CN109584174B - 一种梯度最小法红外图像边缘保持去噪方法 - Google Patents

一种梯度最小法红外图像边缘保持去噪方法 Download PDF

Info

Publication number
CN109584174B
CN109584174B CN201811377047.4A CN201811377047A CN109584174B CN 109584174 B CN109584174 B CN 109584174B CN 201811377047 A CN201811377047 A CN 201811377047A CN 109584174 B CN109584174 B CN 109584174B
Authority
CN
China
Prior art keywords
pixel point
gradient
edg
gray
target pixel
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
CN201811377047.4A
Other languages
English (en)
Other versions
CN109584174A (zh
Inventor
吕坚
刘婷
李小飞
罗昕杰
阙隆成
蒋亚东
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811377047.4A priority Critical patent/CN109584174B/zh
Publication of CN109584174A publication Critical patent/CN109584174A/zh
Application granted granted Critical
Publication of CN109584174B publication Critical patent/CN109584174B/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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Abstract

本发明公开了一种梯度最小法红外图像边缘保持去噪方法，目标像素点为中心，获得M*P窗口的像素区域，获得像素区域A中所有像素点的灰度值；以目标像素点为中心原点，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；获得值最小的方向梯度作为参数因子；将值最小的方向梯度作为目标像素点的去噪因子参与去噪处理，其处理方法为：将目标像素点的灰度值放大后减去值最小的方向梯度，然后缩小得到去噪后的目标像素点的灰度值。

