CN107615331A - 用于支持基于邻域块降维的图像去噪的系统和方法 - Google Patents
用于支持基于邻域块降维的图像去噪的系统和方法 Download PDFInfo
- Publication number
- CN107615331A CN107615331A CN201580080033.4A CN201580080033A CN107615331A CN 107615331 A CN107615331 A CN 107615331A CN 201580080033 A CN201580080033 A CN 201580080033A CN 107615331 A CN107615331 A CN 107615331A
- Authority
- CN
- China
- Prior art keywords
- pixel
- group
- denoising
- image processing
- characterization value
- 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 124
- 230000009467 reduction Effects 0.000 title description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 85
- 238000003384 imaging method Methods 0.000 claims description 82
- 238000012935 Averaging Methods 0.000 claims description 30
- 230000003595 spectral effect Effects 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims 14
- 230000000694 effects Effects 0.000 claims 2
- 239000013598 vector Substances 0.000 description 46
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 241000272173 Calidris Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20012—Locally adaptive
Abstract
本发明公开了可以支持图像处理装置的系统和方法。所述图像处理装置操作用于获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素。而且,所述图像处理装置可以获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素。另外,所述图像处理装置操作用于使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。继而,所述图像处理装置可以基于所确定的所述去噪像素与所述去噪参考像素之间的相似度来计算所述去噪像素的去噪值。
Description
版权声明
本专利文档的公开内容的一部分包含受版权保护的材料。版权所有者并不反对任何人对与专利商标局的专利文件或记录一致的专利文档或专利公开的拓制,但除此之外保留一切版权权利。
技术领域
所公开的实施方式总体上涉及数字图像信号处理,更具体地涉及图像去噪,但并不仅限于此。
背景技术
随着更快和更高分辨率图像传感器的发展,现代相机变得越来越全能和强大。例如,基于像素的电荷耦合装置(CCD)和互补金属氧化物半导体(CMOS)图像传感器广泛用于现代数字图像系统中。
这是本发明的实施方式旨在涉及的总体领域。
发明内容
本文描述了可以支持图像处理装置的系统和方法。所述图像处理装置操作用于获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素。而且,所述图像处理装置可以获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素。另外,所述图像处理装置操作用于使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。继而,所述图像处理装置可以基于所述去噪像素与所述去噪参考像素之间确定的相似度来计算所述去噪像素的去噪值。
附图说明
图1是根据本发明各个实施方式,支持基于邻域块降维的图像去噪的示例性图示。
图2是根据本发明各个实施方式,用于对RGB图像中的像素进行去噪的滤波窗的示例性图示。
图3是根据本发明各个实施方式,支持针对邻域块的降维的示例性图示。
图4是根据本发明各个实施方式,使用选择性平均方法来执行降维的示例性图示。
图5(a)-5(d)图示了根据本发明各个实施方式,RGB图像中的不同类型的示例性邻域块。
图6是根据本发明各个实施方式,支持针对图5(a)中的邻域块的降维的示例性图示。
图7是根据本发明各个实施方式,支持针对图5(b)中的邻域块的降维的示例性图示。
图8是根据本发明各个实施方式,在邻域块中保留边缘线的示例性图示。
图9是根据本发明各个实施方式,支持针对图5(c)中的邻域块的降维的示例性图示。
图10是根据本发明各个实施方式,支持针对图5(d)中的邻域块的降维的示例性图示。
图11示出了根据本发明各个实施方式,支持基于邻域块降维的图像去噪的流程图。
具体实施方式
在附图的各个图中通过示例而非通过限制的方式图示了本发明,其中相似的附图标号指代类似的元件。应当注意,本公开内容中所提及的“一种”、“一个”或“一些”实施方式不一定是指同一实施方式,并且这样的提及意指至少一个。
本发明的如下描述使用RGB图像格式作为数字图像格式的示例。对于本领域技术人员将会显而易见的是,可以不加限制地使用其他类型的数字图像格式。
图像去噪
图像采集过程可以使用图像传感器来采集各种图像信息。例如,可以将颜色滤波阵列(CFA)或颜色滤波马赛克(color filter mosaic,CFM)放置于CCD和CMOS图像传感器之上。CFA或CFM包含微小滤色器的马赛克,所述马赛克容易向拍摄的图像中引入噪声。
根据本发明的各个实施方式,图像处理可以对拍摄的图像执行各种去噪操作。去噪操作可以是基于像素,或者基于图像块。例如,使用专用集成电路(ASIC)容易实现诸如双边滤波法等基于像素的去噪方法。另一方面,可以使用诸如非局部均值算法等基于图像块的去噪方法来获取具有更优质量的数字图像。
例如,非局部均值算法可以应用于具有噪声(例如,v={v(i)|i∈I})的数字图像(I),诸如数字图像(I)中的去噪像素
(i)。使用以下公式,可以基于图像(I)中的所有其他像素的加权贡献而确定去噪图像像素的值NL[v](i)。
针对去噪参考像素(j)的权重函数w(i,j)可以满足以下权重条件。
0≤w(i,j)≤1
另外,可以基于去噪像素(i)与去噪参考像素(j)之间的相似度来确定针对去噪参考像素(j)的权重函数w(i,j)。
例如,可以将所述相似度定义为两个向量与之间的距离,其中是代表与去噪像素(i)相关联的(诸如其周边的)邻域块的多维向量,而是代表与去噪参考像素(j)相关联的邻域块的多维向量。
因此,可以使用以下公式来确定针对去噪参考像素(j)的权重函数w(i,j)。
其中Z(i)是可以使用以下公式定义的归一化常量。
邻域块降维
