CN109493295B - 一种非局部哈尔变换图像去噪方法 - Google Patents

一种非局部哈尔变换图像去噪方法 Download PDF

Info

Publication number
CN109493295B
CN109493295B CN201811284474.8A CN201811284474A CN109493295B CN 109493295 B CN109493295 B CN 109493295B CN 201811284474 A CN201811284474 A CN 201811284474A CN 109493295 B CN109493295 B CN 109493295B
Authority
CN
China
Prior art keywords
image
transform
haar
denoising
haar transform
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
CN201811284474.8A
Other languages
English (en)
Other versions
CN109493295A (zh
Inventor
侯迎坤
侯昊
杨洪祥
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.)
Taishan University
Original Assignee
Taishan University
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 Taishan University filed Critical Taishan University
Priority to CN201811284474.8A priority Critical patent/CN109493295B/zh
Publication of CN109493295A publication Critical patent/CN109493295A/zh
Application granted granted Critical
Publication of CN109493295B publication Critical patent/CN109493295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Abstract

本发明公开了一种非局部哈尔变换图像去噪方法，包括以下步骤：S1、对原始含噪图像执行块匹配与列扫描后的行匹配；S2、对结果执行哈尔变换，并对变换系数采用双硬阈值进行收缩，将结果执行哈尔逆变换后对图像块进行聚合获得初步降噪图像；S3、将原始含噪图像和初步降噪图像同步执行块匹配与行匹配，执行哈尔变换，得到两组变换系数，再维纳滤波去噪，将去噪后的变换系数执行逆哈尔变换，执行图像块聚合获得最终去噪后的图像。本发明通过对最相似的像素群组执行简单的哈尔变换实现了有效的图像去噪，不仅能较好保留图像细节而且极少引入假信号；获得的去噪结果图像不仅在客观评价指标方面比现有算法有了较大提升，在主观视觉方面也优于现有算法。

