度估计方法 Download PDF

Info

Publication number
CN107230208B
CN107230208B CN201710498956.2A CN201710498956A CN107230208B CN 107230208 B CN107230208 B CN 107230208B CN 201710498956 A CN201710498956 A CN 201710498956A CN 107230208 B CN107230208 B CN 107230208B
Authority
CN
China
Prior art keywords
difference
image
value
noise
histogram
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
CN201710498956.2A
Other languages
English (en)
Other versions
CN107230208A (zh
Inventor
邵文莎
宋菲
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.)
Jiangsu Open University
Original Assignee
Jiangsu Open University
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 Jiangsu Open University filed Critical Jiangsu Open University
Priority to CN201710498956.2A priority Critical patent/CN107230208B/zh
Publication of CN107230208A publication Critical patent/CN107230208A/zh
Application granted granted Critical
Publication of CN107230208B publication Critical patent/CN107230208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20224—Image 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高斯噪声的图像噪声强度估计方法，包括以下步骤：对图像进行分块处理，获得多个分块图像；对分块图像进行滤波；将原始的分块图像与之对应的滤波后的分块图像做差，并将差值通过差值直方图的形式记录；对差值直方图中差值大的像素数进行削减处理；分别求出差值直方图中差值的正数部分的平方均值和负数部分的平方均值，提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度；求出每个分块图像的噪声强度值，从每个分块图像中的噪声强度值中提取最小值作为整个图像的噪声强度；本发明可以降低图像边缘纹理的影响从而进一步估计真实的噪声。