图1是根据本发明各个实施方式,支持基于邻域块降维的图像去噪的示例性图示。如图1中所示,成像过程100可以使用滤波窗110来对图像中的像素101进行去噪,所述图像例如为Bayer(马赛克)图像。
根据本发明的各个实施方式,滤波窗110包括可以用于对像素101进行去噪的多个去噪参考像素(例如,像素102)。
当滤波窗(Ωi)110用于对具有噪声(v={v(i)|i∈I})的数字图像中的像素(i)101进行去噪时,针对去噪像素(i)101的去噪图像像素值(NL[v](i))可以使用以下公式确定。
可以基于滤波窗(Ωi)110中的去噪像素(i)101与去噪参考像素(j)102之间的相似度120来确定权重函数w(i,j)。
例如,可以将相似度120定义为两个向量与之间的距离,其中是代表去噪像素(i)101周边的邻域块111的多维向量,而是代表去噪参考像素(j)102周边的邻域块112的多维向量。
为了简化计算过程,可以使用以下公式,基于直线距离(即,L1距离)来确定权重函数w(i,j)。
其中Z(i)是可以使用以下公式定义的归一化常量。
在图1中所示的示例中,由于邻域块101和邻域块102都是三乘三(3×3)块,因此向量和都是多维向量。使用以上公式,可能需要进行十七次(3×3+8)加法/减法运算来计算针对去噪参考像素(j)的权重函数w(i,j)。因此,由于滤波窗(Ωi)110是七乘七(7×7)块,可能需要八百三十三次(17×7×7)运算以使用滤波窗(Ωi)110来计算去噪像素(i)101的去噪值。
根据本发明的各个实施方式,系统可以通过利用邻域块降维特征来进一步减少对图像中的像素101进行去噪的计算量。
如图1中所示,系统可以使用包括一组表征值的表征向量(Pi)121来代表一组像素,诸如与去噪像素(i)101相关联的邻域块111中的像素。而且,系统可以使用包括一组表征值的表征向量(Pj)122来代表一组像素,诸如与去噪参考像素(j)102相关联的邻域块112中的像素。此外,表征向量(Pi)121和表征向量(Pj)122可以用于代表未限制于规则邻域块内的像素,诸如不规则邻域块、具有不同大小的邻域块或者甚至具有离散形式的邻域块中的像素。
可以使用以下公式,将取决于去噪像素(i)101与去噪参考像素(j)102之间的相似度的权重函数w(i,j)定义为两个表征向量Pi与Pj之间的距离。
其中Z(i)是可以使用以下公式定义的归一化常量。
在RGB图像的情况下,表征向量(Pi和Pj)全都可能包括四(4)个颜色分量。成像过程100可能需要七(4+3)次运算来确定去噪像素(i)101与去噪参考像素(j)102之间的相似度。因此,可能需要三百四十三次(7×7×7)运算以使用滤波窗(Ωi)110来计算去噪像素(i)101的去噪值,所述滤波窗(Ωi)110是七乘七(7×7)块。
因此,通过利用邻域块降维特征,系统可以显著减少用于确定去噪像素(i)101与去噪参考像素(j)102之间的相似度的计算量,并从而减少使用滤波窗(Ωi)110来计算去噪像素(i)101的去噪值的计算量。
图2是根据本发明各个实施方式,用于对RGB图像中的像素进行去噪的滤波窗的示例性图示。如图2中所示,成像过程可以使用滤波窗210来对RGB图像200中的去噪像素201执行去噪操作。
根据本发明的各个实施方式,RGB图像200中的去噪像素201可以具有不同颜色。在图2中所示的示例中,位于滤波窗210中心的去噪像素201是红色像素(R)。一般而言,去噪像素201可以不加限制地是RGB图像200中的红色像素(R)、蓝色像素(B)或绿色像素(Gr或Gb)。
如图2中所示,对去噪像素201与去噪参考像素(例如,202和203)之间的相似度的确定可以基于不同的邻域块(211-212和221-222)。
邻域块的大小可以不同。例如,邻域块211和212都是三乘三(3×3)块,而邻域块221和222都是五乘五(5×5)块。而且,邻域块222可以包括位于滤波窗210之外的像素。
此外,邻域块可以具有不同的几何形状,诸如多边形、圆形、椭圆形或者诸如立方体或球体等其他规则形状。而且,邻域块可以是各种不规则形状。
图3是根据本发明各个实施方式,支持针对邻域块的降维的示例性图示。如图3中所示,成像过程300可以基于具有中心像素310的邻域块301而确定表征向量302,所述中心像素310可以是去噪像素或者去噪参考像素。
根据本发明的各个实施方式,表征向量302可以包括对应于图像所使用的颜色模型中的不同颜色的各种颜色分量。
例如,当图像是RGB图像时,表征向量302可以包括针对红色的红色分量针对绿色的绿色分量和针对蓝色的蓝色分量因此,可以使用以下公式来表示表征向量302。
此外,表征向量可以包括灰阶分量在这种情况下,可以使用以下公式来表示表征向量302。
根据本发明的各个实施方式,可以采用不同方法来确定表征向量302中的各种颜色分量。
例如,可以基于与邻域块301中的中心像素310相关联的颜色的值来确定表征向量302中的颜色分量。
另外,可以使用非选择性平均方法来确定表征向量302中的颜色分量。
当邻域块301之中具有与表征向量302中的颜色分量相关联的颜色的一组像素仅构成穿过该邻域块301的中心像素310的一个方向(例如,313或314)时,可以使用非选择性平均方法来确定该颜色分量。
而且,当邻域块301之中具有与表征向量302中的颜色分量相关联的颜色的一组像素在该邻域块301中基本上为各向同性时,可以使用非选择性平均方法来确定该颜色分量。
此外,当邻域块301之中具有与表征向量302中的颜色分量相关联的颜色的一组像素构成该邻域块中的多个方向(例如,311-312)时,可以使用选择性平均方法来确定该颜色分量。
根据本发明的各个实施方式,成像过程300可以支持基于方向性判断的选择性平均方法。例如,基于梯度的选择性平均方法可以对具有与颜色分量相关联的颜色的像素子集进行平均计算。这里,所述像素子集可以与邻域像素块301中具有最小梯度的方向(311或312)相关联。
图4是根据本发明各个实施方式,使用选择性平均方法来支持降维的示例性图示。如图4中所示,成像过程400可以基于方向性判断而对邻域块中具有相同颜色的像素应用选择性平均方法。
在步骤401中,成像过程400可以在邻域块中沿着不同方向计算具有相同颜色的像素的梯度。在步骤402中,成像过程400可以比较不同方向的梯度以获取最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
在步骤403中,成像过程400可以将最大梯度和最小梯度之间的差值(即,|grad_max-grad_min|)与阈值(例如TH)进行比较。
在步骤404中,如果最大梯度和最小梯度之间的差值小于或等于阈值(即,|grad_max-grad_min|<=TH),则成像过程400可以使用非选择性平均方法来计算沿着多个方向的像素的平均值。
否则,(即,如果|grad_max-grad_min|>TH),在步骤405中,成像过程400可以选择沿着具有最小梯度的方向的像素。继而,在步骤406中,成像过程400可以计算沿着选定方向的像素(即,沿着具有最小梯度的方向的像素)的平均值。
图5(a)-5(d)图示了根据本发明各个实施方式,RGB图像中的不同类型的示例性邻域块。图5(a)示出了具有位于邻域块中心的红色像素(R)的三乘三(3×3)邻域块。图5(b)示出了具有位于邻域块中心的绿色像素(Gr)的三乘三(3×3)邻域块。图5(c)示出了具有位于邻域块中心的蓝色像素(B)的三乘三(3×3)邻域块。图5(d)示出了具有位于邻域块中心的绿色像素(Gb)的三乘三(3×3)邻域块。