Description

一种非局部哈尔变换图像去噪方法
技术领域
本发明涉及图像去噪技术领域，更具体地说，特别涉及一种非局部哈尔变换图像去噪方法。
背景技术
图像去噪一直以来都是一个重要的基础研究课题，尽管图像去噪已经被研究了几十年，但直到今天图像去噪仍然是一个比较活跃的研究方向。这是因为无论在什么环境下，无论用多么高级的设备获取的图像总会不可避免地引入各种各样的噪声，噪声的存在会对计算机视觉、模式识别、机器学习甚至人工智能等方面的研究带来或多或少的影响，所以人们总在追求更加完美的图像去噪结果。
图像去噪研究总体分为空域方法与变换域方法，这两种方法在整个研究过程中总相互补充，更迭交替地向前发展。最典型的空域图像去噪方法是高斯滤波及维纳滤波，最典型的变换域方法是基于小波变换的图像去噪方法。而近十几年发展起来的非局部方法使图像去噪的发展有了很大的进展，其中最典型的NL-means(非局部平均)属于空域方法，而BM3D(块匹配三维变换)属于非局部变换域方法，尤其是BM3D方法为当前的最先进的图像去噪方法之一，尽管近几年又有多种优秀的算法被提出，但至今没有一种算法能全面超过BM3D方法。
发明内容
本发明的目的在于解决现有技术中的不足，从而提供一种不是对相似像素进行简单加权平均，从而能很好保留图像细节；提出的方法也不像BM3D那样进行了大量的复杂的小波变换与离散余弦变换致使在去噪的同时引入大量假信号，本发明仅仅是对聚类的相似像素进行了简单的哈尔变换就实现了比BM3D好得多的图像去噪结果。
为了达到上述目的，本发明采用的技术方案如下：
一种非局部哈尔变换图像去噪方法，包括以下步骤：
S1、对输入原始含噪图像执行块匹配与列扫描后的行匹配；
S2、初步降噪：对图像行匹配结果执行哈尔变换，并对变换系数采用系数硬阈值与结构硬阈值的双硬阈值进行收缩，将结果执行哈尔逆变换后对图像块进行聚合获得初步降噪图像；
S3、精细降噪：将步骤S1的原始含噪图像和步骤S2中初步降噪图像同步执行块匹配与行匹配，执行哈尔变换，得到两组变换系数，再将两组变换系数执行维纳滤波去噪，将去噪后的变换系数执行逆哈尔变换，执行图像块聚合获得最终去噪后的图像。
进一步地，所述步骤S2的具体执行方法为：
S21、进行图像块匹配和行匹配，然后对相似像素进行聚类；
S22、进行哈尔变换；
S23、进行双硬阈值系数收缩；
S24、进行哈尔逆变换与像素聚合形成初步降噪图像；
所述步骤S3的具体执行方法为：
S31、将原始含噪图像和初步降噪图像进行块匹配和行匹配，然后对相似像素进行聚类，得到两个群组结果；
S32、将步骤S31中的两个群组结果分别进行哈尔变换；
S33、进行维纳滤波去噪；
S34、进行哈尔逆变换与像素聚合形成最终降噪图像。
进一步地，所述步骤S21的具体执行方法为：首先执行原始含噪图像的块匹配,按一个指定的步长N_step提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类。
进一步地，所述步骤S22的具体执行方法为：步骤S21获得的行群组执行可分的二维哈尔变换，即纵向与横向各自执行哈尔变换。
进一步地，所述步骤S23的具体执行方法为：将最相似的行之间执行哈尔变换后的结果系数进行结构硬阈值，即将这些系数全部设置为零；对其余哈尔变换的系数采用传统的系数硬阈值进行系数收缩。
进一步地，所述步骤S23中系数硬阈值参数为Thr，
当输入图片噪声标准偏差小于等于25时，Thr＝1.65，迭代执行步骤S21-S24，2-3次；
当输入图片噪声标准偏差大于25且小于等于75时，Thr＝1.45，迭代执行步骤S21-S24，4-6次；
当输入图片噪声标准偏差大于75时，Thr＝1.45，迭代执行步骤S21-S24，7-12次。
进一步地，所述步骤S24的具体执行方法为：对双硬阈值收缩后的哈尔变换系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，最终将这些图像块加权放回到图像中的原始位置获得去噪后的图像。
进一步地，所述步骤S31的具体执行方法为：用步骤S24的结果图像作为参考,同步执行步骤S21结果图像与原始含噪图像的块匹配操作及行匹配操作，按一个指定的步长N_step在第一阶段结果图像中提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类，原始含噪图像进行同步的同参数的操作，经过块匹配与行匹配后获得两个同样大小的行群组结果。