Description

一种高斯噪声的图像噪声强度估计方法
技术领域
本发明属于数字图像处理领域，特别涉及一种高斯噪声的图像噪声强度估计方法。
背景技术
图像去噪有广泛的应用，经典的去噪算法如BM3D，Non Local Means都有非常好的去噪效果。但是一般去噪算法都需要知道噪声程度以去噪，像BM3D，Non local Means算法的去噪过程都需要已知噪声的方差大小并在计算过程中将噪声方差作为参数。
对图像去噪时，我们经常会需要对于图像的噪声水平进行估计，我们用噪声的方差来描述噪声的强度大小。噪声估计不准会对去噪过程产生不良的影响。如果估计过高，去噪过程会去除一些不该去除的纹理。如果估计过低，去噪过程会保留过多的噪声。
我们认为噪声图像是原图与噪声之和。
In(x,y)=I(x,y)+N(x,y)；I为原图，N为高斯噪声，In是我们要估计噪声的噪声图像。
如果原始图像的I中的像素值是一个恒定值，比如原始图像的所有像素值I(x,y)是100，那图像的噪声水平很好估计。可是一般情况下，图像存在大量的边缘纹理信息，I(x,y)值变化很大，很难区分In(x,y)中的噪声与图像边缘纹理，因此很难估计噪声水平。
现有的噪声估计算法基本流程是：
1. 对于噪声图像进行小范围的滤波。（比如说是均值滤波或是中值滤波）
2. 将噪声图像与滤波后的图像做差。
3．以获得的差值的平方均值来近似噪声的方差。
现有的噪声估计算法通过噪声图In小范围滤波近似原始图I，将做差结果作为噪声N的估计值，然后用差值的平方均值来近似噪声的方差。
现有的不同的噪声估计算法的差别基本是滤波方式的不同，以期望获得更准确的噪声估计值。但其实采取十分复杂的滤波方式其效果与基本的中值滤波，均值滤波获取的噪声估计值的准确度是差不多的。因为我们不知道图像边缘纹理的相应信息。
现有的算法强调通过选择合适的滤波器，将噪声与图像边缘纹理区分处理，提出的差值描述噪声而非边缘纹理。但其实图像边缘纹理的结构千变万化，我们即使合适的滤波器也没有办法将噪声与图像的边缘纹理彻底区分。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种高斯噪声的图像噪声强度估计方法，本高斯噪声的图像噪声强度估计方法可以降低图像边缘纹理的影响从而进一步估计真实的噪声。
为实现上述技术目的，本发明采取的技术方案为：
一种高斯噪声的图像噪声强度估计方法，包括以下步骤：
步骤1：对图像进行分块处理，获得多个分块图像；
步骤2：对分块图像进行滤波；
步骤3：将原始的分块图像与之对应的滤波后的分块图像做差，并将差值通过差值直方图的形式记录；
步骤4：对差值直方图中差值大的像素数进行削减处理；
步骤5：分别求出差值直方图中差值的正数部分的平方均值和负数部分的平方均值，提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度；
步骤6：求出每个分块图像的噪声强度值，从每个分块图像中的噪声强度值中提取最小值作为整个图像的噪声强度。
作为本发明进一步改进的技术方案，所述的步骤2中对分块图像进行滤波为对分块图像进行中值滤波或者均值滤波。
作为本发明进一步改进的技术方案，所述的步骤4包括：
（1）假设差值直方图的分布为HK（-N<K<N），其中[-N,N]代表差值范围，HK表示差值为K的像素数；
（2）削减差值直方图中差值大的像素数，使差值直方图满足：
若HK+1 > HK，则HK+1= HK，其中K=[0,N]；
若HK-1 > HK，则HK-1= HK，其中K=[-N,-1]。
作为本发明进一步改进的技术方案，所述的步骤5包括；
（1）预设差值范围阈值[-Th, Th]；
（2）若差值N大于Th，则求出差值直方图中差值范围为[-Th, Th]中的正数部分的平方均值和负数部分的平方均值；
（2）若差值N小于Th，则求出差值直方图中差值范围为[-N,N]中的正数部分的平方均值和负数部分的平方均值；
（3）提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度。
作为本发明进一步改进的技术方案，所述的求出差值直方图中差值范围为[-Th,Th]中的正数部分的平方均值的具体公式：
Y=(12*H1+22*H2+32*H3+ … +Th2* HTh ) / (H1+H2+H3 + … + HTh) ；
其中H1、H2、H3、…、HTh 分别表示差值为1、2、3、…、Th的像素数，Y表示平方均值；
所述的求出差值直方图中差值范围为[-Th, Th]中的负数部分的平方均值的具体公式：Y=[（-1）2*H-1+（-2）2*H-2+（-3）2*H-3+ … +（-Th）2* H-Th ] / (H-1+H-2+H-3 + … +H-Th) ；
其中H-1、H-2、H-3、…、H-Th 分别表示差值为-1、-2、-3、…、-Th的像素数，Y表示平方均值。