图6是根据本发明各个实施方式,支持针对图5(a)中的邻域块的降维的示例性图示。如图6中所示,成像过程600可以确定RGB图像中的邻域块601的表征向量602。
表征向量602可以包括各种颜色分量,诸如与红色相关联的分量与绿色相关联的分量与蓝色相关联的分量
如图6中所示,邻域块601中的中心像素610是红色像素(R5)。因此,可以基于红色像素R5的值而确定表征向量602中与红色相关联的分量
此外,邻域块601中的蓝色像素(B1、B3、B7和B9)构成穿过中心像素(R5)610的多个方向。如图6中所示,方向611涉及蓝色像素(B1和B9),而方向612涉及蓝色像素(B3和B7)。
为了确定与蓝色相关联的分量成像过程600可以计算方向611的梯度(例如,grad_B1)和方向612的梯度(例如,grad_B2)。继而,成像过程600可以基于梯度grad_B1和grad_B2来确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程600可以使用选择性平均方法来确定与蓝色相关联的分量例如,如果沿着方向611的grad_B1小于沿着方向612的grad_B2,则成像过程600可以选择蓝色像素(B1和B9)。而且,如果沿着方向611的grad_B1大于沿着方向612的grad_B2,则成像过程600可以选择蓝色像素(B3和B7)。如果沿着方向611的grad_B1等于沿着方向612的grad_B2,则成像过程600可以选择蓝色像素(B1和B9)或蓝色像素(B3和B7)。继而,成像过程600可以使用选定的蓝色像素的平均值来确定与蓝色相关联的分量
否则,如果|grad_max-grad_min|<=TH,成像过程600可以基于邻域块601中的蓝色像素(B1、B3、B7和B9)的平均值,使用非选择性平均方法来确定与蓝色相关联的分量
还如图6中所示,邻域块601中的绿色像素(Gb2、Gr4、Gr6和Gb8)构成穿过中心像素(R5)610的多个方向。方向613涉及绿色像素(Gb2和Gb8),而方向614涉及绿色像素(Gr4和Gr6)。
为了确定与绿色相关联的分量成像过程600可以计算方向613的梯度(例如,grad_G1)和方向614的梯度(例如,grad_G2)。继而,成像过程600可以基于梯度grad_G1和grad_G2来确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程600可以使用选择性平均方法来确定与绿色相关联的分量例如,如果沿着方向613的grad_G1小于沿着方向614的grad_G2,则成像过程600可以选择绿色像素(Gb2和Gb8)。而且,如果沿着方向613的grad_G1大于沿着方向614的grad_G2,则成像过程600可以选择绿色像素(Gr4和Gr6)。如果沿着方向613的grad_G1等于沿着方向614的grad_G2,则成像过程600可以选择绿色像素(Gb2和Gb8)或绿色像素(Gr4和Gr6)。继而,成像过程600可以使用选定的绿色像素的平均值来确定与绿色相关联的分量
否则,如果|grad_max-grad_min|<=TH,成像过程600可以基于邻域块601中的绿色像素(Gb2、Gr4、Gr6和Gb8)的平均值,使用非选择性平均方法来确定与绿色相关联的分量
因此,可以使用以下公式表示表征向量602。
此外,表征向量602可以包括与灰阶相关联的分量所述分量可以使用以下公式定义。
如上所示,灰阶分量解释了来自不同颜色分量的贡献,即,红色分量的贡献、绿色分量的贡献和蓝色分量的贡献。
因此,可以使用以下公式表示表征向量602。
图7是根据本发明各个实施方式,支持针对图5(b)中的邻域块的降维的示例性图示。如图7中所示,成像过程700可以确定RGB图像中的邻域块701的表征向量702。
表征向量702可以包括不同分量,诸如与红色相关联的分量与绿色相关联的分量与蓝色相关联的分量
如图7中所示,邻域块701的中心像素710是绿色像素(Gr5)。因此,可以基于绿色像素Gr5的值来确定与绿色相关联的分量
另外,蓝色像素(B2和B8)构成邻域块701中的单个方向713。因此,可以基于沿着邻域块701中的方向713的蓝色像素(B2和B8)的平均值来确定与蓝色相关联的分量
此外,红色像素(R4和R6)构成邻域块701中的单个方向714。因此,可以基于沿着邻域块701中的方向714的红色像素(R4和R6)的平均值来确定与红色相关联的分量
因此,可以使用以下公式表示表征向量702。
此外,表征向量702可以包括如以下公式所定义的、与灰阶相关联的分量
如上所示,灰阶分量解释了来自不同颜色分量的贡献,即,红色分量的贡献、绿色分量的贡献和蓝色分量的贡献。
如图7中所示,邻域块701中的绿色像素(Gb1、Gb3、Gb7和Gb9)构成穿过中心像素(Gr5)710的多个方向。成像过程700可以计算方向711的梯度(例如,grad_G1)和方向712的梯度(例如,grad_G2)。继而,成像过程700可以基于梯度grad_G1和grad_G2来确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程700可以使用选择性平均方法来确定绿色分量的贡献。例如,如果沿着方向711的grad_G1小于沿着方向712的grad_G2,则成像过程700可以选择绿色像素(Gb1和Gb9)。而且,如果沿着方向711的grad_G1大于沿着方向712的grad_G2,则成像过程700可以选择绿色像素(Gb3和Gb7)。如果沿着方向711的grad_G1等于沿着方向712的grad_G2,则成像过程700可以选择绿色像素(Gb1和Gb9)或绿色像素(Gb3和Gb7)。继而,成像过程700可以使用选定的绿色像素的平均值来确定绿色分量的贡献。
否则,如果|grad_max-grad_min|<=TH,成像过程700可以基于邻域块701中的所有绿色像素(Gb1、Gb3、Gb7和Gb9)的平均值,使用非选择性平均方法来确定绿色分量的贡献。
因此,可以使用以下公式表示表征向量702。
图8是根据本发明的各个实施方式,在邻域块中保留边缘线的示例性图示。如图8中所示,RGB图像中的边缘线810可以穿越具有绿色中心像素(Gr5)的邻域块801。
例如,像素(Gb1、B2、Gb3、R6和Gb9)可以位于浅色一侧,而像素(R4、Gr5、Gb7和B8)位于深色一侧。因此,沿着方向811的梯度应当小于沿着方向812的梯度,所述沿着方向811的梯度涉及位于边缘线810的同一侧的绿色像素(Gb1和Gb9),而所述沿着方向812的梯度涉及位于边缘线810的相对侧的绿色像素(Gb3和Gb7)。
通过使用选择性平均方法,可以基于绿色像素(Gb1和Gb9)的平均值来确定对灰阶的绿色贡献
另一方面,可以基于绿色中心像素(Gr5)的值来确定与绿色相关联的分量所述绿色中心像素的值很可能大于Gb1和Gb9的平均值(即,)。
因此,成像过程800可以避免抹平绿色中心像素(Gr5),这确保了在去噪操作过程中保留边缘线810。
图9是根据本发明的各个实施方式,支持针对图5(c)中的邻域块的降维的示例性图示。如图9中所示,成像过程900可以确定RGB图像中的邻域块901的表征向量902。
表征向量902可以包括各种颜色分量,诸如与红色相关联的分量与绿色相关联的分量与蓝色相关联的分量
如图9中所示,邻域块901中的中心像素910是蓝色像素(B5)。因此,可以基于蓝色像素B5的值而确定表征向量902中与蓝色相关联的分量
此外,邻域块901中的红色像素(R1、R3、R7和R9)构成穿过中心像素(B5)910的多个方向。如图9中所示,方向911涉及红色像素(R1和R9),而方向912涉及红色像素(R3和R7)。
