CN108154480B - 一种基于Adaboosting算法思想的图像去噪方法及装置 - Google Patents

一种基于Adaboosting算法思想的图像去噪方法及装置 Download PDF

Info

Publication number
CN108154480B
CN108154480B CN201611103030.0A CN201611103030A CN108154480B CN 108154480 B CN108154480 B CN 108154480B CN 201611103030 A CN201611103030 A CN 201611103030A CN 108154480 B CN108154480 B CN 108154480B
Authority
CN
China
Prior art keywords
filter
pixel
image
weight
noise
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
CN201611103030.0A
Other languages
English (en)
Other versions
CN108154480A (zh
Inventor
麻建
许飞月
陈乐焱
陶波
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.)
Guangdong Kingpoint Data Science And Technology Co ltd
Original Assignee
Guangdong Kingpoint Data Science And Technology Co ltd
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 Guangdong Kingpoint Data Science And Technology Co ltd filed Critical Guangdong Kingpoint Data Science And Technology Co ltd
Priority to CN201611103030.0A priority Critical patent/CN108154480B/zh
Publication of CN108154480A publication Critical patent/CN108154480A/zh
Application granted granted Critical
Publication of CN108154480B publication Critical patent/CN108154480B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于Adaboosting算法思想的图像去噪方法，其包括：步骤a，选定滤波器集合F以及参数范围；步骤b，初始化像素权重；步骤c，进入循环处理，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；步骤d，生成‘强去噪图像’；步骤e，改变滤波器类型。还公开了一种与基于Adaboosting算法思想的图像去噪方法相对应的装置。这样，采用Adaboost图像去噪法，考虑了各个‘弱滤波器’的效果，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。