Description

一种梯度最小法红外图像边缘保持去噪方法
技术领域
本发明涉及红外图像去噪技术领域，具体涉及一种梯度最小法红外图像边缘保持去噪方法。
背景技术
在去噪技术领域中，对于普通图像，一般采用的去噪方法是中值滤波法，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。中值滤波法对消除椒盐噪声非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大。
红外图像，是用红外传感器将红外转换的电信号，由于不同的探测器对相同的红外辐射产生不同的响应，导致红外图像中包含大量的噪声，称为固定模式噪声，通过非均匀校正算法可以抑制这样的噪声；还有一种读出电路造成的竖条纹噪声对图像视觉效果有很大的影响，竖条纹在图像中表现为位置和强度相对固定，且在列方向上具有一定的稳定性。用非均匀校正的算法不能消除竖条纹噪声。传统的算法中，在消除竖条纹噪声的同时，图像上的边缘信息也会被削弱。因此，为了解决，在去噪时，对边缘区域的保持，因此，我们需要设计一种专门针对红外图像的去噪方法。
发明内容
本发明的目的在于提供一种梯度最小法红外图像边缘保持去噪方法，该方法能有效的保护好图像边缘区域。
本发明的具体技术方案为：
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度作为参数因子；
将值最小的方向梯度作为目标像素点的去噪因子参与去噪处理，其处理方法为：将目标像素点的灰度值放大N倍后减去值最小的方向梯度，然后缩小N倍得到去噪后的目标像素点的灰度值，N为正整数。
本发明的设计原理为：
在图像处理领域，像素点都是行列整列排布的，每个像素点都有自己的参数信息，在本发明中，选择目标像素点后，以像素点位中心，然后扩大目标像素点周边窗口，选择M*P窗口(M、P为≥3的奇数)可以使得目标像素点无论从水平方向还是竖直方向还是斜向上都是位于中心位置，然后，本发明采用以目标像素点为中心起始点，计算出目标像素点与周边8个方向上像素点之间的灰度差，然后合并同一方向上的灰度差获得梯度，找到最小值得梯度，让该值作为去噪时对目标像素的灰度值的削弱或增强因素，相对于是对目标像素点周边的所有像素点的之间的变化过程进行了一次整理，让目标像素点的灰度值重新设置，而选择最小值会使得其影响最小，使得其能与周边像素点形成较为连续的信号，使得图像看起来较为平滑，使得其与周边像素，无论是哪个方向看起来都是与周边像素点较为接近。而采用梯度算法，在本领域中，一般是为了寻找图像中物体轮廓边缘像素，其本身并不是作为去噪算法。且传统的梯度算法采用的行间梯度或列间梯度，也就是只有1个方向，即水平方向梯度的方法，没有采用8向灰度差后构建出4向梯度的这种做法，在本发明中，其目的是为了重新设置图像中目标像素点，因此采用了8向灰度差，让周边像素都参与目标像素点的重新设定。因此其连续性不会受红外图像条纹区域的影响。
本发明具有：算法简单快速的优势，解决了在不破坏图像纹理同时有效去除图像噪声；采用放大目标像素点后减去最小梯度的的原理：
N*I(i,j)-edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)＝((N-2)*I(i,j)+I(i,j-1)+I(i,j+1))/N)表示最小梯度方向上像素作加权平均。
优选的，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和构建XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和构建YX方向梯度。
优选的，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
优选的，记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
优选的，N为3，
I(i,j+1)＝((N-2)*I(i,j)+I(i,j-1)+I(i,j+1))/N)＝＝>I(i,j+1)＝(I(i,j)+I(i,j-1)+I(i,j+1))/3，刚好是方向的均值。
比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度的方法为：
记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
比较|edg_x|与|edg_y|的大小，选最小值记为Edg1，若|edg_x|-|edg_y|＞0，则Edg1＝edg_y，若|edg_x|-|edg_y|＜0，则Edg1＝edg_x；
比较|edg_xy|与|edg_yx|的大小，选最小值记为Edg2，若|edg_xy|-|edg_yx|>0，则Edg2＝edg_yx，若|edg_xy|-|edg_yx|＜0，则Edg2＝|edg_xy|；
比较|Edg1|与|Edg2|的大小，选最小值记为Edg3，若|Edg1|-|Edg2|>0，则Edg3＝Edg1，若|Edg1|-|Edg2|＜0，则Edg3＝Edg2。
所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
本发明与现有技术相比，具有如下的优点和有益效果：本发明处理后的图像，对图像纹理破坏很小，去噪效果明显，对边缘的保持表现良好。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明中3*3窗口内所有像素点的灰度值图。
图2是所有像素点在方向系内的位置图。
图3是中值法去噪后的数据图。
图4是本发明去噪后的数据图。
图5是本发明去噪前后的图像对比图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
如图1所示：
本发明的具体技术方案为：
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度作为参数因子；
将值最小的方向梯度作为目标像素点的去噪因子参与去噪处理，其处理方法为：将目标像素点的灰度值放大N倍后减去值最小的方向梯度，然后缩小N倍得到去噪后的目标像素点的灰度值，N为正整数。
本发明的设计原理为：
