CN109191387B - 一种基于巴特沃斯滤波器的红外图像去噪方法 - Google Patents
一种基于巴特沃斯滤波器的红外图像去噪方法 Download PDFInfo
- Publication number
- CN109191387B CN109191387B CN201810803912.0A CN201810803912A CN109191387B CN 109191387 B CN109191387 B CN 109191387B CN 201810803912 A CN201810803912 A CN 201810803912A CN 109191387 B CN109191387 B CN 109191387B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- value
- gradient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 230000036961 partial effect Effects 0.000 claims abstract description 25
- 238000009792 diffusion process Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract 2
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
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巴特沃斯滤波器的红外图像去噪方法,首先利用巴特沃斯滤波器将图像分为高频分量和低频分量,对高频分量傅里叶反变换的图像进行偏微分方程去噪,对低频分量进行傅里叶反变换,并采用图像增强和中值滤波结果融合的办法去噪,最后将处理后的高频分量与低频分量转换到频域进行融合,再通过傅里叶反变换至空域即可得到去噪图像。本发明能够明显提高红外图像的信噪比,从而去除图像中的噪声,能够清楚地将图像与背景区分开,提高红外图像的质量。
Description
技术领域
本发明涉及图像去噪技术领域,具体涉及一种基于巴特沃斯滤波器的红外图像去噪方法。
背景技术
红外图像已经被广泛的应用于光学测量、目标识别、国防军工等一系列关系国计民生的方面,然而,红外探测器在成像过程中不可避免的会受到噪声的影响。一般而言对于红外相机大致有四种噪声:背景噪声(background noise)、暗噪声(dark noise)、光子噪声(photon noise)和读出噪声(readout noise),这些噪声按照统计分布来讲可以分为四类:高斯白噪声、泊松白噪声、混合白噪声以及1/f噪声。以上所述的噪声均会使得图像整体灰度值变大,即使得图像整体变白,这种噪声效果尤其会使得强光背景下的红外图像质量有较大的下降,图1为在强光背景下的红外图像。
传统的图像去噪方法大约可以分为两大类:空域平滑和频域滤波。这些方法对噪声都有一定的抑制作用,但是对于红外图像尤其是高噪声强光背景下的红外图像的低对比度,处理后的图像较为模糊,对提高红外图像的质量的作用并不明显。
发明内容
本发明的目的在于提供一种基于巴特沃斯滤波器的红外图像去噪方法,能够提高强光背景下红外图像的信噪比,从而去除图像中的噪声。
为实现上述目的,本发明采用如下技术方案:
一种基于巴特沃斯滤波器的红外图像去噪方法,依次包括以下步骤:
步骤1:读取添加高斯白噪声的原始图像im1,计算出原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差,并计算该原始图像的巴特沃斯滤波器最佳参数;
步骤2:获取原始图像im1;
步骤3:对步骤2得到的图像im1进行傅里叶变换,并且将低频分量转换至频谱图的中心位置;
步骤4:利用步骤1中计算出的最佳参数,设计巴特沃斯低通滤波器,分别获得原始图像im1的低频分量im_L和高频分量im_H;
步骤5:对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2,获取图像im2的高频分量的梯度及其梯度模值,具体公式如下:
对上述偏微分方程进行迭代,得到高频滤波图像im3;
其中,h为经验取值,一般取h∈[0.5,0.8];
步骤8:对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4;
其中,N为细节阈值,小于N的梯度值被认为是噪声,被舍弃掉,x表示图像im4中某一点的梯度模值,函数输出的结果表示该点的梯度增强系数;然后将该梯度增强系数同该位置的像素点灰度值相乘,得到增强图像im_z;
步骤10:对步骤9得到的增强图像im_z进行自适应canny边缘处理,并二值化,得到图像im5;
步骤11:设定边缘像素个数阈值为M,对图像im5进行边缘统计,从某灰度点为1的图像开始计数,计算该点四周8邻域是否存在灰度为1的点,如果存在,则继续对下一个8邻域进行计数,如果不存在则退出计数,若最终的数值大于M则认为是边缘,使其灰度值为1,否则认为是伪边缘,使其灰度值为0,利用此方法得到低频分量边缘图像im6;
步骤12:对步骤8得到的图像im4进行中值滤波,滤波模板为5X5,得到图像im7;