Description

一种基于Adaboosting算法思想的图像去噪方法及装置
技术领域
本发明属于图像处理中的图像去噪技术领域，具体涉及一种基于Adaboosting算法思想的图像去噪方法及装置。
背景技术
图像处理中，噪声会对我们的图像产生极大的影响，增加我们提取图像信息的难度，因此图像去噪技术在图像处理中至关重要。传统的图像去噪方式有空间滤波器和频率滤波器，一般的图像去噪过程只会应用给定参数下的一种滤波器，而且大部分滤波器在给定参数情况下只可以有效过滤一种噪声，因此在处理未知噪声或者多种噪声时，单一的滤波器不能达到很好地去噪效果。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于Adaboosting算法思想的图像去噪方法，其包括：
步骤a，选定滤波器集合F以及参数范围；
步骤b，初始化像素权重，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；
步骤c，进入循环处理，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；
步骤d，生成“ 强去噪图像”，根据循环处理中计算的滤波器权重，将权重、像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值。
步骤e，改变滤波器类型，从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的”强去噪图像”的差别。
较佳的，所述步骤c包括：
步骤c1，判断循环条件；
判断循环次数m是否达到循环次数设定值n，当m＜n+1时，进入循环处理，否则跳出循环；
步骤c2，计算带有噪声的原始图像对应滤波器清晰度误差；
步骤c3，计算带有噪声的原始图像对应的滤波器权重；
对于已知噪声的原始图像，滤波器权重计算公式为am＝log((1-errm)/errm)。
步骤c4，更新带有噪声的原始图像的各个像素的权重；
步骤c5，增加循环次数；
每次循环次数增加1，m＝m+1，回到步骤c1，判断循环条件还是否满足；
较佳的，所述步骤c2中计算滤波器清晰度误差的计算公式为：
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)
其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)|
+|Pm(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
较佳的，所述步骤c4中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))。
较佳的，所述步骤d中对于未知噪声的原始图像“强去噪图像”像素为
Photo(i,j)＝M*∑amPm(i,j)
i＝1,2,…,M1,j＝1,2,…,M2,M＝M1*M2
对于已知噪声的原始图像像素，其计算公式为：
Photoi＝M*∑amPmii＝1,2,…,M。
本申请还提出一种与以上任一所述的基于Adaboosting算法思想的图像去噪方法对应的装置，其包括：
选定滤波器集合以及参数范围模块；
初始化像素权重模块，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；
循环处理模块，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；
“强去噪图像”生成模块，根据循环处理中计算的滤波器权重，将权重、像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值；
改变滤波器类型模块，从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的“ 强去噪图像”的差别。
较佳的，所述循环处理模块包括：
循环条件判断单元；
通过判断循环次数m是否达到设定的循环次数n，当m＜n+1时，循环继续，否则循环条件不满足，跳出循环；
对应滤波器清晰度误差计算单元；
对应的滤波器权重计算单元；
对于已知噪声的原始图像或未知噪声的原始图像，滤波器权重计算公式都为am＝log((1-errm)/errm)；
更新图像各个像素的权重单元；
循环次数增加单元，每次循环次数增加1，m＝m+1，回到循环条件判断单元31，判断循环条件还是否满足。
较佳的，所述滤波器清晰度误差计算单元中计算滤波器清晰度误差的计算公式为：
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑w(i,j)
其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)|
+|Pm(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
较佳的，所述滤波器权重计算单元中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))。
较佳的，所述强去噪图像生成模块中对于未知噪声的原始图像“强去噪图像”像素为
Photo(i,j)＝M*∑amPm(i,j)
i＝1,2,…,M1,j＝1,2,…,M2,M＝M1*M2
对于已知噪声的原始图像像素，其计算公式为：
Photoi＝M*∑amPmii＝1,2,…,M。
与现有技术比较本发明的有益效果在于：采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明实施例一的一种基于Adaboosting算法思想的图像去噪方法的步骤图；
图2为本发明实施例一的一种基于Adaboosting算法思想的图像去噪方法的流程图；
图3为本发明实施例二的一种基于Adaboosting算法思想的图像去噪方法的步骤c的步骤图；
图4为本发明实施例四的一种基于Adaboosting算法思想的图像去噪装置的功能示意图；
图5为本发明实施例五的一种基于Adaboosting算法思想的图像去噪装置的循环处理模块的功能示意图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例一
图1为本发明一种基于Adaboosting算法思想的图像去噪方法的步骤图，其中，所述一种基于Adaboosting算法思想的图像去噪方法包括：
步骤a：选定滤波器集合F以及参数范围；