进一步地，所述步骤S32中，将步骤S31中的两个行群组各自执行二维哈尔变换获得两组变换系数,所述步骤S33中，用步骤S2中初步降噪的结果的变换系数θ1对原始含噪图像的变换系数θ2按下述公式执行维纳滤波：
Figure BDA0001848729340000031
其中σ为噪声标准偏差。
进一步地，对维纳滤波后的含噪图像的系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，将这些图像块加权放回到图像中的原始位置获得最终去噪后的图像。
本发明首先执行图像块匹配获得一定数目的图像块，将获得的图像按行或列扫描拼接成一个二维矩阵，再执行此二维矩阵上的行匹配或列匹配获得最相似的一定数目像素行。通过这种方法最大程度地将图像中的自相似信息进行了聚类。对聚类的像素执行简单的哈尔变换，由于哈尔变换存在简单的提升方法，即只是对这些行之间进行加权平均，所以很容易硬件实现。整个算法不需要任何矩阵乘法，与BM3D方法相比大大降低了运算复杂度。
在去噪过程中本发明提出一种双硬阈值策略，即不仅对变换系数进行一般的硬阈值实现系数收缩，而且将最相似的两行像素的哈尔变换的系数全部置为零(本发明称这种阈值为结构硬阈值)，从而大大提高了图像去噪能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明的非局部哈尔变换图像去噪方法的方法原理图；
图2是本发明的非局部哈尔变换图像去噪方法的方法流程图；
图3是本发明实施例中原始图像和含噪图像；
图4是本发明实施例中BM3D去噪结果图；
图5是本发明实施例中非局部哈尔变换图像去噪方法去噪结果图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例一
参阅图1所示，一种非局部哈尔变换图像去噪方法，包括以下步骤：
S1、对输入原始含噪图像执行块匹配与列扫描后的行匹配；
S2、初步降噪：对图像行匹配结果执行哈尔变换，并对变换系数采用系数硬阈值与结构硬阈值的双硬阈值进行收缩，将结果执行哈尔逆变换后对图像块进行聚合获得初步降噪图像；
S3、精细降噪：将步骤S1的原始含噪图像和步骤S2中初步降噪图像同步执行块匹配与行匹配，执行哈尔变换，得到两组变换系数，再将两组变换系数执行维纳滤波去噪，将去噪后的变换系数执行逆哈尔变换，执行图像块聚合获得最终去噪后的图像。
所述步骤S2的具体执行方法为：
S21、进行图像块匹配和行匹配，然后对相似像素进行聚类；
S22、进行哈尔变换；
S23、进行双硬阈值系数收缩；
S24、进行哈尔逆变换与像素聚合形成初步降噪图像；
所述步骤S3的具体执行方法为：
S31、将原始含噪图像和初步降噪图像进行块匹配和行匹配，然后对相似像素进行聚类，得到两个群组结果；
S32、将步骤S31中的两个群组结果分别进行哈尔变换；
S33、进行维纳滤波去噪；
S34、进行哈尔逆变换与像素聚合形成最终降噪图像。
本发明首先执行图像块匹配获得一定数目的图像块，将获得的图像按行或列扫描拼接成一个二维矩阵，再执行此二维矩阵上的行匹配或列匹配获得最相似的一定数目像素行。通过这种方法最大程度地将图像中的自相似信息进行了聚类。对聚类的像素执行简单的哈尔变换，由于哈尔变换存在简单的提升方法，即只是对这些行之间进行加权平均，所以很容易硬件实现。整个算法不需要任何矩阵乘法，与BM3D方法相比大大降低了运算复杂度。
在去噪过程中本发明提出一种双硬阈值策略，即不仅对变换系数进行一般的硬阈值实现系数收缩，而且将最相似的两行像素的哈尔变换的系数全部置为零(本发明称这种阈值为结构硬阈值)，从而大大提高了图像去噪能力。
实施例二
参阅图2所示，本实施例的图像去噪方法整体分为两个阶段，其中第一阶段为初步去噪阶段，第二阶段为精细去噪阶段。
第一阶段：初步去噪
第一步：图像块匹配与行匹配，对应实施例一中步骤S21，
首先执行原始含噪图像的块匹配,按一个指定的步长N_step提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类。
本发明中，示例性的设置参数值为：N1＝9，N2＝16，NS＝43，Nstep＝8，N3＝4。也可以根据需要设置其他参数值。
第二步：可分哈尔变换，对应实施例一中步骤S22，
将第一步获得的行群组执行可分的二维哈尔变换，即纵向与横向各自执行哈尔变换，由于哈尔变换矩阵的独特的规则结构，在执行变换过程中本发明应用了提升变换方法，即只对行或列之间执行加权的平均，在整个变换过程中不用矩阵乘法，从而大大降低了运算复杂度。
第三步：双硬阈值系数收缩，对应实施例一中步骤S23，
