CN108805840B - 图像去噪的方法、装置、终端及计算机可读存储介质 - Google Patents
图像去噪的方法、装置、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108805840B CN108805840B CN201810593301.8A CN201810593301A CN108805840B CN 108805840 B CN108805840 B CN 108805840B CN 201810593301 A CN201810593301 A CN 201810593301A CN 108805840 B CN108805840 B CN 108805840B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- image block
- low
- denoising
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims 2
- 238000001914 filtration Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 230000009466 transformation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请属于图像处理技术领域,尤其涉及一种图像去噪的方法、装置、终端及计算机可读存储介质,其中,所述方法包括:将待处理的高分辨率图像分割成多个第一图像块;利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像,有效地减少了图像去噪处理带来的图像失真,提高了图像质量,同时提高了图像去噪处理速度。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种图像去噪的方法、装置、终端及计算机可读存储介质。
背景技术
图像在获取和传输的过程中,会叠加各种各样的噪声,例如,椒盐噪声和高斯噪声等等,严重影响了图像质量。
目前,去除噪声的方法有双线性滤波、中值滤波和小波变换等方法,但是,这些图像去噪方法在去除图像噪声的同时,还可能导致图像发生失真,无法有效提高图像质量。
发明内容
本申请实施例提供一种图像去噪的方法、装置、终端及计算机可读存储介质,可以解决去除图像噪声的同时导致图像发生失真的技术问题。
本申请实施例第一方面提供一种图像去噪的方法,包括:
将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;
利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;
将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像。
本申请实施例第二方面提供一种图像去噪的装置,包括:
分割单元,用于将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;
去噪单元,用于利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;
拼接单元,用于将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像。
本申请实施例第三方面提供一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
本申请实施例第四方面提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例中,通过先将待处理的高分辨率图像分割成多个第一图像块,以便利用训练好的生成对抗网络对每个第一图像块进行去噪处理,得到去除噪声的第一高分辨率图像,有效地减少了图像去噪处理带来的图像失真,提高了图像质量,同时提高了图像去噪处理速度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请实施例提供的一种图像去噪的方法的实现流程示意图;
图2是本申请实施例提供的一种图像去噪的方法步骤102的实现流程示意图;
图3是本申请实施例提供的同时获得多个第一图像块对应的去除噪声的第二图像块的示意图;
图4是本申请实施例提供的训练生成对抗网络的方法的实现流程示意图;
图5是本申请实施例提供的图像去噪的装置的结构示意图;
图6是本申请实施例提供的终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
数字图像在获取、传输的过程中都可能会受到噪声的污染,常见的噪声主要有高斯噪声和椒盐噪声。其中,高斯噪声主要是由摄像机传感器元器件内部产生的,椒盐噪声主要是由图像切割所产生的黑白相间的亮暗点噪声,“椒”表示黑色噪声,“盐”表示白色噪声。图像去噪的过程就是从噪声图像中复原原始图像,以提高图像的质量。
目前,常见的图像去噪方法有双线性滤波、中值滤波、小波变换和快速傅里叶变换等方法,这些图像去噪方法具有去噪速度快的特点,但是,这些图像去噪方法在去除图像噪声的同时,也有可能导致图像发生失真。
例如,利用小波变换对待处理图像进行去噪处理时,图像噪声处在高频带(小波变换系数较小);而图像信息主要处在低频带(小波变换系数较大)。但是,由于图像的边缘等高频信息同样会产生与噪声相似的小的小波系数,因此,在滤除较小的小波系数现实图像噪声的抑制时,图像中高频信息的变换系数也已经丢失,不可避免的模糊了图像特征,即,导致图像发生失真。
本申请实施例中,通过先将待处理的高分辨率图像分割成多个第一图像块,再利用训练好的生成对抗网络对每个第一图像块进行去噪处理,得到去除噪声的第一高分辨率图像,有效地减少了图像去噪处理带来的图像失真,提高了图像质量。
如图1示出了本申请实施例提供的一种图像去噪的方法实现流程示意图,该方法应用于终端,可以由终端上配置的图像去噪的装置执行,适用于需提高图像清晰度,减少图像去噪带来图像失真的情形,包括步骤101至步骤104。