步骤13:遍历低频分量中值滤波后的图像im7,以图像im7为模板,选出图像im6中灰度值为1的像素点,并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值;
步骤14:将改进过的im7做傅里叶变换,将步骤6得到的高频滤波图像im3做傅里叶变换,将上述两个的傅里叶变换的结果做融合处理,并且对融合后的图像做傅里叶反变换,得到最后的去噪图像im8。
优选的,所述步骤1中,计算原始图像的巴特沃斯滤波器最佳参数的过程如下:
步骤101:选择十张添加高斯白噪声的原始图像im1,求取所有原始图像的灰度直方图J,并对灰度直方图J进行统计学处理,获取所有原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4;
步骤102:根据频谱图中频率分布的关系,根据下式设计巴特沃斯低通滤波器:
其中,M,N分别为图像的行数和列数,D0为待定参数,u和v分别为频谱图的坐标,u=1,2,3……M,v=1,2,3……N;
步骤103:利用步骤102的巴特沃斯低通滤波器,对步骤101中的原始图像滤波;
原始图像中添加的高斯白噪声的均值从0.2开始,以0.02为步长,至0.5为止,在每一个噪声中,对D0赋值,以1为起始数值,以5位步长,至206为止,得到每个噪声下的最佳D0的数值;
步骤104:将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量,将步骤103得到的最佳D0为输出数据,建立BP神经网络,或者利用最小二乘法进行拟合,得到函数D0=f(x1,x2,x3,x4);
步骤105:重新拍摄添加高斯白噪声的图像,对步骤104得到的函数D0进行验证,若偏差较大,则不断将用于验证的图像当做训练样本,重复步骤101至步骤104,不断重复训练函数D0=f(x1,x2,x3,x4),直至偏差达到设定值。
优选的,所述步骤6中,对偏微分方程进行迭代时,利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代,所述偏微分方程对应的能量泛函为:
本发明利用巴特沃斯滤波器对红外图像进行去噪处理,能够明显提高红外图像的信噪比,从而去除图像中的噪声,能够清楚地将图像与背景区分开,提高红外图像的质量。
附图说明
图1为在强光背景下的红外图像;
图2为本发明的流程图;
图3为本发明所述步骤102中巴特沃斯低通滤波器的函数图像;
图4为本发明所述步骤9中梯度场函数的函数图像;
图5为本发明的实验用图一;
图6为实验用图一在本发明与传统去噪方法下的信噪比对比图;
图7为实验用图一的灰度直方图;
图8为实验用图一在添加高斯噪声值为0.5时的噪声图;
图9为利用PM模型对图7处理后的去噪图;
图10为利用YK模型对图7处理后的去噪图;
图11为利用巴斯沃特低通滤波器对图7处理后的去噪图;
图12为利用中值滤波法对图7处理后的去噪图;
图13为利用本发明对图7处理后的去噪图;
图14为本发明的实验用图二;
图15为实验用图二在本发明与传统去噪方法下的信噪比对比图;
图16为实验用图二的灰度直方图。
具体实施方式
以下结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,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做出创造性劳动的前提下所获得的其他所有实施例,都属于本发明的保护范围。
如图2所示,本发明所述的一种基于巴特沃斯滤波器的红外图像去噪方法,依次包括以下步骤:
步骤1:读取添加高斯白噪声的原始图像im1,计算出原始图像im1的灰度均值、灰度方差、中位灰度值和四分灰度差,并计算该原始图像的巴特沃斯滤波器最佳参数;
步骤101:选择十张添加高斯白噪声的原始图像im1,求取所有原始图像的灰度直方图J,并对灰度直方图J进行统计学处理,获取所有原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4;
步骤102:根据频谱图中频率分布的关系,根据下式设计巴特沃斯低通滤波器:
其中,M,N分别为图像的行数和列数,D0为待定参数,u和v分别为频谱图的坐标,u=1,2,3……M,v=1,2,3……N;
在本实施例中,M=512,N=640,上式的函数图像如图3所示,在图3中可以看到,在频谱图中心的位置(即低频信号位置),该函数可以对其进行增强,四周则缩减几乎至零,这样可以保留图像的低频信号,而去除高频信号,另外,高频信号的获取可以通过fftshift函数,将高频信号平移至频谱图中心位置;
步骤103:利用步骤102中的巴特沃斯低通滤波器,对步骤101中的原始图像im1滤波;
原始图像中添加的高斯白噪声的均值从0.2开始,以0.02为步长,至0.5为止,在每一个噪声中,对D0赋值,以1为起始数值,以5位步长,至206为止,得到每个噪声下的最佳D0的数值;
步骤104:将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量,将步骤103得到的最佳D0为输出数据,建立BP神经网络,或者利用最小二乘法进行拟合,得到函数D0=f(x1,x2,x3,x4);