为了确定与红色相关联的分量成像过程900可以计算方向911的梯度(例如,grad_R1)和方向912的梯度(例如,grad_R2)。继而,成像过程900可以基于梯度grad_R1和grad_R2而确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程900可以使用选择性平均方法来确定与红色相关联的分量例如,如果沿着方向911的grad_R1小于沿着方向912的grad_R2,则成像过程900可以选择红色像素(R1和R9)。而且,如果沿着方向911的grad_R1大于沿着方向912的grad_R2,则成像过程900可以选择红色像素(R3和R7)。如果沿着方向911的grad_R1等于沿着方向912的grad_R2,则成像过程900可以选择红色像素(R1和R9)或红色像素(R3和R7)。继而,成像过程900可以使用选定的红色像素的平均值来确定与红色相关联的分量
否则,如果|grad_max-grad_min|<=TH,成像过程900可以基于邻域块901中的红色像素(R1、R3、R7和R9)的平均值,使用非选择性平均方法来确定与红色相关联的分量
还如图9中所示,邻域块901中的绿色像素(Gr2、Gb4、Gb6和Gr8)构成穿过中心像素(B5)910的多个方向。方向913涉及绿色像素(Gr2和Gr8),而方向914涉及绿色像素(Gb4和Gb6)。
为了确定与绿色相关联的分量成像过程900可以计算方向913的梯度(例如,grad_G1)和方向914的梯度(例如,grad_G2)。继而,成像过程900可以基于梯度grad_G1和grad_G2来确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程900可以使用选择性平均方法来确定与绿色相关联的分量例如,如果沿着方向913的grad_G1小于沿着方向914的grad_G2,则成像过程600可以选择绿色像素(Gr2和Gr8)。而且,如果沿着方向913的grad_G1大于沿着方向914的grad_G2,则成像过程900可以选择绿色像素(Gb4和Gb6)。如果沿着方向913的grad_G1等于沿着方向914的grad_G2,则成像过程900可以选择绿色像素(Gr2和Gr8)或绿色像素(Gb4和Gb6)。继而,成像过程900可以使用选定的绿色像素的平均值来确定与绿色相关联的分量
否则,如果|grad_max-grad_min|<=TH,成像过程900可以基于邻域块901中的绿色像素(Gr2、Gb4、Gb6和Gr8)的平均值,使用非选择性平均方法来确定与绿色相关联的分量
因此,表征向量902可以表示如下。
此外,表征向量902可以包括与灰阶相关联的分量所述分量可以使用以下公式定义。
如上所示,灰阶分量解释了来自不同颜色分量的贡献,即,红色分量的贡献、绿色分量的贡献和蓝色分量的贡献。
因此,可以使用以下公式表示表征向量602。
图10是根据本发明的各个实施方式,支持针对图5(d)中的邻域块的降维的示例性图示。如图10中所示,成像过程1000可以确定RGB图像中的邻域块1001的表征向量1002。
表征向量1002可以包括不同分量,诸如与红色相关联的分量与绿色相关联的分量与蓝色相关联的分量
如图10中所示,邻域块1001的中心像素1010是绿色像素(Gb5)。因此,可以基于绿色像素Gb5的值而确定与绿色相关联的分量
另外,红色像素(R2和R8)构成邻域块1001中的单个方向1013。因此,可以基于沿着邻域块1001中的方向1013的红色像素(R2和R8)的平均值来确定与红色相关联的分量
此外,蓝色像素(B4和B6)构成邻域块1001中的单个方向1014。因此,可以基于沿着邻域块1001中的方向1014的蓝色像素(B4和B6)的平均值来确定与蓝色相关联的分量
因此,可以使用以下公式表示表征向量1002。
此外,表征向量1002可以包括与灰阶相关联的分量所述分量可以使用以下公式定义。
如上所示,灰阶分量解释了来自不同颜色分量的贡献,即,红色分量的贡献、绿色分量的贡献和蓝色分量的贡献。
如图10中所示,邻域块1001中的绿色像素(Gr1、Gr3、Gr7和Gr9)构成穿过中心像素(Gb5)1010的多个方向。成像过程1000可以计算方向1011的梯度(例如,grad_G1)和方向1012的梯度(例如,grad_G2)。继而,成像过程1000可以基于梯度grad_G1和grad_G2来确定最大梯度(例如,grad_max)和最小梯度(例如,grad_min)。
如果|grad_max-grad_min|>TH,则成像过程1000可以使用选择性平均方法来确定绿色分量的贡献。例如,如果沿着方向1011的grad_G1小于沿着方向1012的grad_G2,则成像过程1000可以选择绿色像素(Gr1和Gr9)。而且,如果沿着方向1011的grad_G1大于沿着方向1012的grad_G2,则成像过程1000可以选择绿色像素(Gr3和Gr7)。如果沿着方向1011的grad_G1等于沿着方向1012的grad_G2,则成像过程1000可以选择绿色像素(Gr1和Gr9)或绿色像素(Gr3和Gr7)。继而,成像过程1000可以使用选定的绿色像素的平均值来确定绿色分量的贡献。
否则,如果|grad_max-grad_min|<=TH,成像过程1000可以基于邻域块1001中的所有绿色像素(Gr1、Gr3、Gr7和Gr9)的平均值,使用非选择性平均方法来确定绿色分量的贡献。
因此,可以使用以下公式表示表征向量1002。
因此,成像过程1000可以避免抹平绿色中心像素(Gb5),并且可以在去噪操作过程中保留边缘线。
图11示出了根据本发明的各个实施方式,支持基于邻域块降维的图像去噪的流程图。如图11中所示,在步骤1101中,成像过程可以获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素。另外,在步骤1102中,成像过程可以获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素。继而,在步骤1103中,成像过程可以使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。
本发明的许多特征可以采用、使用或借助于硬件、软件、固件、或其组合来执行。因此,本发明的特征可以使用处理系统(例如,包括一个或多个处理器)来实现。示例性处理器可以包括但不限于一个或多个通用微处理器(例如,单核或多核处理器)、专用集成电路、专用指令集处理器、图形处理单元、物理处理单元、数字信号处理单元、协处理器、网络处理单元、音频处理单元、加密处理单元等。
本发明的特征可以采用、使用或借助于计算机程序产品来实现,所述计算机程序产品是具有储存在其上或其中的指令的一个或多个存储介质或者一个或多个计算机可读介质,所述指令可以用来对处理系统进行编程以执行本文所介绍的任何特征。存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微硬盘和磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪存装置、磁卡或光卡、纳米系统(包括分子存储器IC),或者适合于储存指令和/或数据的任何类型的介质或装置。