步骤101中,将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像。
图像分辨率用于指示图像中存储的信息量的多少,单位为像素每英寸(PixelsPer Inch,PPI),表示每英寸图像内有多少个像素点。
本申请实施例中,将图像分辨率大于设定阈值的图像定义为高分辨率图像,将图像分辨率小于或等于设定阈值的图像定义为低分辨率图像,以便在判断待处理图像为高分辨率图像时,对其分割成多个第一图像块。
需要说明的是,上述设定阈值可以根据用户实际需求进行设定,也可以根据所述终端的数据处理能力进行设定,例如,终端的数据处理能力强,表示一次性可以处理的数据量比较多,此时,上述设定阈值可以适当的设置得比较大一些,例如,设置上述设定阈值为800PPI;对于数据处理能力较弱的终端,则可以将上述设定阈值适当的设置得比较小一些,例如,设置上述设定阈值为400PPI或600PPI。
本申请实施例中,对待处理的高分辨率图像分割成多个第一图像块是为了在进行图像去噪处理时,一个训练好的生成对抗网络一次可以只对一个第一图像块进行去噪处理,而不需要对整个待处理的高分辨率图像进行图像去噪处理,提高了利用训练好的生成对抗网络对图像进行去噪处理的处理速度。
本申请的一些实施方式中,将待处理的高分辨率图像分割成多个第一图像块包括:将上述待处理的高分辨率图像分割成与训练好的生成对抗网络被训练时输入的图像的像素个数相同的多个第一图像块,以便利用训练好的生成对抗网络对上述待处理的高分辨率图像对应的第一图像块进行去噪处理。其中,上述生成对抗网络被训练时输入的图像大小可以为11个像素点乘以11个像素点或者13个像素点乘以13个像素点的图像大小。需要说明的是,这仅仅是对上述第一图像块的分割大小进行举例说明,不表示为对本申请保护范围的限制,在本申请的其他实施方式中,上述第一图像块的分割大小还可以根据实际应用进行设定,例如,上述第一图像块的分割大小为2i×2i,i为大于1的整数。
在将待处理的高分辨率图像分割成多个第一图像块的过程中,可以通过矩形窗口的移动进行图像分割,该矩形窗口在高分辨率图像上进行移动,每移动一次,确定一个新的第一图像块,移动的步长可以等于第一图像块的尺寸也可以小于第一图像块的尺寸,例如,移动的步长可以为第一图像块的尺寸的三分之一。
步骤102中,利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块。
也就是说,在对待处理高分辨图像进行去噪处理的过程中,是利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,而不是直接对整个待处理高分辨图像进行处理。
其中,利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块的过程中,可以利用多个相同的训练好的生成对抗网络同时对多个不同的第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,以进一步提高图像去噪处理的速度。
需要说明的是,本申请的一些实施方式中,也可以利用训练好的生成对抗网络直接对需要进行去噪处理的待处理低分辨图像进行去噪处理,生成去除噪声的低分辨率图像。
由于生成对抗网络对低分辨率图像进行去噪处理的速度已经可以满足用户需求了,并不需要再次对低分辨率图像进行分割成多个第一图像块之后,对每个第一图像块进行去噪处理。因此,在对待处理低分辨图像进行去噪处理时,不对低分辨图像进行分割成多个第一图像块进行去噪处理,而是直接对需要进行去噪处理的待处理低分辨图像进行去噪处理。
步骤103中,将所有上述第二图像块进行拼接,得到去除噪声的第一高分辨率图像。
本申请实施例中,将所有上述第二图像块进行拼接的过程可以看成是对待处理的高分辨率图像分割成多个第一图像块的逆过程,即,将每个第二图像块还原成去除噪声的第一高分辨率图像。
例如,在采用矩形窗口的移动对待处理的高分辨率图像进行图像分割时,若矩形窗口在高分辨率图像上每次移动的步长等于第一图像块的尺寸,则在对每个第二图像块进行拼接,得到去除噪声的第一高分辨率图像时,可以采用类似拼图的方式对第二图像块进行拼接。
若矩形窗口在高分辨率图像上每次移动的步长等于第一图像块的尺寸的三分之一,则对每个第二图像块进行拼接之前,需要对每个第二图像块中存在重合的部分进行处理,得到该重合部分去除噪声的图像后,以拼图的方式对第二图像块进行拼接。
例如,对每个第二图像块中存在重合的部分的每个像素的像素值求平均作为该像素去除噪声后的像素值,或者,对每个第二图像块中存在重合的部分的每个像素的像素值取中间值作为该像素去除噪声后的像素值。
又例如,若矩形窗口在高分辨率图像上每次移动的步长等于第一图像块的尺寸的三分之一,矩形窗口第一次覆盖像素点A得到的第一图像块中,该第一图像块去噪后,像素点A对应的像素值为219;在矩形窗口第二次覆盖像素点A得到的第一图像块中,该第一图像块去噪后,像素点A对应的像素值为219;在矩形窗口第三次覆盖像素点A得到的第一图像块中,该第一图像块去噪后,像素点A对应的像素值为216;则包含该像素点A的每个第二图像块对像素点A的像素值求平均得到的像素值为218,即218作为该像素点A去除噪声后的像素值,或者,包含该像素点A的每个第二图像块对像素点A的像素值取中间值为219,即219作为该像素点A去除噪声后的像素值。这种方式相当于对待处理的高分辨率图像除边缘以外的每个像素点进行了三次去噪处理,进一步地减少了图像去噪带来的图像失真,提高了图像质量。
一般地,利用生成对抗网络对高分辨率图像进行去噪处理,可以降低图像去噪处理带来的图像失真。但是,这种图像去噪方法的计算量较大,去噪效率较低,不适合对大量的高分辨率图像进行去噪处理。
本申请实施例中,通过先将待处理的高分辨率图像分割成多个第一图像块,再利用训练好的生成对抗网络对每个第一图像块进行去噪处理,以减少图像去噪处理带来的图像失真,得到去除噪声的第一高分辨率图像,有效提高了图像质量,并且,与此同时,由于利用训练好的生成对抗网络对每个第一图像块进行去噪处理的处理速度要比利用生成对抗网络对整个待处理的高分辨率图像进行去噪处理的速度快,因此,本申请实施例中,通过生成对抗网络对图像进行去噪处理提高图像质量的同时,还提高了图像去噪处理的效率。
