CN109242797B - 基于均质和异质区域融合的图像去噪方法、系统及介质 - Google Patents
基于均质和异质区域融合的图像去噪方法、系统及介质 Download PDFInfo
- Publication number
- CN109242797B CN109242797B CN201811061739.8A CN201811061739A CN109242797B CN 109242797 B CN109242797 B CN 109242797B CN 201811061739 A CN201811061739 A CN 201811061739A CN 109242797 B CN109242797 B CN 109242797B
- Authority
- CN
- China
- Prior art keywords
- sub
- block
- image
- denoising
- homogeneous
- 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 38
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于均质和异质区域融合的图像去噪方法、系统及介质,包括:步骤(1):设定窗口的滑动步长,将原始图像按照窗口的设定尺寸划分成若干个子块,计算每个子块的权重系数;步骤(2):对原始图像划分的所有子块,采用LPG‑PCA算法进行去噪处理;对原始图像划分的所有子块,采用三维块匹配BM3D算法进行去噪处理;步骤(3):根据权重系数与设定阈值的比较,将每个子块归类为均质区域或异质区域;根据每个子块的区域类别和权重系数,将两种算法去噪后的子块进行对应融合,得到融合后的图像即为最终的图像。
Description
技术领域
本发明涉及基于均质和异质区域融合的图像去噪方法、系统及介质。
背景技术
随着图像技术的迅速发展,图像在医学成像,模式识别等方面取得了广泛应用。但是图像在形成、传输过程中,不可避免的会受到噪声的干扰。图像中的噪声往往会和信号交织在一起,使图像本身的细节,如:轮廓边界,线条等变得模糊不清。因此对含噪声图像进行去噪处理十分必要,便于更高层次的图像分析与理解。而如何既对图像中出现的噪声进行合理的抑制,以及去除不同需要的信息,又能使图像中的有用信息得到加强,从而便于目标区分或对象解释,是图像去噪应该主要研究的问题。
实际中我们根据噪声的数字特征以及其灰度值与周围信号灰度值的差异来处理,去噪过程既可以在图像空间域完成,也可以在图像变换域完成。图像空间域去噪是在原始图像上进行数据运算,直接对像素的灰度值进行处理。目前,图像空间域去噪方法有均值滤波,中值滤波和低通滤波等,这些方法都有一个共同特点,即图像中的每个像素都被用同一种方式处理,而不考虑每个像素自身的特性,在去除附加的随机噪声方面非常有效,但在去除噪声的同时,也使图像出现了较为严重的模糊,特别是在图像的边缘的和细节处,模糊较为严重。另一类非常有效的图像去噪方法是基于图像变换域的去噪,其基本思想是:首先对含噪图像进行某种变换,将其从空间域转换到变换域,随后再对变换域中的变换系数进行处理,之后进行反变换,将含噪图像从变换域再转换到原始空间域,最终实现有效去噪。
然而,由于图像特征的不同,图像的物理属性和数据在图像之间的强可变性,有的图像纹理结构较为丰富,有的图像均质部分较多,而目前的去噪算法,无论是基于空间域的还是变换域的,都是基于一定简化的图像模型,它们的去噪性能只在单个方面较突出,因此无法将单个去噪模型应用到不同特征图像去噪并取得优良的效果。所以,对图像按特征分类后有针对性的去噪具有重要意义。近年来出现了很多先进的去噪算法,如三维块匹配算法(Block Matching 3D,BM3D),非局部同态稀疏编码(Non-local Sparse Code,LSSC)和非局部快速自适应SAR图像去噪算法(Fast adaptive nonlocal SAR despeckling,FANS),局部像素块分组的主成分分析法(Principal Component Analysis With Local PixelGrouping,LPG-PCA),非局部平均(Non-local Means,NLM)去噪算法,用于稀疏表示的字典学习算法(K-Means—Singular Value Decomposition,K-SVD)等等,它们有的去噪声能力强但对图像的细节保护较弱,有的去噪能力弱但却较好的保护了图像的纹理。目前,没有一种方法既有较强的去噪声能力又能较好的保护原图像细节,同时不产生伪影信息。
发明内容