由于最相似的两行的哈尔变换的结果相当于对两行的加权求差，所以本发明发现这些求差后的结果系数基本全部来自于噪声，所以对这样的系数采用了结构硬阈值，即将这些系数全部设置为零；对其余哈尔变换的系数采用传统的系数硬阈值进行系数收缩，系数硬阈值参数为Thr。由于采用了双硬阈值策略，本发明的方法大大提高了比传统方法的去噪能力。
第四步：哈尔逆变换与像素聚合，对应实施例一中步骤S24,
对双硬阈值收缩后的哈尔变换系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，最终将这些图像块加权放回到图像中的原始位置获得去噪后的图像。
由于每次参与去噪的最相似像素数目是有限的，为了最好保留图像细节，硬阈值参数又不能选择的太大，所以仅执行一次上述步骤很难将图像噪声全部去除，所以本发明采用了迭代策略，用一个恰好能最大程度保留图像细节的硬阈值参数对上述四步操作实行多次迭代以获得最好的图像去噪结果。对于弱噪声情形只迭代两次，对强噪情形迭代的次数随着噪声强度加强而增加。
优选的，
当输入图片噪声标准偏差小于等于25时，Thr＝1.65，迭代执行步骤S21-S24，2-3次；
当输入图片噪声标准偏差大于25且小于等于75时，Thr＝1.45，迭代执行步骤S21-S24，4-6次；
当输入图片噪声标准偏差大于75时，Thr＝1.45，迭代执行步骤S21-S24，7-12次。
第二阶段：精细去噪
第一步：图像块匹配与行匹配，对应实施例一中步骤S31，
由于第一阶段的图像的噪声已经几乎全部去除，所以能获得更好的图像块匹配结果。用第一阶段的结果图像作为参考同步执行第一阶段记过图像与原始含噪图像的块匹配操作及行匹配操作。按一个指定的步长N_step在第一阶段结果图像中提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类。原始含噪图像进行同步的同参数的操作，经过块匹配与行匹配后获得两个同样大小的行群组结果。
在本实施例中，根据不同参数强度对所用的参数值分为3组：
低噪：N1＝8，N2＝64，NS＝129，Nstep＝5，N3＝8；
中噪：N1＝16，N2＝64，NS＝129，Nstep＝10，N3＝8；
强噪：N1＝20，N2＝64，NS＝129，Nstep＝13，N3＝8。
也可以根据需要设置其他参数值。
第二步：可分哈尔变换，对应实施例一中步骤S32，
进一步地，所述步骤S32中，将第一步获得的两个行群组分别执行同样的可分二维哈尔变换。
第三步：经验维纳滤波，对应实施例一中步骤S33，
所述步骤S33中，用步骤S2中初步降噪的结果的变换系数θ1对原始含噪图像的变换系数θ2按下述公式执行维纳滤波：
Figure BDA0001848729340000071
其中σ为噪声标准偏差。
第四步：哈尔逆变换与像素聚合，对应实施例一中步骤S34，
对维纳滤波后的含噪图像的系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，最终将这些图像块加权放回到图像中的原始位置获得最终去噪后的图像。
为了最大程度地提高去噪性能，本发明在第二阶段同样采用了迭代策略，无论噪声强弱，本阶段都采用两步迭代。
上述第一阶段是为了对图像初步去噪，第二阶段是为了将第一阶段去噪的过程中损失的真实信号能量进行恢复以及进一步取出第一阶段残留的噪声。
本发明通过简单哈尔变换对最相似的像素群组实现了有效的图像去噪。通过本发明的方法不仅能较好保留图像细节而且极少引入假信号，获得的去噪结果图像不仅在客观评价指标方面比现有算法有了较大提升，主观视觉质量也明显优于现有方法。
在实施例二中例举了采用行匹配的方法，图像还可以按列扫描的替代方法为按行扫描，两种扫描方法对本发明的结果是同样的。
参阅图3所示，其是原始图像与含噪图像；
本发明对图像去噪研究中通用的多幅标准图像用MATLAB软件向图像进行加噪与去噪实验，每次向图像中添加不同强度的噪声，形成图3所示的原始图像和含噪图像，然后对加噪的图像按本发明方法去噪。图4为房屋图像在不同噪声强度情形下采用BM3D方法去噪结果，图5为房屋图像在不同噪声强度情形下采用本发明方法去燥结果，从图中可以看出，本发明方法的去噪结果不仅更好保留了图像细节，而且几乎不引入假信号。本发明用房屋图像给出实验结果的原因是此图像含有很小的图像细节，更能体现本发明的去噪保留细节信息的优势。从图中数据可以看出，本发明的去噪结果比BM3D方法有大幅度提高，PSNR值最多的比BM3D方法提高1dB以上。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (9)