可选的,在本申请的一些实施方式中,如图2所示,上述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:步骤201至步骤202。
在步骤201中,计算第一图像块中基准图像块以及与基准图像块相邻的多个相邻图像块的相似度。
在步骤202中,若存在相邻图像块与上述基准图像块的相似度大于预设阈值,则利用训练好的生成对抗网络对上述基准图像块或者与上述基准图像块相邻且与基准图像块的相似度大于预设阈值的相邻图像块进行去噪处理,生成去除噪声的第三图像块,该第三图像块为基准图像块以及与基准图像块相邻且与基准图像块的相似度大于预设阈值的相邻图像块对应的第二图像块。
由于将待处理的高分辨率图像分割成多个第一图像块之后,即形成了多个图像碎片,此时,会出现一些图像碎片非常相同的情况,例如,待处理的高分辨率图像中的目标对象包括成片的天空或绿地,则相邻图像块之间有可能存在相似度很高的情况。
如图3所示,将待处理的高分辨率图像30分割成多个第一图像块时,该第一图像块包括A11、A12、A13、A14、A15和A16,其中,与基准图像块A12相邻的多个相邻图像块为A11、A13和A15;与基准图像块A15相邻的多个相邻图像块为A12、A14、A16和A18。
也就是说,以第一图像块中的任意一个图像块为基准图像块时,与该基准图像块相邻的多个图像块可以为位于该基准图像块上方、下方、左方和右方的图像块。
通过计算基准图像块A12以及与基准图像块A12相邻的多个相邻图像块A11、A13和A15的相似度,可以得出存在相邻图像块A11与基准图像块A12的相似度大于预设阈值,此时,只需利用训练好的生成对抗网络对基准图像块A12或者与基准图像块相邻且与基准图像块的相似度大于预设阈值的相邻图像块A11进行去噪处理,生成去除噪声的第三图像块(即第二图像块)。
也就是说,通过上述方式可以同时得到上述基准图像块以及与上述基准图像块相邻且与基准图像块的相似度大于预设阈值的相邻图像块对应的第二图像块,即,同时获得多个第一图像块的去除噪声的第二图像块。避免了需要分别利用训练好的生成对抗网络对基准图像块以及与上述基准图像块相邻且与基准图像块的相似度大于预设阈值的相邻图像块进行去噪处理带来重复计算的问题,提高了图像去噪处理的效率。
在本申请的一些实施方式中,上述将待处理的高分辨率图像分割成多个第一图像块,包括:利用至少一种滤波器对待处理的高分辨率图像进行去噪处理,生成去除噪声的至少一个第二高分辨率图像;计算每个第二高分辨率图像与所述待处理的高分辨率图像之间的第二峰值信噪比PSNR2和第二结构相似性SSIM2;若PSNR2均小于第一阈值且SSIM2均小于第二阈值,则将待处理的高分辨率图像分割成多个第一图像块。
例如,利用双线性滤波、中值滤波和小波变换对待处理的高分辨率图像进行去噪处理,生成去除噪声的三个第二高分辨率图像;计算这三个第二高分辨率图像与上述待处理的高分辨率图像之间的三组第二峰值信噪比PSNR2和第二结构相似性SSIM2;若这三组第二峰值信噪比PSNR2均小于第一阈值且这三组第二结构相似性SSIM2均小于第二阈值,则将待处理的高分辨率图像分割成多个第一图像块。
需要说明的是,此处只是对上述滤波器进行举例说明,不表示为对本申请保护范围的限制。在本申请的一些实施方式中,还可以采用更多种类或更少种类的滤波器对待处理的高分辨率图像进行去噪处理,并得到相应的去除噪声的第二高分辨率图像,以便计算所述第二高分辨率图像与上述待处理的高分辨率图像之间的第二峰值信噪比PSNR2和第二结构相似性SSIM2,并在第二峰值信噪比PSNR2均小于第一阈值且第二结构相似性SSIM2均小于第二阈值时,将待处理的高分辨率图像分割成多个第一图像块,利用训练好的生成对抗网络对待处理的高分辨率图像进行去噪处理。
其中,峰值信噪比PSNR和结构相似性SSIM是图像相似度的比较指标,PSNR越大或者SSIM越大,表示图像相似度越大,失真程度越低。其区别在于,PSNR基于图像像素灰度值进行统计分析,受到人类视觉特性的差异性影响,通常出现的评价结果与人的主要感觉不一致,但是,由于其简单的计算方法和清晰的物理意义,使得其仍然被广泛使用。SSIM是一种衡量两幅图像的结构相似性的指标,在评价图像质量上更能符合人类的视觉特性。
峰值信噪比PSNR的计算公式为:均方误差其中,fij,fij’分别代表待处理高分辨率图像的像素值和去除噪声后的高分辨率图像的像素值,M,N分别表示高分辨率图像的高和宽,bits表示每个像素点对应的二进制位数,一般为8,即,用8个比特位表示一个像素。
结构相似性SSIM基于的原理是自然影像是高度结构化的,领域像素具有较强的关联性。并且,SSIM分别从亮度l(x,y)、对比度c(x,y)、结构相似性差异s(x,y)三方面度量图像的相似,并且,
上述第一阈值与第二阈值的取值可以根据经验进行确定。
可选的,若存在PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值,则将PSNR2大于或等于第一阈值,或者SSIM2大于或等于第二阈值对应的第二高分辨率图像作为所述待处理的高分辨率图像进行去噪处理得到的去除噪声的第一高分辨率图像。
例如,在本申请的一些实施方式中,先利用去噪处理速度较快的双线性滤波、中值滤波和小波变换对待处理的高分辨率图像进行去噪处理,在得到去除噪声的三个第二高分辨率图像时,再分别计算这三个第二高分辨率图像与待处理的高分辨率图像之间的三组第二峰值信噪比PSNR2和第二结构相似性SSIM2,以便判断这三个第二高分辨率图像是否存在失真程度较小的图像,若存在PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值,则表示PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值对应的双线性滤波、中值滤波和/或小波变换方法能够较好地实现对该待处理图像的去噪,因此,直接将PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值对应的第二高分辨率图像作为所述待处理的高分辨率图像进行去噪处理得到的去除噪声的第一高分辨率图像,以减少利用训练好的生成对抗网络对待处理的高分辨率图像进行去噪带来的计算量。