为了解决现有技术的不足,本发明提供了基于均质和异质区域融合的图像去噪方法、系统及介质;本发明的算法去噪性能指标峰值信噪比以及结构相似性的值较单个去噪算法均有所提升,且视觉效果及细节保护亦优于单个去噪算法。
为了解决上述技术问题,本发明采用如下技术方案:
作为本发明的第一方面,提出了基于均质和异质区域融合的图像去噪方法;
基于均质和异质区域融合的图像去噪方法,包括:
步骤(1):设定窗口的滑动步长,将原始图像按照窗口的设定尺寸划分成若干个子块,计算每个子块的权重系数;
步骤(2):对原始图像划分的所有子块,采用LPG-PCA算法进行去噪处理;
对原始图像划分的所有子块,采用三维块匹配BM3D算法进行去噪处理;
步骤(3):根据权重系数与设定阈值的比较,将每个子块归类为均质区域或异质区域;根据每个子块的区域类别和权重系数,将两种算法去噪后的子块进行对应融合,得到融合后的图像即为最终的图像。
进一步的,所述均质区域是指:该区域中所有像素点的灰度值均在一个设定范围内。
进一步的,所述异质区域是指:除了均质区域以外的区域。
进一步的,所述步骤(1)中,计算每个子块的权重系数的步骤为:
步骤(101):计算第j个子块的广义似然比λj(x)为:
其中,G表示是第j个子块的几何均值,A表示是第j个子块的算术均值,
步骤(102):根据广义似然比λj(x)计算第j个子块的权重ω(λj):
其中,参数λ0取所有子块广义似然比λ(x)的中间值,斜率α为设定值。
进一步的,所述步骤(3)的步骤为:
对图像的第j个子块,首先判断其属于均质区域还是异质区域;
如果权重系数ω(λj)大于等于0.5,则子块属于异质区域;对于属于异质区域的子块,将采用三维块匹配BM3D算法进行去噪处理后的第j个子块的像素灰度值乘以权重ω(λj)后,与采用LPG-PCA算法进行去噪处理的第j个子块的像素灰度值乘以(1-ω(λj))后求和,得到融合后的图像的第j个子块的像素灰度值;这时,三维块匹配BM3D算法对该子块贡献稍大,能更好地保护异质区域的细节信息。
如果权重系数ω(λj)小于0.5,则子块属于均质区域;对于属于均质区域的子块,将采用三维块匹配BM3D算法进行去噪处理的第j个子块的像素灰度值乘以权重ω(λj)后,与采用LPG-PCA算法进行去噪处理的第j个子块的像素灰度值乘以(1-ω(λj))后求和,得到融合后的图像的第j个子块的像素灰度值。这时,LPG-PCA算法对该子块贡献稍大,能更好地平滑均质区域,达到去噪的目的。
进而得到融合后的图像的所有子块的像素灰度值,即得到原始图像去噪后的图像。
名词解释:
LPG-PCA:局部像素块分组的主成分分析法(Principal Component AnalysisWith Local Pixel Grouping,LPG-PCA)。该算法将训练集中的待处理像素及其邻域表示成子块向量,利用块相似性度量对子块进行分组得到样本矩阵,对样本矩阵进行中心化,然后采用主成分分析进行去噪处理。
BM3D:三维块匹配算法(Block Matching 3D,BM3D)。该算法将非局部滤波方法与小波收缩和维纳滤波相结合。首先利用块匹配算法将每一个待处理子块及它的相似子块组成三维堆栈,然后在三维小波变换域采用硬阈值进行滤波,滤波后的子块放回原始图像中的位置。对滤波后的图像采用块匹配算法和维纳滤波进一步处理,得到最后的去噪图像。
进一步的,通过对LPG-PCA和BM3D去噪后的图像按照均质区域和异质区域进行加权融合,确保了在均质区域有效地降低噪声,并避免产生人工伪影;在异质区域更好地保护图像的纹理和细节。
作为本发明的第二方面,提出了基于均质和异质区域融合的图像去噪系统;
基于均质和异质区域融合的图像去噪系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
作为本发明的第三方面,提出了一种计算机可读存储介质;
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本发明的有益效果是:
提出一种软分类策略,在保护细节和去噪两方面进行良好的折衷。该算法基于当前两种已有的先进去噪基本工具,其关键在于选择两种优良的具有互补特性的去噪算法,重点是组合程序的设计。本发明采用软组合的方式,结合从0到1变化的权重系数线性输出两个算法的线性组合,优化了目前单个去噪算法的去噪效果。图像的去噪和分类是当前研究的一个热点问题,有着重要的研究意义。因此发明研究的基于软分类的图像去噪算法在非局部方法的普通图像去噪应用具有深远意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程图;
图2(a)-图2(h)为对Lena图像选取不同的窗口进行软分类的对比图;