根据相应的经验或者相关的信息选择要使用的滤波器类型，滤波器类型最好涵盖空间滤波器以及频率滤波器，一般最后选用的滤波器类型的单一过滤效果是比较好的；选定滤波器集合F，记录需要使用的对应的含参数‘弱滤波器’种类，例如F＝{谐波均值滤波器，中值滤波器，中点滤波器，巴特沃思低通滤波器，高斯高通滤波器}；同时，参数范围应该选用具有代表性或者特殊性的取值集合。
步骤b：初始化像素权重；
一般每个像素的权重设置都为wi＝1/M，i＝1,2,…,M，M为像素数，即等比分配；或者根据已知信息自行选择适当的权重作为初始权重。
步骤c：进入循环处理；
根据选择的滤波器集合中滤波器的数目设置循环处理次数，在每次循环中使用对应的滤波器对施加像素权重后的噪声图像进行处理并得到处理后的图像，根据对应的公式计算滤波器清晰度误差errm和相应的滤波器权重am以及更新后各个像素的权重wi，如图2所示。
步骤d：确定“ 强去噪图像”；
根据循环处理中计算的滤波器权重am值，将权重，像素数M与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值，并据此生成最终的去噪图像。
步骤e：改变滤波器类型；
该步骤是从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的“ 强去噪图像”的差别。
采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。
实施例二
图3为步骤c中对带有噪声的原始图像去噪循环步骤，其包括：
步骤c1，判断循环条件；
判断循环次数m是否达到循环次数设定值n，当m＜n+1时，进入循环处理，否则跳出循环。
步骤c2，计算带有噪声的原始图像对应滤波器清晰度误差；
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为：
errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)
其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)|
+|P(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
步骤c3，计算带有噪声的原始图像对应的滤波器权重；
对于已知噪声的原始图像，滤波器权重计算公式为am＝log((1-errm)/errm)。
步骤c4，更新带有噪声的图像的各个像素的权重；
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))。
步骤c4，增加循环次数；
每次循环次数增加1，m＝m+1，回到步骤c1，判断循环条件还是否满足。
实施例三
如上所述的基于Adaboosting算法思想的图像去噪方法，本实施例与其不同之处在于，步骤d中对于未知噪声的原始图像“强去噪图像”像素为：
Photo(i,j)＝M*∑amPm(i,j)
i＝1,2,…,M1,j＝1,2,…,M2,M＝M1*M2
对于已知噪声的原始图像像素，其计算公式为：
Photoi＝M*∑amPmii＝1,2,…,M。
实施例四
本实施例为一种基于Adaboosting算法思想的图像去噪装置，其与所述的基于Adaboosting算法思想的图像去噪方法相对应，如图4所示，其包括：
选定滤波器集合F以及参数范围模块1，根据相应的经验或者相关的信息选择要使用的滤波器类型，滤波器类型最好涵盖空间滤波器以及频率滤波器，一般最后选用的滤波器类型的单一过滤效果是比较好的；选定滤波器集合F，记录需要使用的对应的含参数‘弱滤波器’种类，例如F＝{谐波均值滤波器，中值滤波器，中点滤波器，巴特沃思低通滤波器，高斯高通滤波器}；同时，参数范围应该选用具有代表性或者特殊性的取值集合。
初始化像素权重模块2，一般每个像素的权重设置都为wi＝1M或w(i,j)＝1M， M为像素数，即等比分配；或者根据已知信息自行选择适当的权重作为初始权重。
循环处理模块3，根据选择的滤波器集合中滤波器的数目设置循环处理次数，在每次循环中使用对应的滤波器对施加像素权重后的噪声图像进行处理并得到处理后的图像，根据对应的公式计算误差errm和相应的滤波器权重am以及更新后各个像素的权重wi。
“强去噪图像”生成模块4，根据循环处理模块3中计算的滤波器权重am值，将滤波器权重am，像素数M与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值，并据此生成最终的去噪图像。
改变滤波器类型模块5，该模块是从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的”强去噪图像”的差别。
基于Adaboosting算法思想的图像去噪装置，采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。
实施例五
图5为如上所述的循环处理模块3，其包括
循环条件判断单元31；
通过判断循环次数m是否达到设定的循环次数n，当m＜n+1时，循环继续，否则循环条件不满足，跳出循环；
对应滤波器清晰度误差计算单元32；
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为：
errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)
其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)|
+|Pm(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
对应的滤波器权重计算单元33；
对于已知噪声的原始图像或未知噪声的原始图像，滤波器权重计算公式都为am＝log((1-errm)/errm)；
更新图像各个像素的权重单元34；
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))；
循环次数增加单元35；每次循环次数增加1，m＝m+1，回到循环条件判断单元31，判断循环条件还是否满足。
实施例六
如上所述的基于Adaboosting算法思想的图像去噪装置，本实施例与其不同之处在于，所述的强去噪图像生成模块5中：
对于未知噪声的原始图像，强去噪图像像素计算公式为：
Photo(i,j)＝M*∑amPm(i,j)
i＝1,2,…,M1,j＝1,2,…,M2,M＝M1*M2
对于已知噪声的原始图像像素，强去噪图像像素计算公式为：
Photoi＝M*∑amPmii＝1,2,…,M。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (10)