需要说明的是,这里可以是依次利用双线性滤波、中值滤波和小波变换对待处理的高分辨率图像进行去噪处理,若均出现图像失真则利用训练好的生成对抗网络对待处理的高分辨率图像进行去噪处理。也可以是在双线性滤波、中值滤波和小波变换中随机选择一种方法对待处理的高分辨率图像进行去噪处理,若出现图像失真则利用训练好的生成对抗网络对待处理的高分辨率图像进行去噪处理。
在本申请的一些实施方式中,上述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块之前,需要先得到训练好的生成对抗网络。如图4示出了本申请实施例提供的生成训练好的生成对抗网络的方法的实现流程示意图,包括步骤401至步骤404。
步骤401中,采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,其中,所述有噪声低分辨率样本图像和无噪声低分辨率样本图像是指图像分辨率小于或等于所述设定阈值的有噪声样本图像和无噪声样本图像。
上述设定阈值可以根据用户实际需求进行设定,也可以根据所述终端的数据处理能力进行设定,例如,终端的数据处理能力强,表示一次性可以处理的数据量比较多,此时,上述设定阈值可以适当的设置得比较大一些,例如,设置上述设定阈值为800PPI;对于数据处理能力较弱的终端,则可以将上述设定阈值适当的设置得比较小一些,例如,设置上述设定阈值为400PPI或600PPI。
本申请实施例中,成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像可以是对无噪声的低分辨率样本图像加入多种噪声得到有噪声低分辨率样本图像。
可选的,上述采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,还包括:在无噪声高分辨样本图像中添加噪声,生成与无噪声高分辨样本图像对应的有噪声高分辨样本图像;将无噪声高分辨样本图像和有噪声高分辨样本图像对应分割成多个有噪声低分辨率样本图像和无噪声低分辨率样本图像,生成成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像。
步骤402中,将上述有噪声低分辨率样本图像和上述无噪声低分辨率样本图像输入至生成对抗网络中。
步骤403中,利用上述有噪声低分辨率样本图像对生成对抗网络中的生成网络进行训练,生成待鉴别低分辨率样本图像。
步骤404中,生成对抗网络中的鉴别网络利用上述无噪声低分辨率样本图像对上述待鉴别低分辨率样本图像是否是真实数据进行鉴别,并将鉴别结果输入至生成对抗网络中的生成网络,对上述生成网络进行调整,直至上述鉴别网络无法鉴别出生成网络生成的待鉴别低分辨率样本图像是否是真实数据时,得到训练好的生成对抗网络。
生成对抗网络中的生成网络G通过对输入的有噪声低分辨率样本图像进行学习,生成新的图像,即,待鉴别低分辨率样本图像,由生成对抗网络中的鉴别网络利用上述无噪声低分辨率样本图像对上述待鉴别低分辨率样本图像进行比对,判断待鉴别低分辨率样本图像是否是真实数据,以便收敛网络,直至生成网络G生成与无噪声低分辨率样本图像相同的低分辨率样本图像。即,上述鉴别网络无法鉴别出生成网络生成的待鉴别低分辨率样本图像是否是真实数据后,得到训练好的生成对抗网络。
在本申请的一些实施方式中,上述将所有第二图像块进行拼接,得到去除噪声的第一高分辨率图像之后,包括:计算上述第一高分辨率图像与待处理的高分辨率图像之间的第一峰值信噪比PSNR1和第一结构相似性SSIM1;若PSNR1大于或等于第一阈值,或者SSIM1大于或等于第二阈值,则利用上述第一高分辨率图像和上述待处理的高分辨率图像对训练好的生成对抗网络进行优化,得到优化后的生成对抗网络;相应的,上述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:利用优化后的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块。
也就是说,在利用训练好的生成对抗网络进行图像去噪处理的同时,不断利用去噪处理之后获得的成对的有噪声高分辨率样本图像和无噪声高分辨率样本图像对训练好的生成对抗网络进行优化,使得训练好的生成对抗网络的去噪精确度越来越好。
图5示出了本申请实施例提供的一种图像去噪的装置500的结构示意图,包括分割单元501、去噪单元502和拼接单元503。
分割单元501,用于将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;
去噪单元502,用于利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;
拼接单元503,用于将所有上述第二图像块进行拼接,得到去除噪声的第一高分辨率图像。
在本申请的一些实施方式中,上述去噪单元包括:计算第一图像块中基准图像块以及与上述基准图像块相邻的多个相邻图像块的相似度;若存在相邻图像块与上述基准图像块的相似度大于预设阈值,则利用训练好的生成对抗网络对上述基准图像块或者与上述基准图像块相邻且与上述基准图像块的相似度大于预设阈值的相邻图像块进行去噪处理,生成去除噪声的第三图像块,上述第三图像块为上述基准图像块以及与上述基准图像块相邻且与上述基准图像块的相似度大于预设阈值的相邻图像块对应的第二图像块。