储存在一个或多个机器可读介质中的任何一个上的本发明的特征可以并入在这样的软件和/或固件中:所述软件和/或固件用于控制处理系统的硬件,以及用于使得处理系统能够与利用本发明的结果的其他机构进行交互。这样的软件或固件可以包括但不限于应用代码、装置驱动程序、操作系统和执行环境/容器。
本发明的特征还可以采用例如使用诸如专用集成电路(ASIC)和现场可编程门阵列(FPGA)装置之类的硬件部件的硬件来实现。对于相关领域技术人员而言,用于执行本文中所述的功能的硬件状态机的实现是显而易见的。
另外,本发明可以使用一个或多个常规通用或专用数字计算机、计算装置、机器或微处理器来便利地实现,所述通用或专用数字计算机、计算装置、机器或微处理器包括一个或多个处理器、存储器和/或根据本公开内容的教导而编程的计算机可读存储介质。对于软件领域的技术人员而言显而易见的是,熟练的程序员可以基于本公开内容的教导而容易地准备适当的软件编码。
虽然在上文已经描述了本发明的各种实施方式,但是应当理解,这些实施方式是通过示例的方式而非限制性地介绍的。对于相关领域技术人员显而易见的是,在不脱离本发明的精神和范围的情况下可以在其形式和细节上作出各种改变。
在上文中已经借助于功能构造块描述了本发明,所述功能构造块展示了指定功能的执行及其关系。为了方便描述,这些功能构造块的界限在本文中经常是任意限定的。只要指定功能及其关系被适当地执行,就可以限定替代的界限。任何这样的替代界限因此在本发明的范围和精神内。
出于图示和描述的目的已经提供了本发明的前文描述。其并不旨在是详尽的或将本发明限制于所公开的精确形式。本发明的广度和范围不应当由上文所述的示例性实施方式中的任何实施方式所限制。许多修改和更改对于本领域的实际从业技术人员将会是显而易见的。修改和更改包括所公开的特征的任何相关组合。选择和描述了实施方式以便最好地解释本发明的原理及其实际应用,从而使得本领域其他技术人员能够针对适于所设想的特定用途的各种实施方式和各种修改来理解本发明。本发明的范围旨在由所附权利要求及其等同项所限定。
Claims (30)
1.一种图像处理方法,包括:
获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素;
获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素;以及
使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。
2.根据权利要求1所述的图像处理方法,还包括:
使用滤波窗来对所述去噪像素进行去噪,其中所述滤波窗包括多个去噪参考像素。
3.根据权利要求2所述的图像处理方法,还包括:
为所述滤波窗中的所述多个去噪参考像素计算多个权重,其中每个所述权重与不同的去噪参考像素相关联,并且其中基于所述去噪像素与所述每个去噪参考像素之间的相似度来确定每个所述权重;以及
使用与所述多个去噪参考像素相关联的所述多个权重来计算所述去噪像素的去噪值。
4.根据权利要求1所述的图像处理方法,其中:
所述第一组像素形成第一邻域块,且所述第二组像素形成第二邻域块。
5.根据权利要求4所述的图像处理方法,其中:
所述图像基于颜色模型,并且其中每组所述表征值包括多个颜色分量,其中每个颜色分量与所述颜色模型中的不同颜色相关联。
6.根据权利要求5所述的图像处理方法,其中:
除了与所述颜色模型中的不同颜色相关联的所述多个颜色分量之外,每组所述表征值还包括灰阶分量。
7.根据权利要求5所述的图像处理方法,还包括:
基于与所述滤波窗中的邻域块中的中心像素相关联的颜色的值,确定在表示所述邻域块的一组表征值中的颜色分量。
8.根据权利要求5所述的图像处理方法,还包括:
在以下情况下使用非选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域像素块中仅构成穿过所述邻域块的中心像素的一个方向。
9.根据权利要求5所述的图像处理方法,还包括:
在以下情况下使用非选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域块中基本上是各向同性的。
10.根据权利要求5所述的图像处理方法,还包括:
在以下情况下使用基于梯度的选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域像素块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域块中构成多个方向。
11.根据权利要求10所述的图像处理方法,其中:
所述选择性平均方法操作用于计算所述邻域块中具有与所述颜色分量相关联的颜色的一个或多个像素的平均值,其中从沿着穿过所述邻域块的中心像素的、具有最小梯度的方向的一组像素中选择所述一个或多个像素。
12.根据权利要求10所述的图像处理方法,还包括:
基于所述图像中的噪声水平而配置阈值参数;以及
当所述邻域块中的所述多个方向之间的梯度差小于所述阈值参数的值时,获取所述邻域块中的所述一组像素的平均值以确定所述一组表征值中的所述颜色分量。
13.根据权利要求5所述的图像处理方法,其中:
所述颜色模型是RGB颜色模型,且所述图像是Bayer图像。
14.根据权利要求13所述的图像处理方法,还包括:
使用特殊灰阶分量来处理具有绿色中心像素的邻域块中的边缘效应。
15.一种图像处理系统,包括:
一个或多个微处理器;
运行于所述一个或多个微处理器上的成像过程,其中所述成像过程操作用于
获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素;
获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素;以及
使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。
16.根据权利要求15所述的图像处理系统,其中:
所述成像过程操作用于使用滤波窗来对所述去噪像素进行去噪,其中所述滤波窗包括多个去噪参考像素。
17.根据权利要求16所述的图像处理系统,其中:
所述成像过程操作用于
为所述滤波窗中的所述多个去噪参考像素计算多个权重,其中每个所述权重与不同的去噪参考像素相关联,并且其中基于所述去噪像素与所述每个去噪参考像素之间的相似度来确定每个所述权重;以及
使用与所述多个去噪参考像素相关联的所述多个权重来计算所述去噪像素的去噪值。
18.根据权利要求15所述的图像处理系统,其中:
所述第一组像素形成第一邻域块,且所述第二组像素形成第二邻域块。
19.根据权利要求18所述的图像处理系统,其中:
所述图像基于颜色模型,并且其中每组所述表征值包括多个颜色分量,其中每个颜色分量与所述颜色模型中的不同颜色相关联。
20.根据权利要求19所述的图像处理系统,其中:
除了与所述颜色模型中的不同颜色相关联的所述多个颜色分量之外,每组所述表征值还包括灰阶分量。
21.根据权利要求19所述的图像处理系统,其中:
所述成像过程操作用于基于与所述滤波窗中的邻域块中的中心像素相关联的颜色的值,确定在表示所述邻域块的一组表征值中的颜色分量。
22.根据权利要求19所述的图像处理系统,其中:
所述成像过程操作用于在以下情况下使用非选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域像素块中仅构成穿过所述邻域块的中心像素的一个方向。
23.根据权利要求19所述的图像处理系统,其中:
所述成像过程操作用于在以下情况下使用非选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域块中基本上是各向同性的。