作为本发明进一步改进的技术方案，所述图像为RGB彩色图像，对图像进行分块处理，按照步骤3的方法分别求出分块图像中R通道、G通道和B通道的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中R通道、G通道和B通道的噪声强度，将所有分块图像中R通道、G通道和B通道的噪声强度进行对比，选取其中最小值作为图像的噪声强度。
作为本发明进一步改进的技术方案，所述图像为YUV420图像，对图像进行分块处理，按照步骤3的方法分别求出分块图像中Y分量、U分量和V分量的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中Y分量、U分量和V分量的噪声强度，Y分量去噪时采取Y分量的噪声强度值，UV分量去噪时采取U分量和V分量的噪声强度值中最小值。
本发明提出一种全新的高斯噪声的图像噪声强度估计方法。传统方法选取合适滤波器提取噪声的方法估计噪声，而本发明通过将原始的分块图像与之对应的滤波后的分块图像做差，并将差值通过差值直方图的形式记录，采取对提取的差值的分布进行后处理的方法进行噪声强度估计，对于差值的分布进行处理，使其更接近于噪声的分布规律，本发明通过对差值直方图中差值大的像素数进行削减处理从而降低了原始图像边缘纹理部分的影响。处理后的噪声估计值可以准确的计算噪声的大小。
附图说明
图1为本发明的流程图。
图2为本发明的图像的分块示意图。
图3为本发明的差值直方图。
图4为本发明的削减处理后的差值直方图。
图5为本发明的方法与旧噪声估计算法的对比示意图。
具体实施方式
本发明提出一种高斯噪声的图像噪声强度估计方法，差值直方图中的差值既包含噪声，又包含边缘纹理。那是否可以对于差值分布进行处理，使其更接近于噪声的差值分布呢。图像不管结构是怎样的，但一般图像信号是有规律的 (稀疏特性) 。图像噪声的差值分布与边缘纹理的差值分布是不同的，噪声的差值分布接近于高斯分布，而边缘纹理的差值分布一般是不规则的。我们可以利用噪声与边缘纹理差值分布的区别，来对于差值分布进行处理，使其更接近于噪声的分布。进而计算出噪声的方差。
下面根据图1至图5对本发明的具体实施方式作出进一步说明：
参见图1，一种高斯噪声的图像噪声强度估计方法，包括以下步骤：
步骤1：对图像进行分块处理，获得多个分块图像；
步骤2：对分块图像进行滤波；
步骤3：将原始的分块图像与之对应的滤波后的分块图像做差，并将差值通过差值直方图的形式记录；
步骤4：对差值直方图中差值大的像素数进行削减处理；
步骤5：分别求出差值直方图中差值的正数部分的平方均值和负数部分的平方均值，提取正数部分的平方均值和负数的平方均值中最小值，作为分块图像的噪声强度；
步骤6：求出每个分块图像的噪声强度值，从每个分块图像中的噪声强度值中提取最小值作为整个图像的噪声强度。
先将图像分块再进行噪声估计。一般图像都是噪声均匀分布的。去噪过程中，首先将图像分块。对每一分块图像求噪声强度。我们以求出噪声强度的最小值代表图像的噪声强度。因为图像可能有边缘纹理等导致估计值偏大，用分块图像求得的几个噪声强度估计值中的最小值，作为图像的噪声强度估计值。如图2所示，所述步骤1中可以将图像分为3X3的小块图像。每个小块图像包含足够的像素点即可。这样之后求差值直方图就有足够的像素点描述差值直方图分布了。
所述的步骤2中对分块图像进行滤波为对分块图像进行中值滤波或者均值滤波，本实施例将图像经过平滑滤波器，平滑滤波器可以是5x5的中值滤波器。之后通步骤3对原始分块图像与滤波后的分块图像求差，具体公式为：
Ismooth=Iorg*Ifilter；
Idif= Iorg – Ismooth；
其中，Iorg为原始图像，Ifilter为滤波器，Iorg与Ifilter卷积之后获得平滑图像Ismooth。
由于噪声基本都是突变的，我们用Idif代表估计的噪声。因为Idif是原图Iorg与其平滑后的图像Ismooth的差值。
差值Idif是对噪声的估计，对Idif大小进行统计形成差值直方图，如图3所示。求出的差值直方图分布代表估计的噪声大小的分布。因为计算的噪声点比较多，所以认为噪声大小呈高斯分布，噪声低的像素数量多，噪声高的像素数量少。如果求出的差值直方图的差值高的像素数量比差值低得像素数量多，那差值分布状况不符合噪声分布概率，则认为差值分布不合理，是边缘纹理因素造成的，而非噪声高的像素比噪声低的像素数量多。
差值分布不合理时，计算噪声大小需要限制差值大的点的数量。通过对差值直方图进行处理限制差值大的点的数量，使其更接近于噪声的分布特点。如果差值直方图的差值绝对值大的数值比差值小的数值大，则削减直方图差值绝对值大的数值。具体削减方法如下面步骤4。
所述的步骤4包括：
（1）假设差值直方图的分布为HK（-N<K<N），其中[-N,N]代表差值范围，HK表示差值为K的像素数；