在本申请的一些实施方式中,上述图像去噪的装置500还包括优化单元,用于在将所有上述第二图像块进行拼接,得到去除噪声的第一高分辨率图像之后,计算上述第一高分辨率图像与上述待处理的高分辨率图像之间的第一峰值信噪比PSNR1和第一结构相似性SSIM1;若PSNR1大于或等于第一阈值,或者SSIM1大于或等于第二阈值,则利用上述第一高分辨率图像和上述待处理的高分辨率图像对上述训练好的生成对抗网络进行优化,得到优化后的生成对抗网络;相应的,上述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:利用优化后的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块。
上述分割单元501,具体用于利用至少一种滤波器对待处理的高分辨率图像进行去噪处理,生成去除噪声的至少一个第二高分辨率图像;计算每个第二高分辨率图像与所述待处理的高分辨率图像之间的第二峰值信噪比PSNR2和第二结构相似性SSIM2;若PSNR2均小于第一阈值且SSIM2均小于第二阈值,则将待处理的高分辨率图像分割成多个第一图像块。
例如,利用双线性滤波、中值滤波和小波变换对待处理的高分辨率图像进行去噪处理,生成去除噪声的三组第二高分辨率图像、第三高分辨率图像或者第四高分辨率图像;计算上述三组第二高分辨率图像与上述待处理的高分辨率图像之间的三组第二峰值信噪比PSNR2和第二结构相似性SSIM2,若这三组第二峰值信噪比PSNR2均小于第一阈值且这三组第二结构相似性SSIM2均小于第二阈值,则将待处理的高分辨率图像分割成多个第一图像块。
若存在PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值,则将PSNR2大于或等于第一阈值,或者SSIM2大于或等于第二阈值对应的第二高分辨率图像作为所述待处理的高分辨率图像进行去噪处理得到的去除噪声的第一高分辨率图像。
在本申请的一些实施方式中,上述去噪装置还包括训练单元,具体用于采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,其中,所述有噪声低分辨率样本图像和无噪声低分辨率样本图像是指图像分辨率小于或等于所述设定阈值的有噪声样本图像和无噪声样本图像;将上述有噪声低分辨率样本图像和上述无噪声低分辨率样本图像输入至生成对抗网络中;利用上述有噪声低分辨率样本图像对生成对抗网络中的生成网络进行训练,生成待鉴别低分辨率样本图像;上述生成对抗网络中的鉴别网络利用上述无噪声低分辨率样本图像对上述待鉴别低分辨率样本图像是否是真实数据进行鉴别,并将鉴别结果输入至上述生成对抗网络中的生成网络,对上述生成网络进行调整,直至上述鉴别网络无法鉴别出上述生成网络生成的待鉴别低分辨率样本图像是否是真实数据时,得到训练好的生成对抗网络。
上述训练单元,还具体用于在无噪声高分辨样本图像中添加噪声,生成与上述无噪声高分辨样本图像对应的有噪声高分辨样本图像;将上述无噪声高分辨样本图像和上述有噪声高分辨样本图像对应分割成多个有噪声低分辨率样本图像和无噪声低分辨率样本图像,生成成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像。
需要说明的是,为描述的方便和简洁,上述描述的图像去噪的装置500的具体工作过程,可以参考上述图1至图4中上述方法的对应过程,在此不再赘述。
如图6所示,本申请提供一种用于实现上述图像处理的方法的终端,上述终端可以为需要进行图像处理的智能手机、平板电脑、个人电脑、学习机等终端,包括:一个或多个输入设备63(图6中仅示出一个)和一个或多个输出设备64(图6中仅示出一个)。处理器61、存储器62、输入设备63和输出设备64通过总线65连接。
应当理解,在本申请实施例中,所称处理器61可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备63可以包括虚拟键盘、触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备64可以包括显示器、扬声器等。
存储器62可以包括只读存储器和随机存取存储器,并向处理器61提供指令和数据。存储器62的一部分或全部还可以包括非易失性随机存取存储器。例如,存储器62还可以存储设备类型的信息。
上述存储器62存储有计算机程序,上述计算机程序可在上述处理器61上运行,例如,上述计算机程序为图像处理的方法的程序。上述处理器61执行上述计算机程序时实现上述图像去噪的方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,上述处理器61执行上述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图5所示单元501至503的功能。
上述计算机程序可以被分割成一个或多个模块/单元,上述一个或者多个模块/单元被存储在上述存储器62中,并由上述处理器61执行,以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述上述计算机程序在上述进行图像去噪的终端中的执行过程。例如,上述计算机程序可以被分割成分割单元、去噪单元和拼接单元,各单元具体功能如下:分割单元,用于将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;去噪单元,用于利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;拼接单元,用于将所有上述第二图像块进行拼接,得到去除噪声的第一高分辨率图像。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种图像去噪的方法,其特征在于,包括:
将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;
利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;
将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像;
所述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:
计算第一图像块中基准图像块以及与所述基准图像块相邻的多个相邻图像块的相似度;
若存在相邻图像块与所述基准图像块的相似度大于预设阈值,则利用训练好的生成对抗网络对所述基准图像块或者与所述基准图像块相邻且与所述基准图像块的相似度大于预设阈值的相邻图像块进行去噪处理,生成去除噪声的第三图像块,所述第三图像块为所述基准图像块以及与所述基准图像块相邻且与所述基准图像块的相似度大于预设阈值的相邻图像块对应的第二图像块;
所述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块之前,包括:
采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,其中,所述有噪声低分辨率样本图像和无噪声低分辨率样本图像是指图像分辨率小于或等于所述设定阈值的有噪声样本图像和无噪声样本图像;
将所述有噪声低分辨率样本图像和所述无噪声低分辨率样本图像输入至生成对抗网络中;
利用所述有噪声低分辨率样本图像对生成对抗网络中的生成网络进行训练,生成待鉴别低分辨率样本图像;
所述生成对抗网络中的鉴别网络利用所述无噪声低分辨率样本图像对所述待鉴别低分辨率样本图像是否是真实数据进行鉴别,并将鉴别结果输入至所述生成对抗网络中的生成网络,对所述生成网络进行调整,直至所述鉴别网络无法鉴别出所述生成网络生成的待鉴别低分辨率样本图像是否是真实数据时,得到训练好的生成对抗网络。
2.如权利要求1所述的方法,其特征在于,在所述将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像之后,包括:
计算所述第一高分辨率图像与所述待处理的高分辨率图像之间的第一峰值信噪比PSNR1和第一结构相似性SSIM1;
若PSNR1大于或等于第一阈值,或者SSIM1大于或等于第二阈值,则利用所述第一高分辨率图像和所述待处理的高分辨率图像对所述训练好的生成对抗网络进行优化,得到优化后的生成对抗网络;
相应的,所述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:
利用优化后的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块。
3.如权利要求1所述的方法,其特征在于,所述将待处理的高分辨率图像分割成多个第一图像块,包括:
利用至少一种滤波器对待处理的高分辨率图像进行去噪处理,生成去除噪声的至少一个第二高分辨率图像;计算每个第二高分辨率图像与所述待处理的高分辨率图像之间的第二峰值信噪比PSNR2和第二结构相似性SSIM2;
若PSNR2均小于第一阈值且SSIM2均小于第二阈值,则将待处理的高分辨率图像分割成多个第一图像块。
4.如权利要求3所述的方法,其特征在于,
若存在PSNR2大于或等于第一阈值,或者存在SSIM2大于或等于第二阈值,则将PSNR2大于或等于第一阈值,或者SSIM2大于或等于第二阈值对应的第二高分辨率图像作为所述待处理的高分辨率图像进行去噪处理得到的去除噪声的第一高分辨率图像。
5.如权利要求1所述的方法,其特征在于,所述采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,包括:
在无噪声高分辨样本图像中添加噪声,生成与所述无噪声高分辨样本图像对应的有噪声高分辨样本图像;
将所述无噪声高分辨样本图像和所述有噪声高分辨样本图像对应分割成多个有噪声低分辨率样本图像和无噪声低分辨率样本图像,生成成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像。
6.一种图像去噪的装置,其特征在于,包括:
分割单元,用于将待处理的高分辨率图像分割成多个第一图像块,其中,所述高分辨率图像为图像分辨率大于设定阈值的图像;
去噪单元,用于利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块;
拼接单元,用于将所有所述第二图像块进行拼接,得到去除噪声的第一高分辨率图像;
所述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块,包括:
计算第一图像块中基准图像块以及与所述基准图像块相邻的多个相邻图像块的相似度;
若存在相邻图像块与所述基准图像块的相似度大于预设阈值,则利用训练好的生成对抗网络对所述基准图像块或者与所述基准图像块相邻且与所述基准图像块的相似度大于预设阈值的相邻图像块进行去噪处理,生成去除噪声的第三图像块,所述第三图像块为所述基准图像块以及与所述基准图像块相邻且与所述基准图像块的相似度大于预设阈值的相邻图像块对应的第二图像块;
所述利用训练好的生成对抗网络对每个第一图像块进行去噪处理,生成每个第一图像块对应的去除噪声的第二图像块之前,包括:
采集成对的有噪声低分辨率样本图像和无噪声低分辨率样本图像,其中,所述有噪声低分辨率样本图像和无噪声低分辨率样本图像是指图像分辨率小于或等于所述设定阈值的有噪声样本图像和无噪声样本图像;
将所述有噪声低分辨率样本图像和所述无噪声低分辨率样本图像输入至生成对抗网络中;
利用所述有噪声低分辨率样本图像对生成对抗网络中的生成网络进行训练,生成待鉴别低分辨率样本图像;
所述生成对抗网络中的鉴别网络利用所述无噪声低分辨率样本图像对所述待鉴别低分辨率样本图像是否是真实数据进行鉴别,并将鉴别结果输入至所述生成对抗网络中的生成网络,对所述生成网络进行调整,直至所述鉴别网络无法鉴别出所述生成网络生成的待鉴别低分辨率样本图像是否是真实数据时,得到训练好的生成对抗网络。
7.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593301.8A CN108805840B (zh) | 2018-06-11 | 2018-06-11 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593301.8A CN108805840B (zh) | 2018-06-11 | 2018-06-11 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805840A CN108805840A (zh) | 2018-11-13 |