建立BP神经网络,及利用最小二乘法进行拟合的过程均为现有技术,不再赘述;
步骤105:重新拍摄添加高斯白噪声的图像,将步骤104得到的函数D0=f(x1,x2,x3,x4)代入巴特沃斯低通滤波器中进行去噪验证,若偏差较大,则不断将用于验证的图像当做训练样本,重复步骤101至步骤104,不断重复训练函数D0=f(x1,x2,x3,x4),直至偏差达到设定值。
在本实施例中,原始图像的尺寸为512×640,故D0的允许偏差为±5.0。
步骤2:获得原始图像im1;
步骤3:对步骤2得到的图像im1进行傅里叶变换,一般傅里叶变换后的频谱图低频分量位于四角,而高频分量处于中心,为了便于处理,将低频分量平移至频谱图的中心位置;
步骤4:利用步骤1中计算出的最佳参数,设计巴特沃斯低通滤波器,分别获得原始图像im1的低频分量im_L和高频分量im_H;
步骤5:对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2,由于图像的高频分量对应细节和噪声,故获取图像im2的高频分量的梯度及其梯度模值,具体公式如下:
扩散方程有两种形式,分别为:
其中k为参数,该参数的大小与图像的边缘灰度值有关,在强光背景高噪声影响下的红外图像中,大部分灰度值集中在最大值附近,故此,本发明将k的取值设定为最大梯度值的0.9倍,当t=0时,设定作为偏微分方程迭代步长,根据偏微分方程进行迭代,一般设定
对偏微分方程进行迭代时,利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代,最小化能量泛函的过程即为图像平滑的过程,偏微分方程对应的能量泛函为
其中,h为经验取值,一般取h∈[0.5,0.8];
步骤8:对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4;
图像的低频分量主要包含图像的背景部分以及1/f噪声,由于低频部分的细节大部分灰度值较弱,故此不能利用传统的滤波办法,故对低频部分采用图像融合的方法,这里主要分为两部分,一部分为增强im4,以来保存图像的细节,另一部分对im4进行滤波,除去1/f噪声。
其中,N为细节阈值,小于N的梯度值被认为是噪声,被舍弃掉,x表示图像im4中某一点的梯度模值,函数输出的结果表示该点的梯度增强系数;该梯度场函数的函数图像如图4所示。
由图4可以看出,当梯度值非常小的时候,增强系数特别大,这样会增加细节的显示,当梯度值逐渐变大的时候增强系数接近于1,防止了明显边缘过分增大,将该梯度增强系数同该位置的像素点灰度值相乘,得到增强图像im_z;
步骤10:对步骤9得到的增强图像im_z进行自适应canny边缘处理,并二值化,得到图像im5;
对图像进行自适应canny边缘处理并二值化的过程为现有技术,不再赘述。
步骤11:设定边缘像素个数阈值为M,对图像im5进行边缘统计,从某灰度点为1的图像开始计数,计算该点四周8邻域是否存在灰度为1的点,如果存在,则继续对下一个8邻域进行计数,如果不存在则退出计数,若最终的数值大于M则认为是边缘,使其灰度值为1,否则认为是伪边缘,使其灰度值为0,利用此方法得到低频分量边缘图像im6;
步骤12:对步骤8得到的图像im4进行中值滤波,滤波模板为5X5,得到图像im7;
步骤13:遍历低频分量中值滤波后的图像im7,以图像im7为模板,选出图像im6中灰度值为1的像素点,并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值;
步骤14:将改进过的im7做傅里叶变换,将步骤6得到的高频滤波图像im3做傅里叶变换,将上述两个的傅里叶变换的结果做融合处理,并且对融合后的图像做傅里叶反变换,得到最后的去噪图像im8。
以下对本发明的方案进行验证。
利用MATLAB软件编写较为常用的几个去噪方法,作为与本发明算法的对比,本发明中使用的几种传统去噪方法为利用偏微分方程的PM模型、YK模型、空域平滑的中值滤波模型和频域的巴特沃斯低通滤波模型。
为了达到高噪声的目的,本发明验证试验所添加高斯白噪声的均值,从0.2开始,以0.1为步长,至0.5中止;分别利用信噪比(SNR)与峰值信噪比(PSNR)为评价标准,该评价标准公式为:
图5为本发明的实验用图一,表1、表2和表3分别表示噪声均值为0.2、0.3和0.4时,利用各种去噪方法对实验用图一进行处理的信噪比和峰值信噪比结果。
表1
SNR | PSNR | |
PM模型 | 11.69 | 14.20 |
YK模型 | 11.63 | 14.17 |
中值滤波 | 11.69 | 14.21 |
巴特沃斯低通滤波 | 11.71 | 14.16 |
本发明 | 16.57 | 21.37 |
表2
SNR | PSNR | |
PM模型 | 6.07 | 10.93 |
YK模型 | 6.07 | 10.93 |
中值滤波 | 5.92 | 10.79 |
巴特沃斯低通滤波 | 6.09 | 10.95 |
本发明 | 15.98 | 20.84 |
表3
图14为本发明的实验用图二,表4、表5和表6分别表示噪声均值为0.2、0.3和0.4时,利用各种去噪方法对实验用图二进行处理的信噪比和峰值信噪比结果。
表4