（2）削减差值直方图中差值大的像素数，使差值直方图满足：
若HK+1 > HK，则HK+1= HK，其中K=[0,N]；
若HK-1 > HK，则HK-1= HK，其中K=[-N,-1]。
如果差值直方图如图3所示，在p1、p2、p3以及q1、q2、q3处差值直方图的差值高的像素数量比差值低得像素数量多。则认为直方图的分布是不正常的，对于直方图进行修正，修正结果如图4所示。
所述的步骤5包括；
（1）预设差值范围阈值[-Th, Th]；
（2）若差值N大于Th，则求出差值直方图中差值范围为[-Th, Th]中的正数部分的平方均值和负数部分的平方均值；
（2）若差值N小于Th，则求出差值直方图中差值范围为[-N,N]中的正数部分的平方均值和负数部分的平方均值；
（3）提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度。
所述的求出差值直方图中差值范围为[-Th, Th]中的正数部分的平方均值的具体公式：
Y=(12*H1+22*H2+32*H3+ … +Th2* HTh ) / (H1+H2+H3 + … + HTh) ；
其中H1、H2、H3、…、HTh 分别表示差值为1、2、3、…、Th的像素数，Y表示平方均值；
所述的求出差值直方图中差值范围为[-Th, Th]中的负数部分的平方均值的具体公式：Y=[（-1）2*H-1+（-2）2*H-2+（-3）2*H-3+ … +（-Th）2* H-Th ] / (H-1+H-2+H-3 + … +H-Th) ；
其中H-1、H-2、H-3、…、H-Th 分别表示差值为-1、-2、-3、…、-Th的像素数，Y表示平方均值。
同理，所述的差值直方图中差值范围为[-N,N]中的正数部分的平方均值和负数部分的平方均值的计算公式和上述公式一样。只需把公式中的Th修改为N、HTh修改为HN、-Th修改为-N、H-Th修改为H-N。
本发明分别计算差值直方图的正负部分的平方均值，取较小值。因为图像边缘纹理的影响是在不同差值分布区不同的。计算正负部分的较小值可以降低图像边缘纹理的影响。且在求差值平方均值的时候，只计算差值绝对值不太大的部分，所以需要预先设置差值范围阈值[-Th, Th]。因为差值绝对值太大的话基本是边缘造成的，而非噪声造成的。
实际噪声估计以及去噪过程中，图像可能包含不同分量。比如说RGB或是YUV。需要对于不同分量进行考虑。
一般彩色图像是以RGB分量的形式保存，并且RGB分量的噪声强度是一致的。我们分别估计RGB分量的噪声强度，以最小的估计噪声强度代表图像的估计噪声强度。RGB分量去噪时采取最小的估计噪声强度。因为图像可能有边缘纹理等导致估计值偏大，所以采取RGB分量最小的估计值作为噪声估计强度。具体实现步骤为：
当图像为RGB彩色图像时，对图像进行分块处理，按照步骤3的方法分别求出分块图像中R通道、G通道和B通道的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中R通道、G通道和B通道的噪声强度，将所有分块图像中R通道的噪声强度、G通道的噪声强度和B通道的噪声强度进行综合对比，选取其中最小值作为图像的噪声强度。
而在一般视频中，每一帧的图像内容是以YUV420格式保存的。Y分量的噪声强度是与UV分量的噪声强度不同的，因为UV分量是经过压缩的。噪声估计时，一般将Y分量与UV分量分开估计。对于YUV格式的图像，分别提取图像的Y、U、V分量，分别估计Y、U、V分量图像的噪声强度。Y分量去噪过程采取Y分量的噪声估计强度。UV分量的去噪过程采取UV分量的噪声强度估计值较小的。具体实现步骤为：
所述图像为YUV420图像，对图像进行分块处理，按照步骤3的方法分别求出分块图像中Y分量、U分量和V分量的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中Y分量、U分量和V分量的噪声强度，Y分量去噪时采取Y分量的噪声强度值，UV分量去噪时采取U分量的噪声强度值和V分量的噪声强度值中最小值。
一般来说，图像的噪声不会太大，对于差值直方图处理可以获得更准确的噪声估计。但是，如果噪声太大，比如噪声方差大小为40，那差值直方图的分布不再是类似高斯分布的了。对于差值直方图处理就可能破坏噪声应有的直方图分布。因此本发明只适用于噪声不是极大的情况。对于差值直方图进行处理后，噪声方差估计准确度会大大提高。本发明采取5x5的均值滤波器获得差值直方图。本实施例的方法与旧方法进行对比如图5所示。旧方法测量噪声方差是直接计算差值直方图的平方均值。本实施例的新方法测量噪声方差是对直方图进行削减处理后计算差值直方图的平方均值。本实施例对于几张图进行测量，测量结果在图5中。可见本发明的新方法的噪声强度估计准确度会大大增加。
本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。