图3(a)-图3(h)为对含有噪声的Lena图像采用不同方法去噪的对比图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,基于均质和异质区域融合的图像去噪方法,其具体步骤为:
步骤一:将图像按照纹理进行软分类,分成均质区域和异质区域;
步骤二:利用目前先进的图像去噪算法,分别采用不同的方法进行去噪;
步骤三:对不同方法得到的去噪图像进行有效的融合,从而有效地降低了不同区域的噪声水平,同时保护了图像的纹理和细节。
所述步骤一的具体步骤为:
步骤(1-1):为将图像按照均质区域与异质区域分类,采用灰度值图像的算术均值A与几何均值G的比值作为区分二者的统计信息。通过一个以目标像素为中心的合适的大窗口计算,从而减少了噪声的破坏性影响。为提供一个全分辨率密集的区域,我们令该窗口在整幅图像滑动。
步骤(1-2-1):增加计算A/G比率的窗口的大小可以减少估计值的方差,但会导致估计错误。这是因为增大窗口之后,进入窗口的像素具有不同性质。为了解决这一问题,我们从非局部去噪的方法中得到启示。为了包含更多的像素,采用一个相对较大的搜索区域,利用块相似度量选择那些更可能与目标像素一致的像素。具体来讲,我们在一个较大的搜索范围内利用块相似度量寻找与待处理子块最相似的K个子块。这K个子块组成了三维堆栈。然后对三维堆栈沿第三维进行取平均值,由得到的平均子块计算A/G统计。这就相当于在提高数据质量方面使用了一个多视化步骤,尽管这只是一个相对粗略的策略,但在可靠性方面有了显著的改进。
步骤(1-2-2):在一些简化的假设下,A/G是广义似然比(Generalized LikelihoodRatio,GLR)测试的解,因此我们关注A与G的比率。对于以给定目标像素为中心的含N个像素的图像块,我们提出两个假设:
H0均质区域:图像块中的信号振幅是相等的;
H1异质区域:图像块中的信号振幅是不相等的。
相应的GLR为:
其中,G表示是第j个子块的几何均值,A表示是第j个子块的算术均值,
步骤(1-2-3):通过步骤(1-2-1)中建立三维堆栈,类似于虚拟可视化处理,提高了权值映射图的质量。即使用相对较小的估计窗口,也能提供可靠的统计结果,从而保证了高分辨率。然而,若使用固定大小的子块窗口,会导致窗口边界出现不连续。这种现象是由于每个像素都属于它的许多相邻像素的估计窗口,影响了它们的异质性指数。例如,在均匀背景上的强噪声将导致整个窗口内的像素被标记为异质区域。最终,邻域的本应属于均质区域的像素被当作异质区域来去噪,在输出中产生人工伪影。为了解决这个问题,我们采用了一个简单的启发式策略,即计算基于子块大小的权重,其中可能包括较大的权重和较小的权重,然后对不同大小的子块进行平均。这样做可以减少一些不合理的估计,避免人工滤波伪影的出现。
步骤(1-3):从理论上讲,为了合理的分类决策,我们只需要设置一个阈值。虽然没有表示出的λ(x)概率分布函数,但是由伽马分布可知,当N为较大值(N>10)时,我们近似认为其形状和标度参量仅取决于N和L。因此,可以设置一个期望的虚警概率,并为N和L的任何取值计算分析相应的门限。然而,这些理论上的结果并没有真正解决我们的实际图像分类问题,因为当噪声较强时,所有的分类决策都变得不可靠,除非我们将大量的样本纳入测试。因此,关键的问题是取样窗口的大小N(包含像素个数),这关系到我们是否能得到可靠的分辨率。在一个小窗口,即使在均质区域,决策统计也是非常困难的;另一方面,如果增加N,分析窗口可以很容易包含不同性质的像素目标,从而导致更频繁的错误结果。由于几何平均值受到离散样本的强烈影响会导致严重错误。因此N值过大或过小这两种情况都无法得到良好的分类去噪效果。针对这些问题,对基本分类方法进行了补充:
1)软分类;
2)虚拟多视化处理;
3)多分辨率处理。
下面将对这三个问题进行简要阐释:
软分类
软分类是我们所提出去噪算法的核心,我们要将两个在图像均质与异质区域具有互补特性的去噪算法有效的结合起来。去噪算法的特性取决于图像的性质,因此,我们选择最能代表图像性质的参数来调整权重系数。我们不采用硬阈值处理,而是通过一个平滑的非线性逻辑函数来计算权重系数,它随图像特征变化而在[0,1]之间取值。
使用上式结果作为两种算法的组合权重。根据已知的均质和异质区域的抽样统计数据,可方便的选择逻辑函数的参数,即中点λ0和斜率α,以确保所需的选择性和平滑性。
虚拟多视化处理