SNR | PSNR | |
PM模型 | 9.65 | 14.32 |
YK模型 | 9.64 | 14.31 |
巴特沃斯低通滤波器 | 9.68 | 14.36 |
中值滤波 | 9.59 | 14.25 |
本发明 | 16.37 | 21.07 |
表5
SNR | PSNR | |
PM模型 | 6.43 | 11.09 |
YK模型 | 6.44 | 11.09 |
巴特沃斯低通滤波器 | 6.46 | 11.11 |
中值滤波 | 6.29 | 10.95 |
本发明 | 15.93 | 20.62 |
表6
SNR | PSNR | |
PM模型 | 4.39 | 9.04 |
YK模型 | 4.40 | 9.05 |
巴特沃斯低通滤波器 | 4.41 | 9.06 |
中值滤波 | 4.11 | 8.76 |
本发明 | 13.84 | 18.53 |
从图6至图13,及图15可以看出,本发明能够明显提高红外图像的信噪比,利用本发明的方法得到的去噪图像能够清楚地将图像与背景区分开。
Claims (2)
1.一种基于巴特沃斯滤波器的红外图像去噪方法,其特征在于,依次包括以下步骤:
步骤1:读取无噪声图像,并添加高斯白噪声得到原始图像,计算出所述原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差,并计算巴特沃斯滤波器最佳参数;
计算原始图像的巴特沃斯滤波器最佳参数的具体过程如下:
步骤101:选择十张无噪声的原始图像,并添加高斯白噪声得到原始图像,高斯白噪声的均值从0.2开始,以0.02为步长,至0.5为止,求取所有所述原始图像的灰度直方图J,并对灰度直方图J进行统计学处理,获取所有所述原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4;
步骤102:根据频谱图中频率分布的关系,根据下式设计巴特沃斯低通滤波器:
其中,M,N分别为图像的行数和列数,D0为待定参数,u和v分别为频谱图的坐标,u=1,2,3……M,v=1,2,3……N;
步骤103:利用步骤102的巴特沃斯低通滤波器,对步骤101中的所述原始图像滤波;
原始图像中添加的高斯白噪声的均值从0.2开始,以0.02为步长,至0.5为止,在每一个噪声中,对D0赋值,以1为起始数值,以5为步长,至206为止,得到每个噪声下的最佳D0的数值;
步骤104:将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量,将步骤103得到的最佳D0作为输出数据,建立BP神经网络,或者利用最小二乘法进行拟合,得到函数D0=f(x1,x2,x3,x4);
步骤105:重新读取无噪声图像并添加高斯白噪声,对步骤104得到的函数D0进行验证,若偏差较大,则不断将用于验证的图像当做训练样本,重复步骤101至步骤104,不断重复训练函数D0=f(x1,x2,x3,x4),直至偏差达到设定值;
步骤2:获取待去噪图像im1;
步骤3:对步骤2得到的图像im1进行傅里叶变换,并且将低频分量转换至频谱图的中心位置;
步骤4:利用步骤1中计算出的最佳参数,设计巴特沃斯低通滤波器,分别获得待去噪图像im1的低频分量im_L和高频分量im_H;
步骤5:对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2,获取图像im2的高频分量的梯度及其梯度模值,具体公式如下:
其中,是图像im2对时间的偏导数,为平坦区域的主扩散系数,ρ为边缘区域主扩散系数,当时,默认图像按照进行扩散,反之,图像按照 进行扩散,div(·)代表求散度,g(·)为扩散方程,im2(0)表示第一次迭代输入的图像即初始化图像,其中im2(0)是步骤5得到的im2;
对上述偏微分方程进行迭代,得到高频滤波图像im3;
其中,h为经验取值,取h∈[0.5,0.8];
步骤8:对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4;
其中,N为细节阈值,小于N的梯度值被认为是噪声,被舍弃掉,x表示图像im4中某一点的梯度模值,函数输出的结果表示该点的梯度增强系数;然后将该梯度增强系数同该位置的像素点灰度值相乘,得到增强图像im_z;
步骤10:对步骤9得到的增强图像im_z进行自适应canny边缘处理,并二值化,得到图像im5;
步骤11:设定边缘像素个数阈值为M,对图像im5进行边缘统计,从某灰度点为1的图像开始计数,计算该点四周8邻域是否存在灰度为1的点,如果存在,则继续对下一个8邻域进行计数,如果不存在则退出计数,若最终的数值大于M则认为是边缘,使其灰度值为1,否则认为是伪边缘,使其灰度值为0,利用此方法得到低频分量边缘图像im6;
步骤12:对步骤8得到的图像im4进行中值滤波,滤波模板为5X5,得到图像im7;
步骤13:遍历低频分量中值滤波后的图像im7,以图像im7为模板,选出图像im6中灰度值为1的像素点,并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值;