CN108805840B true CN108805840B (zh) | 2021-03-26 |
Family
ID=64088961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810593301.8A Expired - Fee Related CN108805840B (zh) | 2018-06-11 | 2018-06-11 | 图像去噪的方法、装置、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805840B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353332B (zh) * | 2018-12-21 | 2023-06-02 | 中国电信股份有限公司 | 指纹图像处理方法、装置和计算机可读存储介质 |
CN109993707B (zh) * | 2019-03-01 | 2023-05-12 | 华为技术有限公司 | 图像去噪方法和装置 |
CN109993710B (zh) * | 2019-03-20 | 2022-03-11 | 西北工业大学 | 一种基于生成对抗网络的水下图像去噪方法 |
CN110310265B (zh) * | 2019-06-25 | 2022-05-27 | Oppo广东移动通信有限公司 | 一种图像噪声检测方法及终端、存储介质 |
CN110443758B (zh) * | 2019-07-05 | 2023-08-25 | 广东省人民医院(广东省医学科学院) | 一种医疗影像去噪方法及装置 |
CN111445675B (zh) * | 2019-10-22 | 2021-02-09 | 南师大科技园栖霞管理(南京)有限公司 | 基于信号大数据检测的现场显示平台 |
CN110782413B (zh) * | 2019-10-30 | 2022-12-06 | 北京金山云网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN110838094B (zh) * | 2019-11-06 | 2023-07-04 | 杭州迪英加科技有限公司 | 病理切片染色风格转换方法和电子设备 |
CN112258416A (zh) * | 2020-10-27 | 2021-01-22 | 维沃移动通信有限公司 | 图像处理方法、装置、电子设备 |
CN112801911B (zh) * | 2021-02-08 | 2024-03-26 | 苏州长嘴鱼软件有限公司 | 一种去除自然图像中文字类噪声的方法及装置、存储介质 |
CN113313653A (zh) * | 2021-06-23 | 2021-08-27 | 北京鼎泰智源科技有限公司 | 一种基于生成式对抗网络的图像去噪声方法及装置 |
CN113435334B (zh) * | 2021-06-28 | 2024-02-27 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度学习的小目标人脸识别方法 |
CN114781464A (zh) * | 2022-06-20 | 2022-07-22 | 北京闪马智建科技有限公司 | 数据去噪方法及装置、存储介质、电子装置 |
CN114863225B (zh) * | 2022-07-06 | 2022-10-04 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法、生成方法、装置、设备及介质 |
CN117423113B (zh) * | 2023-12-18 | 2024-03-05 | 青岛华正信息技术股份有限公司 | 一种档案ocr图像自适应去噪方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN104182931A (zh) * | 2013-05-21 | 2014-12-03 | 北京大学 | 超分辨率方法和装置 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN107563974A (zh) * | 2017-08-15 | 2018-01-09 | 深圳云天励飞技术有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
CN108038840A (zh) * | 2017-11-24 | 2018-05-15 | 深圳先进技术研究院 | 一种图像处理方法、装置、图像处理设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100485594B1 (ko) * | 2004-08-26 | 2005-04-27 | (주) 넥스트칩 | 영상에서의 잡음을 제거하기 위한 잡음 처리 방법 및 그시스템 |
KR101612977B1 (ko) * | 2008-07-25 | 2016-04-15 | 소니 주식회사 | 화상 처리 장치 및 방법 |
WO2014132830A1 (ja) * | 2013-02-28 | 2014-09-04 | 株式会社 日立メディコ | 画像処理装置、磁気共鳴イメージング装置および画像処理方法 |
-
2018
- 2018-06-11 CN CN201810593301.8A patent/CN108805840B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN104182931A (zh) * | 2013-05-21 | 2014-12-03 | 北京大学 | 超分辨率方法和装置 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN107563974A (zh) * | 2017-08-15 | 2018-01-09 | 深圳云天励飞技术有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