增加计算A/G比率的窗口的大小可以减少估计值的方差,但会导致估计错误。这是因为增大窗口之后,进入窗口的像素具有不同性质。为了解决这一问题,我们从非局部去噪的方法中得到启示。为了包含更多的像素,采用一个相对较大的搜索区域,利用块相似度量选择那些更可能与目标像素一致的像素。具体来讲,我们在一个较大的搜索范围内利用块相似度量寻找与待处理子块最相似的K个子块。这K个子块组成了三维堆栈。然后对三维堆栈沿第三维进行取平均值,由得到的平均子块计算A/G统计。这就相当于在提高数据质量方面使用了一个多视化步骤,尽管这只是一个相对粗略的策略,但在可靠性方面有了显著的改进。
多分辨率处理
通过步骤(1-2-1)中建立三维堆栈,类似于虚拟可视化处理,提高了权值映射图的质量。即使用相对较小的估计窗口,也能提供可靠的统计结果,从而保证了高分辨率。然而,若使用固定大小的子块窗口,会导致窗口边界出现不连续。这种现象是由于每个像素都属于它的许多相邻像素的估计窗口,影响了它们的异质性指数。例如,在均匀背景上的强噪声将导致整个窗口内的像素被标记为异质区域。最终,邻域的本应属于均质区域的像素被当作异质区域来去噪,在输出中产生人工伪影。为了解决这个问题,我们采用了一个简单的启发式策略,即计算基于子块大小的权重,其中可能包括较大的权重和较小的权重,然后对不同大小的子块进行平均。这样做可以减少一些不合理的估计,避免人工滤波伪影的出现。
所述步骤二的具体步骤为:
步骤(2-1):选择LPG-PCA和BM3D两种目前最先进的去噪工具。
步骤(2-2):LPG-PCA算法在图像的均质区域有较强的抑制噪声能力,因此在均质区域对LPG-PCA去噪后的结果赋予较大的权值。
步骤(2-3):BM3D在能够很好地保护图像的细节和纹理,因此在图像的异质区域对BM3D去噪后的结果赋予较大的权值。
所述步骤三的具体步骤为:
步骤(3-1):根据步骤(1)得到的图像权值映射图可以确定每个子块的权重,并将其用于线性组合两个滤波器的输出。
步骤(3-2):根据步骤(2),对噪声图像分别采用BM3D和LPG-PCA进行去噪得到两幅输出图像;
步骤(3-3):利用计算的权值图,步骤(2)得到的两幅输出图像进行有效的融合,对均质区域,LPG-PCA的去噪后的对应的子块权值较大,对异质区域,BM3D去噪后的相应的子块的权值较大。两种方法去噪后的图像进行有效的融合,得到最后的去噪图像。
虽然NLM算法的去噪效果已经相对较好,但仍不能充分的的保护原图像的结构信息,BM3D算法处理后的图像在图像块之间具有更强的的相似性,该方法是NLM算法性能的进一步提高,对图像细节有良好的保护,不仅有较高的信噪比,而且视觉效果更好;LPG-PCA在均质区域去噪能力较强,去噪图像清晰,而K-SVD处理后呈现的图像较为模糊,无论是在细节保护还是去噪性能都弱于LPG-PCA算法。
作为分类融合算法选择的参考,我们选择BM3D算法与LPG-PCA算法组合,NLM与K-SVD算法组合,并进行仿真性能的比较。实验结果表明BM3D算法与LPG-PCA算法组合既能有效去除噪声,又能很好地保护图像的细节和纹理,同时避免了人工伪影,达到了图像去噪的目的。
图2(a)-图2(h)为对Lena图像选取不同的窗口进行软分类的对比图。其中图2(a)是原始Lena图像;图2(b)是对原始Lena图像按照3×3分块得到的权值映射图;图2(c)是对原始Lena图像按照5×5分块得到的权值映射图;图2(d)是对原始Lena图像按照7×7分块得到的权值映射图;图2(e)是对原始Lena图像按照9×9分块得到的权值映射图;图2(f)是对原始Lena图像按照10×10分块得到的权值映射图;图2(g)是对原始Lena图像按照11×11分块得到的权值映射图;图2(h)是对多个映射图取平均后得到的权值映射图。显然图2(h)有效避免了人工伪影。
图3(a)-图3(h)为对含有噪声的Lena图像采用不同方法去噪的对比图。其中,图3(a)是对图2(a)原始Lena图像加入方差为10的高斯噪声后的噪声图像;图3(b)是对图3(a)采用BM3D方法去噪后的图像;图3(c)是对图3(a)采用LPG-PCA方法去噪后的图像;图3(d)是对图3(a)采用BM3D和LPG-PCA方法去噪后的融合的图像;图3(e)是多视平均后的权值映射图;图3(f)是对图3(a)采用NLM方法去噪后的图像;图3(g)是对图3(a)采用K-SVD方法去噪后的图像;图3(h)是对图3(a)采用NLM和K-SVD方法去噪后的融合的图像。显然,图3(d)视觉效果最好。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.基于均质和异质区域融合的图像去噪方法,其特征是,包括:
步骤(1):设定窗口的滑动步长,将原始图像按照窗口的设定尺寸划分成若干个子块,计算每个子块的权重系数;
步骤(2):对原始图像划分的所有子块,采用LPG-PCA算法进行去噪处理;
对原始图像划分的所有子块,采用三维块匹配BM3D算法进行去噪处理;