步骤14:将改进过的im7做傅里叶变换,将步骤6得到的高频滤波图像im3做傅里叶变换,将上述两个的傅里叶变换的结果做融合处理,并且对融合后的图像做傅里叶反变换,得到最后的去噪图像im8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803912.0A CN109191387B (zh) | 2018-07-20 | 2018-07-20 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803912.0A CN109191387B (zh) | 2018-07-20 | 2018-07-20 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191387A CN109191387A (zh) | 2019-01-11 |
CN109191387B true CN109191387B (zh) | 2021-09-24 |
Family
ID=64936892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810803912.0A Active CN109191387B (zh) | 2018-07-20 | 2018-07-20 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191387B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040826B (zh) * | 2019-10-18 | 2022-05-17 | 深圳北芯生命科技股份有限公司 | 用于对超声图像进行降噪处理的降噪模块 |
CN111127344A (zh) * | 2019-12-06 | 2020-05-08 | 昆明理工大学 | 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法 |
CN111986098B (zh) * | 2020-05-14 | 2024-04-30 | 南京航空航天大学 | 一种含固定背景的被动式太赫兹图像增强方法 |
CN112330547B (zh) * | 2020-10-12 | 2024-04-30 | 佛山科学技术学院 | 一种针对oct视网膜图像消除血管阴影的滤波方法 |
CN112365489A (zh) * | 2020-11-25 | 2021-02-12 | 同济大学 | 一种超声图像血管分叉检测方法 |
CN113313641B (zh) * | 2021-04-28 | 2022-05-03 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN113409377B (zh) * | 2021-06-23 | 2022-09-27 | 四川大学 | 一种基于跳跃连接式生成对抗网络的相位展开方法 |
CN114782289A (zh) * | 2022-06-23 | 2022-07-22 | 四川三思德科技有限公司 | 红外图像增强方法、装置、设备和介质 |
CN115018737B (zh) * | 2022-08-04 | 2023-02-21 | 四川迪晟新达类脑智能技术有限公司 | 一种红外热像增强方法及装置 |
CN117314791B (zh) * | 2023-11-27 | 2024-02-20 | 长春理工大学 | 基于巴特沃斯函数拟合的红外图像冷反射噪声矫正方法 |
CN117830141B (zh) * | 2024-03-04 | 2024-05-03 | 奥谱天成(成都)信息科技有限公司 | 红外图像竖条纹噪声去除方法、介质、设备及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1393152A (en) * | 1971-05-04 | 1975-05-07 | Philips Electronic Associated | Noise reduction circuit |
CN101237524A (zh) * | 2008-03-03 | 2008-08-06 | 中国科学院光电技术研究所 | 一种保留高频信息的图像噪声去除方法 |
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
CN106092492A (zh) * | 2016-06-01 | 2016-11-09 | 南京航空航天大学 | 一种滤波去噪方法 |
-
2018
- 2018-07-20 CN CN201810803912.0A patent/CN109191387B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1393152A (en) * | 1971-05-04 | 1975-05-07 | Philips Electronic Associated | Noise reduction circuit |
CN101237524A (zh) * | 2008-03-03 | 2008-08-06 | 中国科学院光电技术研究所 | 一种保留高频信息的图像噪声去除方法 |