1.一种基于Adaboosting算法思想的图像去噪方法，其特征在于，包括：
步骤a，选定滤波器集合F以及参数范围；
步骤b，初始化像素权重，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；
步骤c，进入循环处理，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重，其中，对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差，m为循环次数，n为循环次数设定值，errm为滤波器清晰度误差；
步骤d，生成“ 强去噪图像”，根据循环处理中计算的滤波器权重，将权重、像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值；
步骤e，改变滤波器类型，从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的“ 强去噪图像”的差别。
2.根据权利要求1所述的基于Adaboosting算法思想的图像去噪方法，其特征在于，所述步骤c包括：
步骤c1，判断循环条件；
判断循环次数m是否达到循环次数设定值n，当m＜n+1时，进入循环处理，否则跳出循环；
步骤c2，计算带有噪声的原始图像对应滤波器清晰度误差errm；
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差，m为循环次数，n为循环次数设定值；
步骤c3，计算带有噪声的原始图像对应的滤波器权重；
对于已知噪声的原始图像，滤波器权重计算公式为am＝log((1-errm)/errm)；
步骤c4，更新带有噪声的原始图像的各个像素的权重；
步骤c5，增加循环次数；
每次循环次数增加1，m＝m+1，回到步骤c1，判断循环条件还是否满足。
3.根据权利要求2所述的基于Adaboosting算法思想的图像去噪方法，其特征在于，所述步骤c2中计算滤波器清晰度误差的计算公式还包括：
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为
errn＝∑∑w(i，j)*I(h(i，j)＞e)/∑∑w(i，j)
其中w(i，j)为各个像素的初始化权重，且w(i，j)＝1/M，Pm(i，j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)|+|Pm(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
4.根据权利要求3所述的基于Adaboosting算法思想的图像去噪方法，其特征在于，所述步骤c4中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))。
5.根据权利要求4所述的基于Adaboosting算法思想的图像去噪方法，其特征在于，所述步骤d中对于未知噪声的原始图像“强去噪图像”像素为
Photo(i,j)＝M*∑amPm(i,j)
i＝1,2,…,M1,j＝1,2,…,M2,M＝M1*M2
对于已知噪声的原始图像像素，其计算公式为：
Photoi＝M*∑amPmi i＝1,2,…,M。
6.一种与权利要求1-5中任一所述的基于Adaboosting算法思想的图像去噪方法对应的装置，其特征在于，所述基于Adaboosting算法思想的图像去噪装置包括：
选定滤波器集合以及参数范围模块；
初始化像素权重模块，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；
循环处理模块，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；
“强去噪图像”生成模块，根据循环处理中计算的滤波器权重，将权重、像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值；
改变滤波器类型模块，从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的“ 强去噪图像”的差别。
7.根据权利要求6所述的基于Adaboosting算法思想的图像去噪装置，其特征在于，所述循环处理模块包括：
循环条件判断单元；
通过判断循环次数m是否达到设定的循环次数n，当m＜n+1时，循环继续，否则循环条件不满足，跳出循环；
对应滤波器清晰度误差计算单元；
对应的滤波器权重计算单元；
对于已知噪声的原始图像或未知噪声的原始图像，滤波器权重计算公式都为am＝log((1-errm)/errm)；
更新图像各个像素的权重单元；
循环次数增加单元，每次循环次数增加1，m＝m+1，回到循环条件判断单元31，判断循环条件还是否满足。
8.根据权利要求7所述的基于Adaboosting算法思想的图像去噪装置，其特征在于，所述滤波器清晰度误差计算单元中计算滤波器清晰度误差的计算公式为：
对于已知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑wi*I(|ki-Pmi|＞e)/∑wi
其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
对于未知噪声原始图像，对应滤波器清晰度误差计算公式为
errm＝∑∑w(i，j)*I(h(i，j)＞e)/∑∑w(i，j)
其中w(i，j)为各个像素的初始化权重，且w(i，j)＝1/M，Pm(i，j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；
h(i，j)＝|Pm(i，j)-Pm(i，j-1)|+|Pm(i，j)-Pm(i，j+1)| +|Pm(i，j)-Pm(i+1，j)|+|Pm(i，j)-Pm(i-1，j)|。
9.根据权利要求8所述的基于Adaboosting算法思想的图像去噪装置，其特征在于，所述滤波器权重计算单元中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：
对于已知噪声的原始图像，更新像素的权重公式为
wi＝wi*exp(am*I(|ki-Pmi|＞e))
对于未知噪声的原始图像，更新像素的权重公式为
w(i，j)＝w(i，j)*exp(am*I(h(i，j)＞e))。
10.根据权利要求9所述的基于Adaboosting算法思想的图像去噪方法，其特征在于，所述强去噪图像生成模块中对于未知噪声的原始图像“强去噪图像”像素为
Photo(i，j)＝M*∑amPm(i，j)
i＝1，2，…，M1，j＝1，2，…，M2，M＝M1*M2
对于已知噪声的原始图像像素，其计算公式为：
Photoi＝M*∑amPmi i＝1，2，…，M。
CN201611103030.0A 2016-12-05 2016-12-05 一种基于Adaboosting算法思想的图像去噪方法及装置 Active CN108154480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611103030.0A CN108154480B (zh) 2016-12-05 2016-12-05 一种基于Adaboosting算法思想的图像去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611103030.0A CN108154480B (zh) 2016-12-05 2016-12-05 一种基于Adaboosting算法思想的图像去噪方法及装置