24.根据权利要求19所述的图像处理系统,其中:
所述成像过程操作用于在以下情况下使用基于梯度的选择性平均方法来确定表示所述滤波窗中的邻域块的一组表征值中的颜色分量,所述情况为:所述邻域像素块中具有与所述颜色分量相关联的颜色的一组像素在所述邻域块中构成多个方向。
25.根据权利要求24所述的图像处理系统,其中:
所述选择性平均方法操作用于计算所述邻域块中具有与所述颜色分量相关联的颜色的一个或多个像素的平均值,其中从沿着穿过所述邻域块的中心像素的、具有最小梯度的方向的一组像素中选择所述一个或多个像素。
26.根据权利要求24所述的图像处理系统,其中:
所述成像过程操作用于
基于所述图像中的噪声水平而配置一阈值参数;以及
当所述邻域块中的所述多个方向之间的梯度差小于所述阈值参数的值时,获取所述邻域块中的所述一组像素的平均值以确定所述一组表征值中的所述颜色分量。
27.根据权利要求19所述的图像处理系统,其中:
所述颜色模型是RGB颜色模型,且所述图像是Bayer图像。
28.根据权利要求27所述的图像处理系统,其中:
所述成像过程操作用于使用特殊灰阶分量来处理具有绿色中心像素的邻域块中的边缘效应。
29.一种非暂时性计算机可读介质,其上存储有指令,所述指令在由处理器执行时执行包括以下各项的步骤:
获取第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素;
获取第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素;以及
使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度。
30.一种图像处理装置,包括:
第一单元,其用于获取
第一组表征值,所述第一组表征值代表与图像中的去噪像素相关联的第一组像素,以及
第二组表征值,所述第二组表征值代表与去噪参考像素相关联的第二组像素;
第二单元,其用于使用所述第一组表征值和所述第二组表征值来确定所述去噪像素与所述去噪参考像素之间的相似度;以及
第三单元,其用于基于所确定的所述去噪像素与所述去噪参考像素之间的相似度来计算所述去噪像素的去噪值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/079093 WO2016183743A1 (en) | 2015-05-15 | 2015-05-15 | System and method for supporting image denoising based on neighborhood block dimensionality reduction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107615331A true CN107615331A (zh) | 2018-01-19 |
CN107615331B CN107615331B (zh) | 2021-03-02 |
Family
ID=57319135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580080033.4A Active CN107615331B (zh) | 2015-05-15 | 2015-05-15 | 用于支持基于邻域块降维的图像去噪的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (3) | US9773297B2 (zh) |
EP (1) | EP3167429B1 (zh) |
JP (1) | JP6349614B2 (zh) |
CN (1) | CN107615331B (zh) |
WO (1) | WO2016183743A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902558B2 (en) * | 2018-05-18 | 2021-01-26 | Gopro, Inc. | Multiscale denoising of raw images with noise estimation |
GB2570528B (en) * | 2018-06-25 | 2020-06-10 | Imagination Tech Ltd | Bilateral filter with data model |
CN110211082B (zh) * | 2019-05-31 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种图像融合方法、装置、电子设备及存储介质 |
CN110796615B (zh) * | 2019-10-18 | 2023-06-02 | 浙江大华技术股份有限公司 | 一种图像去噪方法、装置以及存储介质 |
CN111062904B (zh) * | 2019-12-09 | 2023-08-11 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备和可读存储介质 |
WO2021210743A1 (ko) * | 2020-04-14 | 2021-10-21 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN116097297A (zh) * | 2020-09-02 | 2023-05-09 | Oppo广东移动通信有限公司 | 去除图像中的噪声的方法和电子设备 |
CN117057995A (zh) * | 2023-08-23 | 2023-11-14 | 上海玄戒技术有限公司 | 图像处理方法、装置、芯片、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045513A (zh) * | 2009-10-13 | 2011-05-04 | 原相科技股份有限公司 | 图像噪声滤除方法 |
CN102663719A (zh) * | 2012-03-19 | 2012-09-12 | 西安电子科技大学 | 基于非局部均值的Bayer型CFA图像去马赛克方法 |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103841388A (zh) * | 2014-03-04 | 2014-06-04 | 华为技术有限公司 | 一种去马赛克的方法及装置 |
CN103871035A (zh) * | 2014-03-24 | 2014-06-18 | 华为技术有限公司 | 图像去噪方法及装置 |
US9002136B2 (en) * | 2012-06-29 | 2015-04-07 | Samsung Electronics Co., Ltd. | Denoising apparatus, system and method |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847737B1 (en) * | 1998-03-13 | 2005-01-25 | University Of Houston System | Methods for performing DAF data filtering and padding |