1.一种非局部哈尔变换图像去噪方法，其特征在于，包括以下步骤：
S1、对输入原始含噪图像执行块匹配与列扫描后的行匹配；
S2、初步降噪：对图像行匹配结果执行哈尔变换，并对变换系数采用系数硬阈值与结构硬阈值的双硬阈值进行收缩，将结果执行哈尔逆变换后对图像块进行聚合获得初步降噪图像；
S3、精细降噪：将步骤S1的原始含噪图像和步骤S2中初步降噪图像同步执行块匹配与行匹配，执行哈尔变换，得到两组变换系数，再将两组变换系数执行维纳滤波去噪，将去噪后的变换系数执行逆哈尔变换，执行图像块聚合获得最终去噪后的图像；
所述步骤S2的具体执行方法为：
S21、进行图像块匹配和行匹配，然后对相似像素进行聚类；
S22、进行哈尔变换；
S23、进行双硬阈值系数收缩；
S24、进行哈尔逆变换与像素聚合形成初步降噪图像；
所述步骤S23的具体执行方法为：将最相似的行之间执行哈尔变换后的结果系数进行结构硬阈值，即将这些系数全部置为零；对其余哈尔变换的系数采用传统的系数硬阈值进行系数收缩。
2.根据权利要求1所述的非局部哈尔变换图像去噪方法，其特征在于，所述步骤S3的具体执行方法为：
S31、将原始含噪图像和初步降噪图像进行块匹配和行匹配，然后对相似像素进行聚类，得到两个群组结果；
S32、将步骤S31中的两个群组结果分别进行哈尔变换；
S33、进行维纳滤波去噪；
S34、进行哈尔逆变换与像素聚合形成最终降噪图像。
3.根据权利要求2所述的非局部哈尔变换图像去噪方法，其特征在于，所述步骤S21的具体执行方法为：首先执行原始含噪图像的块匹配,按一个指定的步长N_step提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类。
4.根据权利要求2所述的非局部哈尔变换图像去噪方法，其特征在于：所述步骤S22的具体执行方法为：步骤S21获得的行群组执行可分的二维哈尔变换，即纵向与横向各自执行哈尔变换。
5.根据权利要求2所述的非局部哈尔变换图像去噪方法，其特征在于：所述步骤S23中系数硬阈值参数为Thr，
当输入图片噪声标准偏差小于等于25时，Thr=1.65，迭代执行步骤S21-S24，2-3次；
当输入图片噪声标准偏差大于25且小于等于75时，Thr=1.45，迭代执行步骤S21-S24，4-6次；
当输入图片噪声标准偏差大于75时，Thr=1.45，迭代执行步骤S21-S24，7-12次。
6.根据权利要求2所述的非局部哈尔变换图像去噪方法，其特征在于：所述步骤S24的具体执行方法为：对双硬阈值收缩后的哈尔变换系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，最终将这些图像块加权放回到图像中的原始位置获得去噪后的图像。
7.根据权利要求2所述的非局部哈尔变换图像去噪方法，其特征在于，所述步骤S31的具体执行方法为：用步骤S24的结果图像作为参考,同步执行步骤S21结果图像与原始含噪图像的块匹配操作及行匹配操作，按一个指定的步长N_step在第一阶段结果图像中提取大小为N1×N1的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将距离最小N3行群组获得最大程度的图像中相似像素的聚类，原始含噪图像进行同步的同参数的操作，经过块匹配与行匹配后获得两个同样大小的行群组结果。
8.根据权利要求7所述的非局部哈尔变换图像去噪方法，其特征在于：所述步骤S32中，将步骤S31中的两个行群组各自执行二维哈尔变换获得两组变换系数,所述步骤S33中，用步骤S2中初步去噪的结果的变换系数
Figure 7458DEST_PATH_IMAGE002
对原始含噪图像的变换系数
Figure 190178DEST_PATH_IMAGE004
按下述公式执行维纳滤波：
Figure DEST_PATH_IMAGE006A
其中
Figure 156865DEST_PATH_IMAGE008
为噪声标准偏差。
9.根据权利要求8所述的非局部哈尔变换图像去噪方法，其特征在于：对维纳滤波后的含噪图像的系数执行逆哈尔变换，获得去噪后的二维矩阵，再将此二维矩阵扫描回原来的图像块，最终将这些图像块加权放回到图像中的原始位置获得最终去噪后的图像。
CN201811284474.8A 2018-10-31 2018-10-31 一种非局部哈尔变换图像去噪方法 Active CN109493295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811284474.8A CN109493295B (zh) 2018-10-31 2018-10-31 一种非局部哈尔变换图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811284474.8A CN109493295B (zh) 2018-10-31 2018-10-31 一种非局部哈尔变换图像去噪方法