步骤(3):根据权重系数与设定阈值的比较,将每个子块归类为均质区域或异质区域;根据每个子块的区域类别和权重系数,将两种算法去噪后的子块进行对应融合,得到融合后的图像即为最终的图像;所述均质区域是指:该区域中所有像素点的灰度值均在一个设定范围内;所述异质区域是指:除了均质区域以外的区域。
3.如权利要求1所述的基于均质和异质区域融合的图像去噪方法,其特征是,所述步骤(3)的步骤为:
对图像的第j个子块,首先判断其属于均质区域还是异质区域;
如果权重系数ω(λj)大于等于0.5,则子块属于异质区域;对于属于异质区域的子块,将采用三维块匹配BM3D算法进行去噪处理后的第j个子块的像素灰度值乘以权重ω(λj)后,与采用LPG-PCA算法进行去噪处理的第j个子块的像素灰度值乘以(1-ω(λj))后求和,得到融合后的图像的第j个子块的像素灰度值;
如果权重系数ω(λj)小于0.5,则子块属于均质区域;对于属于均质区域的子块,将采用三维块匹配BM3D算法进行去噪处理的第j个子块的像素灰度值乘以权重ω(λj)后,与采用LPG-PCA算法进行去噪处理的第j个子块的像素灰度值乘以(1-ω(λj))后求和,得到融合后的图像的第j个子块的像素灰度值;
进而得到融合后的图像的所有子块的像素灰度值,即得到原始图像去噪后的图像。
4.基于均质和异质区域融合的图像去噪系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-3任一项方法所述的步骤。
5.一种计算机可读存储介质,其特征是,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-3任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061739.8A CN109242797B (zh) | 2018-09-12 | 2018-09-12 | 基于均质和异质区域融合的图像去噪方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061739.8A CN109242797B (zh) | 2018-09-12 | 2018-09-12 | 基于均质和异质区域融合的图像去噪方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242797A CN109242797A (zh) | 2019-01-18 |
CN109242797B true CN109242797B (zh) | 2021-10-19 |
Family
ID=65067611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061739.8A Expired - Fee Related CN109242797B (zh) | 2018-09-12 | 2018-09-12 | 基于均质和异质区域融合的图像去噪方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242797B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021081903A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳先进技术研究院 | 图像的去噪方法、装置及计算机可读存储介质 |
CN111612706B (zh) * | 2020-04-28 | 2023-10-13 | 广州科易光电技术有限公司 | 一种应用于红外图像的滤波方法及系统 |
TWI789071B (zh) * | 2021-10-25 | 2023-01-01 | 瑞昱半導體股份有限公司 | 基於區域控制以及紋理合成進行圖像增強的圖像處理系統與相關圖像處理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093434A (zh) * | 2013-01-27 | 2013-05-08 | 西安电子科技大学 | 基于奇异值分解的非局部维纳滤波图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281923A1 (en) * | 2011-05-02 | 2012-11-08 | Yeda Research And Development Co., Ltd. | Device, system, and method of image processing utilizing non-uniform image patch recurrence |