EP1289309B1 (en) * | 2001-08-31 | 2010-04-21 | STMicroelectronics Srl | Noise filter for Bayer pattern image data |
FR2870071B1 (fr) * | 2004-05-05 | 2006-12-08 | Centre Nat Rech Scient Cnrse | Procede de traitement de donnees d'images, par reduction de bruit d'image, et camera integrant des moyens de mise en oeuvre de ce procede |
US7376288B2 (en) * | 2004-05-20 | 2008-05-20 | Micronas Usa, Inc. | Edge adaptive demosaic system and method |
JP2006023959A (ja) * | 2004-07-07 | 2006-01-26 | Olympus Corp | 信号処理システム及び信号処理プログラム |
US7929798B2 (en) | 2005-12-07 | 2011-04-19 | Micron Technology, Inc. | Method and apparatus providing noise reduction while preserving edges for imagers |
JP4967921B2 (ja) * | 2007-08-10 | 2012-07-04 | セイコーエプソン株式会社 | 画像処理のための装置、方法、および、プログラム |
JP5012315B2 (ja) * | 2007-08-20 | 2012-08-29 | セイコーエプソン株式会社 | 画像処理装置 |
KR101389562B1 (ko) | 2007-11-15 | 2014-04-25 | 삼성전자주식회사 | 이미지 처리 장치 및 방법 |
US8135237B2 (en) | 2008-02-25 | 2012-03-13 | Aptina Imaging Corporation | Apparatuses and methods for noise reduction |
US8280185B2 (en) | 2008-06-27 | 2012-10-02 | Microsoft Corporation | Image denoising techniques |
JP5220677B2 (ja) * | 2009-04-08 | 2013-06-26 | オリンパス株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
US8638395B2 (en) * | 2009-06-05 | 2014-01-28 | Cisco Technology, Inc. | Consolidating prior temporally-matched frames in 3D-based video denoising |
TWI399079B (zh) * | 2009-09-18 | 2013-06-11 | Altek Corp | Noise Suppression Method for Digital Image |
TWI393073B (zh) | 2009-09-21 | 2013-04-11 | Pixart Imaging Inc | 影像雜訊濾除方法 |
US20110075935A1 (en) | 2009-09-25 | 2011-03-31 | Sony Corporation | Method to measure local image similarity based on the l1 distance measure |
KR101674078B1 (ko) | 2009-12-16 | 2016-11-08 | 삼성전자 주식회사 | 블록 기반의 영상 잡음 제거 방법 및 장치 |
US8345130B2 (en) | 2010-01-29 | 2013-01-01 | Eastman Kodak Company | Denoising CFA images using weighted pixel differences |
US20120200754A1 (en) | 2011-02-09 | 2012-08-09 | Samsung Electronics Co., Ltd. | Image Noise Reducing Systems And Methods Thereof |
US8417047B2 (en) | 2011-03-01 | 2013-04-09 | Microsoft Corporation | Noise suppression in low light images |
US8879841B2 (en) | 2011-03-01 | 2014-11-04 | Fotonation Limited | Anisotropic denoising method |
TWI500482B (zh) | 2011-03-24 | 2015-09-21 | Nat Univ Tsing Hua | 利用離心資源之真空裝置 |
CN103679639B (zh) * | 2012-09-05 | 2017-05-24 | 北京大学 | 基于非局部均值的图像去噪方法和装置 |
CN102930519B (zh) * | 2012-09-18 | 2015-09-02 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测差异图生成方法 |
JP6071419B2 (ja) * | 2012-10-25 | 2017-02-01 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
KR101990540B1 (ko) | 2012-10-31 | 2019-06-18 | 삼성전자주식회사 | 이미지 프로세싱 방법, 그 이미지 신호 프로세서 및 이를 포함하는 이미지 센싱 시스템 |
CN103020908B (zh) | 2012-12-05 | 2015-09-09 | 华为技术有限公司 | 图像降噪的方法和设备 |
CN103927729A (zh) * | 2013-01-10 | 2014-07-16 | 清华大学 | 图像处理方法及图像处理装置 |
CN103491280B (zh) | 2013-09-30 | 2016-01-20 | 上海交通大学 | 一种拜耳图像联合去噪插值方法 |
JP5861248B1 (ja) | 2014-04-20 | 2016-02-16 | 彰一 村瀬 | スクロール動作に連動して連続的に変化する電子絵本 |
CN104010114B (zh) * | 2014-05-29 | 2017-08-29 | 广东威创视讯科技股份有限公司 | 视频去噪方法和装置 |
CN104202583B (zh) | 2014-08-07 | 2017-01-11 | 华为技术有限公司 | 图像处理装置和方法 |
US9852353B2 (en) * | 2014-11-12 | 2017-12-26 | Adobe Systems Incorporated | Structure aware image denoising and noise variance estimation |