Publications (2)

Publication Number Publication Date
CN109493295A CN109493295A (zh) 2019-03-19
CN109493295B true CN109493295B (zh) 2022-02-11

Family

ID=65693499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811284474.8A Active CN109493295B (zh) 2018-10-31 2018-10-31 一种非局部哈尔变换图像去噪方法

Country Status (1)

Country Link
CN (1) CN109493295B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626945B (zh) * 2020-04-23 2023-07-25 泰山学院 一种基于像素级自相似模型的深度图像修复方法
CN111626955A (zh) * 2020-05-25 2020-09-04 泰山学院 一种基于体素级非局部模型的视频去噪方法
CN113160096B (zh) * 2021-05-27 2023-12-08 山东中医药大学 一种基于视网膜模型的低光图像增强方法
CN113628138B (zh) * 2021-08-06 2023-10-20 北京爱芯科技有限公司 硬件复用图像降噪装置
CN115830172B (zh) * 2023-02-20 2023-05-09 泰山学院 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682429A (zh) * 2012-04-13 2012-09-19 泰山学院 一种尺寸自适应块匹配变换域滤波图像去噪方法
WO2014107762A1 (en) * 2013-01-09 2014-07-17 Vincenzo Liguori Method and apparatus for comparing two blocks of pixels
CN104992415A (zh) * 2015-06-30 2015-10-21 北京交通大学 一种基于全变差和小波变换的图像去噪方法及系统
CN107292851A (zh) * 2017-07-14 2017-10-24 重庆理工大学 一种基于伪3d变换的bm3d图像降噪方法
CN107730464A (zh) * 2017-10-09 2018-02-23 四川大学 基于块匹配的图像降噪并行算法
CN108596850A (zh) * 2018-04-23 2018-09-28 中国科学院光电研究院 一种成像光谱仪条带噪声去除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10674178B2 (en) * 2016-07-15 2020-06-02 Samsung Electronics Co., Ltd. One-dimensional segmentation for coherent motion estimation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682429A (zh) * 2012-04-13 2012-09-19 泰山学院 一种尺寸自适应块匹配变换域滤波图像去噪方法
WO2014107762A1 (en) * 2013-01-09 2014-07-17 Vincenzo Liguori Method and apparatus for comparing two blocks of pixels
CN104992415A (zh) * 2015-06-30 2015-10-21 北京交通大学 一种基于全变差和小波变换的图像去噪方法及系统
CN107292851A (zh) * 2017-07-14 2017-10-24 重庆理工大学 一种基于伪3d变换的bm3d图像降噪方法
CN107730464A (zh) * 2017-10-09 2018-02-23 四川大学 基于块匹配的图像降噪并行算法
CN108596850A (zh) * 2018-04-23 2018-09-28 中国科学院光电研究院 一种成像光谱仪条带噪声去除方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BM3D Image Denoising Algorithm with Adaptive Distance Hard-threshold;Li Dai等;《International Journal of Signal Processing,Image Processing and Pattern Recognition》;20131231;第6卷(第6期);第41-50页 *
Image denoising by block-matching and 1D filtering;Yingkun Hou等;《Proc.SPIE 8349,Fourth International Conference on Machine Vision(ICMV 2011)》;20120111(第8349期);第1-6页 *
Image denoising with morphology and size-adaptive block-matching transform domain filtering;Yingkun Hou等;《EURASIP Journal on Image and Video Processing》;20180720;第59卷(第2018期);第1-16页 *
一种改进的小波消噪算法;冯金巧等;《交通与计算》;20081020(第05期);第139-143页 *

Also Published As

Publication number Publication date
CN109493295A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109493295B (zh) 一种非局部哈尔变换图像去噪方法
CN114140353B (zh) 一种基于通道注意力的Swin-Transformer图像去噪方法及系统
CN109978762B (zh) 一种基于条件生成对抗网络的超分辨率重建方法
CN110599409B (zh) 基于多尺度卷积组与并行的卷积神经网络图像去噪方法
Tian et al. Deep learning on image denoising: An overview
Liu et al. Joint demosaicing and denoising with self guidance
CN111275643B (zh) 基于通道和空间注意力的真实噪声盲去噪网络系统及方法
CN110738605A (zh) 基于迁移学习的图像去噪方法、系统、设备及介质
CN111127336A (zh) 一种基于自适应选择模块的图像信号处理方法
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
CN110390646B (zh) 一种细节保持图像去噪方法
CN113362250B (zh) 一种基于双树四元小波与深度学习的图像去噪方法及系统
CN106204482A (zh) 基于加权稀疏的混合噪声去除方法
Wang et al. New image restoration method associated with tetrolets shrinkage and weighted anisotropic total variation
Liu et al. True wide convolutional neural network for image denoising
CN116188325A (zh) 一种基于深度学习和图像颜色空间特性的图像去噪方法
CN112927137A (zh) 一种用于获取盲超分辨率图像的方法、设备及存储介质
He et al. SRDRL: A blind super-resolution framework with degradation reconstruction loss
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN105872315B (zh) 一种针对混合噪声的视频去噪方法
Wu et al. Dcanet: Dual convolutional neural network with attention for image blind denoising
CN111047537A (zh) 一种图像去噪中恢复细节的系统
CN111626945B (zh) 一种基于像素级自相似模型的深度图像修复方法
CN112907456B (zh) 基于全局平滑约束先验模型的深度神经网络图像去噪方法
CN113542772B (zh) 基于增强的宽激活残差网络的压缩图像去块效应方法

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