-
2018
- 2018-09-12 CN CN201811061739.8A patent/CN109242797B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093434A (zh) * | 2013-01-27 | 2013-05-08 | 西安电子科技大学 | 基于奇异值分解的非局部维纳滤波图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
《Iterative weighted maximum likelihood denoising with probabilistic patch-based weights》;Charles-Alban Deledalle等;《 IEEE Transactions on Image Processing》;20090807;第18卷(第12期);全文 * |
《基于广义似然比的小波域SAR图像相干斑抑制算法》;侯建华 等;《中南民族大学学报(自然科学版)》;20150331;第34卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109242797A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
CN105335947A (zh) | 图像去噪方法和图像去噪装置 | |
CN111783583B (zh) | 基于非局部均值算法的sar图像相干斑抑制方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及系统 | |
CN110349112B (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN108305268B (zh) | 一种图像分割方法及装置 | |
CN112488934B (zh) | 一种基于cs-tcgan的指静脉图像去噪方法 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
Nair et al. | Direction based adaptive weighted switching median filter for removing high density impulse noise | |
CN104751426A (zh) | 基于三维块匹配变换去除高密度脉冲噪声的方法 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
Bindal et al. | Novel three stage range sensitive filter for denoising high density salt & pepper noise | |
Md. Taha et al. | Reduction of salt-and-pepper noise from digital grayscale image by using recursive switching adaptive median filter | |
Sen et al. | A comparative analysis of the algorithms for de-noising images contaminated with impulse noise | |
CN114240990B (zh) | Sar图像点目标分割方法 | |
Suneetha et al. | An Improved Denoising of Medical Images Based on Hybrid Filter Approach and Assess Quality Metrics | |
CN113379666B (zh) | 基于区间二型模糊集和chmm模型的图像融合方法 | |
Liao et al. | Determining neighborhoods of image pixels automatically for adaptive image denoising using nonlinear time series analysis |
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: 20211019 |
|
CF01 | Termination of patent right due to non-payment of annual fee |