-
2015
- 2015-05-15 JP JP2016554733A patent/JP6349614B2/ja not_active Expired - Fee Related
- 2015-05-15 WO PCT/CN2015/079093 patent/WO2016183743A1/en active Application Filing
- 2015-05-15 EP EP15874390.6A patent/EP3167429B1/en active Active
- 2015-05-15 CN CN201580080033.4A patent/CN107615331B/zh active Active
-
2016
- 2016-11-11 US US15/349,773 patent/US9773297B2/en active Active
-
2017
- 2017-06-09 US US15/619,121 patent/US10026154B2/en active Active
-
2018
- 2018-06-22 US US16/015,436 patent/US10515438B2/en not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045513A (zh) * | 2009-10-13 | 2011-05-04 | 原相科技股份有限公司 | 图像噪声滤除方法 |
CN102663719A (zh) * | 2012-03-19 | 2012-09-12 | 西安电子科技大学 | 基于非局部均值的Bayer型CFA图像去马赛克方法 |
US9002136B2 (en) * | 2012-06-29 | 2015-04-07 | Samsung Electronics Co., Ltd. | Denoising apparatus, system and method |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103841388A (zh) * | 2014-03-04 | 2014-06-04 | 华为技术有限公司 | 一种去马赛克的方法及装置 |
CN103871035A (zh) * | 2014-03-24 | 2014-06-18 | 华为技术有限公司 | 图像去噪方法及装置 |
Non-Patent Citations (2)
Title |
---|
LI-LI XING等: "The Algorithms about Fast Non-local Means Based Image Denoising", 《ACTA MATHEMATICAE APPLICATAE SINICA,ENGLISH SERIES》 * |
赵婧娟: "基于自适应反馈的低照度图像降噪与彩色差值算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)计算机软件及计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
US20180322619A1 (en) | 2018-11-08 |
EP3167429B1 (en) | 2019-12-25 |
WO2016183743A1 (en) | 2016-11-24 |
US9773297B2 (en) | 2017-09-26 |
EP3167429A1 (en) | 2017-05-17 |
JP6349614B2 (ja) | 2018-07-04 |
CN107615331B (zh) | 2021-03-02 |
JP2017518546A (ja) | 2017-07-06 |
US10026154B2 (en) | 2018-07-17 |
US20170061585A1 (en) | 2017-03-02 |
EP3167429A4 (en) | 2017-08-02 |
US20170337666A1 (en) | 2017-11-23 |
US10515438B2 (en) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107615331A (zh) | 用于支持基于邻域块降维的图像去噪的系统和方法 | |
EP2268043B1 (en) | Image processing device, imaging device, method, and program | |
KR20130000828A (ko) | 얼굴 피쳐 검출 방법 | |
US20100166305A1 (en) | Method for detecting and correcting chromatic aberration, and apparatus and method for processing image using the same | |
JP2006191607A (ja) | デジタル撮影装置の色補間法 | |
JP6163029B2 (ja) | 画像処理装置およびその方法 | |
CN112446830A (zh) | 一种图像色边的处理方法、装置、存储介质及电子设备 | |
JP5223912B2 (ja) | 撮像装置、および焦点判定プログラム | |
JP5898428B2 (ja) | 画像処理装置及びその制御方法 | |
JP5818568B2 (ja) | 画像処理装置及びその制御方法 | |
JP2011155365A (ja) | 画像処理装置および画像処理方法 | |
CN104346599B (zh) | 一种色彩边缘的检测方法及图像处理设备 | |
CN107517367B (zh) | 拜尔域图像插值方法、装置、图像处理芯片及存储装置 | |
CN105681774A (zh) | 一种图像处理的方法及终端 | |
KR20080085227A (ko) | 인간 시각 시스템에 기초한 결함 화소 검출을 위한 방법 및장치 | |
JP6481323B2 (ja) | 画像評価装置、画像評価システム、及び画像処理プログラム | |
WO2022014251A1 (ja) | 情報処理装置、補正方法、プログラム | |
TW201031175A (en) | Calibration method of image color distortion | |
JP5142942B2 (ja) | 電子透かし検出方法、その装置及びそのプログラム | |
JP2012137958A (ja) | 画像処理装置、撮像装置、画像処理方法およびプログラム | |
CN115630682A (zh) | 对抗样本生成方法、装置、设备、介质及网络训练方法 | |
Jeon | Noise Model Analysis on Image Sensor Arrays | |
JP2002232903A (ja) | 画像補間装置 | |
KR20150130030A (ko) | 중간값 집계를 이용한 디지털 카메라의 컬러 필터 배열 판별 방법 및 장치 | |
JP2004015646A (ja) | 相違箇所表示方法、相違箇所表示装置、コンピュータプログラム及び記録媒体 |
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 |