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
CN106092492A (zh) * | 2016-06-01 | 2016-11-09 | 南京航空航天大学 | 一种滤波去噪方法 |
Non-Patent Citations (6)
Title |
---|
Evaluating image denoising methods in myocardial perfusion single photon emission computed tomography (SPECT) imaging;S Skiadopoulos ,等;《Measurement Science & Technology》;20091231;全文 * |
一种混合噪声图像去噪方法;乔闹生;《计算机工程与应用》;20091011(第29期);全文 * |
修正巴特沃斯函数快速图像降噪方法;刘岳巍;《《兰州大学学报(自然科学版)》;20140315;全文 * |
基于巴特沃斯低通滤波器的图像增强;陈传峰等;《现代电子技术》;20071215(第24期);全文 * |
巴特沃斯非线性混合滤波器图像滤波方法设计;王大红等;《计算机工程与应用》;20100721(第21期);全文 * |
广义全变分与巴特沃斯高通滤波融合图像去噪;乔闹生,等;《计算机工程与应用》;20141020;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109191387A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191387B (zh) | 一种基于巴特沃斯滤波器的红外图像去噪方法 | |
Foi et al. | Practical Poissonian-Gaussian noise modeling and fitting for single-image raw-data | |
Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
Zhang et al. | Decision-based non-local means filter for removing impulse noise from digital images | |
Smith et al. | Effect of pre-processing on binarization | |
CN108492268A (zh) | 基于小波系数融合的低照度图像增强算法 | |
CN112862753A (zh) | 噪声强度估计方法、装置及电子设备 | |
CN105427255A (zh) | 一种基于grhp的无人机红外图像细节增强方法 | |
CN115100077B (zh) | 一种图像增强方法与装置 | |
CN103489168A (zh) | 一种红外图像自适应转伪彩增强方法及系统 | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
Lim et al. | Robust contrast enhancement of noisy low-light images: Denoising-enhancement-completion | |
Mu et al. | Low and non-uniform illumination color image enhancement using weighted guided image filtering | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
Zhang et al. | Image haze removal algorithm based on nonsubsampled contourlet transform | |
Patvardhan et al. | Document image denoising and binarization using Curvelet transform for OCR applications | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
CN115965552A (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 | |
CN113674180B (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
RU2405200C2 (ru) | Способ и устройство быстрого фильтрования шума цифровых изображений | |
Chang et al. | An image enhancement algorithm based on Gaussian weighted bilateral filtering and retinex theory |
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 |