Claims (4)

1.一种高斯噪声的图像噪声强度估计方法，其特征在于：包括以下步骤：
步骤1：对图像进行分块处理，获得多个分块图像；
步骤2：对分块图像进行滤波；
步骤3：将原始的分块图像与之对应的滤波后的分块图像做差，并将差值通过差值直方图的形式记录；
步骤4：对差值直方图中差值大的像素数进行削减处理；
步骤5：分别求出差值直方图中差值的正数部分的平方均值和负数部分的平方均值，提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度；
步骤6：求出每个分块图像的噪声强度值，从每个分块图像中的噪声强度值中提取最小值作为整个图像的噪声强度；
所述的步骤4包括：
(1)假设差值直方图的分布为HK(-N<K<N)，其中[-N,N]代表差值范围，HK表示差值为K的像素数；
(2)削减差值直方图中差值大的像素数，使差值直方图满足：
若HK+1>HK，则HK+1＝HK，其中K＝[0,N]；
若HK-1>HK，则HK-1＝HK，其中K＝[-N,-1]；
所述的步骤5包括；
(1)预设差值范围阈值[-Th,Th]；
(2)若差值N大于Th，则求出差值直方图中差值范围为[-Th,Th]中的正数部分的平方均值和负数部分的平方均值；
(2)若差值N小于Th，则求出差值直方图中差值范围为[-N,N]中的正数部分的平方均值和负数部分的平方均值；
(3)提取正数部分的平方均值和负数的平方均值中最小的值，作为分块图像的噪声强度；
所述的求出差值直方图中差值范围为[-Th,Th]中的正数部分的平方均值的具体公式：
Y＝(12*H1+22*H2+32*H3+…+Th2*HTh)/(H1+H2+H3+…+HTh),
其中H1、H2、H3、…、HTh分别表示差值为1、2、3、…、Th的像素数，Y表示平方均值；
所述的求出差值直方图中差值范围为[-Th,Th]中的负数部分的平方均值的具体公式：
Y＝[(-1)2*H-1+(-2)2*H-2+(-3)2*H-3+…+(-Th)2*H-Th]/(H-1+H-2+H-3+…+H-Th),
其中H-1、H-2、H-3、…、H-Th分别表示差值为-1、-2、-3、…、-Th的像素数，Y表示平方均值。
2.根据权利要求1所述的高斯噪声的图像噪声强度估计方法，其特征在于：所述的步骤2中对分块图像进行滤波为对分块图像进行中值滤波或者均值滤波。
3.根据权利要求1所述的高斯噪声的图像噪声强度估计方法，其特征在于：所述图像为RGB彩色图像，对图像进行分块处理，按照步骤3的方法分别求出分块图像中R通道、G通道和B通道的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中R通道、G通道和B通道的噪声强度，将所有分块图像中R通道、G通道和B通道的噪声强度进行对比，选取其中最小值作为图像的噪声强度。
4.根据权利要求1所述的高斯噪声的图像噪声强度估计方法，其特征在于：所述图像为YUV420图像，对图像进行分块处理，按照步骤3的方法分别求出分块图像中Y分量、U分量和V分量的差值直方图，再按照步骤4和步骤5的方法分别求出分块图像中Y分量、U分量和V分量的噪声强度，Y分量去噪时采取Y分量的噪声强度值，UV分量去噪时采取U分量和V分量的噪声强度值中最小值。
CN201710498956.2A 2017-06-27 2017-06-27 一种高斯噪声的图像噪声强度估计方法 Active CN107230208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710498956.2A CN107230208B (zh) 2017-06-27 2017-06-27 一种高斯噪声的图像噪声强度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710498956.2A CN107230208B (zh) 2017-06-27 2017-06-27 一种高斯噪声的图像噪声强度估计方法

Publications (2)

Publication Number Publication Date
CN107230208A CN107230208A (zh) 2017-10-03
CN107230208B true CN107230208B (zh) 2020-10-09

Family

ID=59935270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710498956.2A Active CN107230208B (zh) 2017-06-27 2017-06-27 一种高斯噪声的图像噪声强度估计方法

Country Status (1)

Country Link
CN (1) CN107230208B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109084885A (zh) * 2018-08-14 2018-12-25 中国科学院上海高等研究院 一种机械设备振动检测系统、方法、可读存储介质及终端
CN109584204B (zh) * 2018-10-15 2021-01-26 上海途擎微电子有限公司 一种图像噪声强度估计方法、存储介质、处理及识别装置
CN109639929B (zh) * 2019-01-11 2020-10-30 珠海全志科技股份有限公司 图像降噪方法、计算机装置及计算机可读存储介质
CN110930332B (zh) * 2019-11-22 2020-12-01 河北工程大学 一种基于人工智能的数字全息图像去噪方法
CN111754493A (zh) * 2020-06-28 2020-10-09 北京百度网讯科技有限公司 图像噪点强度评估方法、装置、电子设备及存储介质
CN115170507B (zh) * 2022-07-06 2022-11-08 鄄城鑫磊交通工程材料有限公司 基于图像数据的注浆管表面缺陷检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1809175A (zh) * 2005-01-17 2006-07-26 华为技术有限公司 一种视频质量评估方法
CN101504769A (zh) * 2009-03-23 2009-08-12 上海君观信息技术有限公司 一种基于编码器框架的自适应性的噪声强度估计的方法
CN102025674A (zh) * 2009-09-21 2011-04-20 中兴通讯股份有限公司 降低削峰噪声干扰的方法与装置
CN102368821A (zh) * 2011-10-20 2012-03-07 浙江工商大学 一种噪声强度自适应的视频去噪方法和系统
CN104881635A (zh) * 2015-05-05 2015-09-02 昆明理工大学 非高斯二维Gabor滤波器图像纹理提取及识别方法
US9449371B1 (en) * 2014-03-06 2016-09-20 Pixelworks, Inc. True motion based temporal-spatial IIR filter for video