Publications (2)

Publication Number Publication Date
CN108154480A CN108154480A (zh) 2018-06-12
CN108154480B true CN108154480B (zh) 2020-11-06

Family

ID=62470487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611103030.0A Active CN108154480B (zh) 2016-12-05 2016-12-05 一种基于Adaboosting算法思想的图像去噪方法及装置

Country Status (1)

Country Link
CN (1) CN108154480B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877124A (zh) * 2009-04-28 2010-11-03 北京捷科惠康科技有限公司 一种医学图像的滤波方法及系统
CN103141099B (zh) * 2010-10-01 2016-10-26 杜比实验室特许公司 用于参考图片处理的优化的滤波器的选择

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024033B2 (en) * 2001-12-08 2006-04-04 Microsoft Corp. Method for boosting the performance of machine-learning classifiers

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877124A (zh) * 2009-04-28 2010-11-03 北京捷科惠康科技有限公司 一种医学图像的滤波方法及系统
CN103141099B (zh) * 2010-10-01 2016-10-26 杜比实验室特许公司 用于参考图片处理的优化的滤波器的选择

Also Published As

Publication number Publication date
CN108154480A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN106709877B (zh) 一种基于多参数正则优化模型的图像去模糊方法
US9406108B2 (en) Deblurring of an image from a sequence of images
CN110210524B (zh) 一种图像增强模型的训练方法、图像增强方法及装置
CN104992415B (zh) 一种基于全变差和小波变换的图像去噪方法及系统
CN110675317B (zh) 基于学习和自适应三边滤波正则化的超分辨率重建方法
KR20140145801A (ko) 신경망을 이용한 영상의 화질 개선 시스템 및 방법
CN111815537B (zh) 一种新型图像盲解去模糊方法
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN104616259B (zh) 一种噪声强度自适应的非局部均值图像去噪方法
CN107451986B (zh) 一种基于融合技术的单幅红外图像增强方法
JP2009271725A (ja) 画像復元装置、画像復元方法及び画像復元プログラム
CN107590781B (zh) 基于原始对偶算法的自适应加权tgv图像去模糊方法
CN115965552B (zh) 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN108154480B (zh) 一种基于Adaboosting算法思想的图像去噪方法及装置
CN113298232B (zh) 一种基于深度学习神经网络的红外光谱盲自去卷积方法
CN112330566B (zh) 图像去噪的方法、装置及计算机存储介质
CN111147804A (zh) 一种视频帧重建方法
CN114972081A (zh) 一种基于盲复原的复杂光学成像条件下图像复原方法
Su et al. Defocused image restoration using RBF network and iterative Wiener filter in wavelet domain
Sun et al. Adaptive bilateral filter considering local characteristics
Tsai et al. An improved adaptive deconvolution algorithm for single image deblurring
Smolka et al. On the reduction of mixed Gaussian and impulsive noise in heavily corrupted color images
CN110796607A (zh) 一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法
US20230033458A1 (en) Device and method for image processing
Dash et al. Restoration of images corrupted with blur and impulse noise

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An image denoising method and device based on adaboosting algorithm

Effective date of registration: 20211022

Granted publication date: 20201106

Pledgee: Agricultural Bank of China Limited Dongcheng Branch of Guangzhou

Pledgor: GUANGDONG KINGPOINT DATA SCIENCE AND TECHNOLOGY Co.,Ltd.

Registration number: Y2021440000320

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20221230

Granted publication date: 20201106

Pledgee: Agricultural Bank of China Limited Dongcheng Branch of Guangzhou

Pledgor: GUANGDONG KINGPOINT DATA SCIENCE AND TECHNOLOGY Co.,Ltd.

Registration number: Y2021440000320

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An image denoising method and device based on the idea of Adaboosting algorithm

Effective date of registration: 20230131

Granted publication date: 20201106

Pledgee: Agricultural Bank of China Limited Dongcheng Branch of Guangzhou

Pledgor: GUANGDONG KINGPOINT DATA SCIENCE AND TECHNOLOGY Co.,Ltd.

Registration number: Y2023440020017