CN108038840A (zh) * | 2017-11-24 | 2018-05-15 | 深圳先进技术研究院 | 一种图像处理方法、装置、图像处理设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Image quality metrics: PSNR vs. SSIM;Alain Hore 等;《2010 International Conference on Pattern Recognition》;20101231;第2366-2369页 * |
分块噪声自适应高光谱图像去噪算法研究;孔祥阳;《井冈山大学学报(白然科学版)》;20160131;第69-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108805840A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805840B (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
Vijaykumar et al. | Fast and efficient algorithm to remove gaussian noise in digital images | |
Saxena et al. | Noises and image denoising techniques: A brief survey | |
CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
Salmon et al. | From patches to pixels in non-local methods: Weighted-average reprojection | |
CN111368661A (zh) | 一种基于图像处理的手指静脉图像增强方法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Ma et al. | Mixed noise removal algorithm combining adaptive directional weighted mean filter and improved adaptive anisotropic diffusion model | |
Fry et al. | Validation of modulation transfer functions and noise power spectra from natural scenes | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN107798663B (zh) | 一种基于偏微分方程和bm3d的无参数化图像恢复方法 | |
Ahmed | Image enhancement and noise removal by using new spatial filters | |
Shrivastava et al. | Noise removal using first order neighborhood mean filter | |
Lalitha et al. | A novel approach noise filtration for MRI image sample in medical image processing | |
Thote et al. | Improved denoising technique for natural and synthetic images | |
CN113674144A (zh) | 一种图像处理方法、终端设备及可读存储介质 | |
CN114255179A (zh) | 地震图像噪声压制方法、装置及电子设备 | |
CN113139920A (zh) | 一种古籍图像修复方法、终端设备及存储介质 | |
Sharma et al. | A comparative analysis of various image enhancement techniques for facial images | |
Robinson et al. | Blind deconvolution of Gaussian blurred images containing additive white Gaussian noise | |
Li et al. | Extended neighborhood-based road and median filter for impulse noise removal from depth map | |
Satapathy et al. | A New Biomedical Image Denoising method using an adaptive multi-resolution technique | |
CN114119377A (zh) | 一种图像处理方法及装置 | |
Xu et al. | Quality-aware features-based noise level estimator for block matching and three-dimensional filtering algorithm |
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: 20210326 |
|
CF01 | Termination of patent right due to non-payment of annual fee |