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7522661B2 (en) * 2004-07-26 2009-04-21 Tektronix, Inc. Method of producing a two-dimensional probability density function (PDF) eye diagram and Bit Error Rate eye arrays
CN101807298B (zh) * 2010-01-22 2011-11-30 陕西师范大学 确定图像中斑点噪声强度的方法
CN103812447B (zh) * 2014-02-18 2016-08-17 清华大学 高斯白噪声发生方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1809175A (zh) * 2005-01-17 2006-07-26 华为技术有限公司 一种视频质量评估方法
CN101504769A (zh) * 2009-03-23 2009-08-12 上海君观信息技术有限公司 一种基于编码器框架的自适应性的噪声强度估计的方法
CN102025674A (zh) * 2009-09-21 2011-04-20 中兴通讯股份有限公司 降低削峰噪声干扰的方法与装置
CN102368821A (zh) * 2011-10-20 2012-03-07 浙江工商大学 一种噪声强度自适应的视频去噪方法和系统
US9449371B1 (en) * 2014-03-06 2016-09-20 Pixelworks, Inc. True motion based temporal-spatial IIR filter for video
CN104881635A (zh) * 2015-05-05 2015-09-02 昆明理工大学 非高斯二维Gabor滤波器图像纹理提取及识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于分块局部二值模式的图像检索研究;王锋 等;《微电子学与计算机》;20140531;第31卷(第5期);第21-23、27页 *

Also Published As

Publication number Publication date
CN107230208A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107230208B (zh) 一种高斯噪声的图像噪声强度估计方法
US10424054B2 (en) Low-illumination image processing method and device
Yun et al. Image enhancement using a fusion framework of histogram equalization and Laplacian pyramid
CN110246089B (zh) 基于非局域均值滤波的Bayer域图像降噪系统及其方法
CN110796615B (zh) 一种图像去噪方法、装置以及存储介质
Pei et al. A median filter method for image noise variance estimation
WO2011011445A1 (en) System and method for random noise estimation in a sequence of images
CN112862753B (zh) 噪声强度估计方法、装置及电子设备
EP2816526B1 (en) Filtering method and apparatus for recovering an anti-aliasing edge
CN115984148B (zh) 一种高通量基因测序数据的去噪增强方法
Rahman et al. Gaussian noise reduction in digital images using a modified fuzzy filter
CN111179186A (zh) 一种保护图像细节的图像去噪系统
CN105631854A (zh) 一种基于fpga平台的自适应图像清晰度评价算法
CN100367770C (zh) 一种去除视频孤立噪声点的方法
CN112053302A (zh) 高光谱图像的去噪方法、装置及存储介质
CN109064413B (zh) 图像对比度增强方法及采用其的图像采集医疗设备
van Zyl Marais et al. Robust defocus blur identification in the context of blind image quality assessment
Patvardhan et al. Document image denoising and binarization using Curvelet transform for OCR applications
CN105809677B (zh) 一种基于双边滤波器的图像边缘检测方法及系统
Safonov et al. Adaptive sharpening of photos
CN115829967A (zh) 一种工业金属表面缺陷图像去噪和增强方法
RU2405200C2 (ru) Способ и устройство быстрого фильтрования шума цифровых изображений
Sari et al. Development of denoising method for digital image in low-light condition
Chandpa et al. Comparative study of linear and non-linear contrast enhancement techniques
Chen et al. A pilot study on a new image enhancement method using spatial statistics

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