在图像处理领域，像素点都是行列整列排布的，每个像素点都有自己的参数信息，在本发明中，选择目标像素点后，以像素点位中心，然后扩大目标像素点周边窗口，选择M*P窗口(M、P为≥3的奇数)可以使得目标像素点无论从水平方向还是竖直方向还是斜向上都是位于中心位置，然后，本发明采用以目标像素点为中心起始点，计算出目标像素点与周边8个方向上像素点之间的灰度差，然后合并同一方向上的灰度差获得梯度，找到最小值得梯度，让该值作为去噪时对目标像素的灰度值的削弱或增强因素，相对于是对目标像素点周边的所有像素点的之间的变化过程进行了一次整理，让目标像素点的灰度值重新设置，而选择最小值会使得其影响最小，使得其能与周边像素点形成较为连续的信号，使得图像看起来较为平滑，使得其与周边像素，无论是哪个方向看起来都是与周边像素点较为接近。而采用梯度算法，在本领域中，一般是为了寻找图像中物体轮廓边缘像素，其本身并不是作为去噪算法。且传统的梯度算法采用的行间梯度或列间梯度，也就是只有1个方向，即水平方向梯度的方法，没有采用8向灰度差后构建出4向梯度的这种做法，在本发明中，其目的是为了重新设置图像中目标像素点，因此采用了8向灰度差，让周边像素都参与目标像素点的重新设定。因此其连续性不会受红外图像条纹区域的影响。
优选的，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和构建XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和构建YX方向梯度。
优选的，在坐标系中，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
优选的，记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
优选的，N为3。
比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度的方法为：
记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
比较|edg_x|与|edg_y|的大小，选最小值记为Edg1，若|edg_x|-|edg_y|＞0，则Edg1＝edg_y，若|edg_x|-|edg_y|＜0，则Edg1＝edg_x；
比较|edg_xy|与|edg_yx|的大小，选最小值记为Edg2，若|edg_xy|-|edg_yx|>0，则Edg2＝edg_yx，若|edg_xy|-|edg_yx|＜0，则Edg2＝|edg_xy|；
比较|Edg1|与|Edg2|的大小，选最小值记为Edg3，若|Edg1|-|Edg2|>0，则Edg3＝Edg1，若|Edg1|-|Edg2|＜0，则Edg3＝Edg2。
所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
如图3、图4所示，本发明基于上述方案后，将和中值法进行比较为例说明本发明对于边缘保持的优势；在图3中，分别计算灰度值为50和67为中心点的像素点，分别采用中值算法滤波后，灰度值50则变换为灰度值60,灰度值67则变换为60，可以看出其变换量非常大，而采用本发明后，50变换为52.3,67变换为63.3。因此，对于本发明而言，可以看出，其变换量更趋向于相邻数据，对于红外图像而言，其52、50、52的灰度值的像素点，相比前后两列的数据而言，其实质是一个条纹区域，而采用中值法，其50变为60，首先差异很大，会造成条纹区域的更大噪点，因此不如本发明能保持原始图像，与原始图像相比，其相邻周边的像素点都做了上述处理后，其值是向某中心值趋向的，且不会由于红外图像条纹区域的异常造成突变的变换。其最终图像非常均匀能有效缓解条纹强度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种梯度最小法红外图像边缘保持去噪方法，其特征在于，
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度作为参数因子；
将值最小的方向梯度作为目标像素点的去噪因子参与去噪处理，其处理方法为：将目标像素点的灰度值放大N倍后减去值最小的方向梯度，然后缩小N倍得到去噪后的目标像素点的灰度值，N为正整数；
其中，比较X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小，获得值最小的方向梯度的方法为：
记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
比较|edg_x|与|edg_y|的大小，选最小值记为Edg1，若|edg_x|-|edg_y|＞0，则Edg1＝edg_y，若|edg_x|-|edg_y|＜0，则Edg1＝edg_x；
比较|edg_xy|与|edg_yx|的大小，选最小值记为Edg2，若|edg_xy|-|edg_yx|>0，则Edg2＝edg_yx，若|edg_xy|-|edg_yx|＜0，则Edg2＝|edg_xy|；
比较|Edg1|与|Edg2|的大小，选最小值记为Edg3，若|Edg1|-|Edg2|>0，则Edg3＝Edg1，若|Edg1|-|Edg2|＜0，则Edg3＝Edg2。
2.根据权利要求1所述的一种梯度最小法红外图像边缘保持去噪方法，其特征在于，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和构建XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和构建YX方向梯度。
3.根据权利要求2所述的一种梯度最小法红外图像边缘保持去噪方法，其特征在于，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
4.根据权利要求2所述的一种梯度最小法红外图像边缘保持去噪方法，其特征在于，记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
5.根据权利要求1所述的一种梯度最小法红外图像边缘保持去噪方法，其特征在于，
N为3。
6.根据权利要求1-5中任意一项所述的一种梯度最小法红外图像边缘保持去噪方法，其特征在于，所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
CN201811377047.4A 2019-01-29 2019-01-29 一种梯度最小法红外图像边缘保持去噪方法 Active CN109584174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811377047.4A CN109584174B (zh) 2019-01-29 2019-01-29 一种梯度最小法红外图像边缘保持去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811377047.4A CN109584174B (zh) 2019-01-29 2019-01-29 一种梯度最小法红外图像边缘保持去噪方法

Publications (2)

Publication Number Publication Date
CN109584174A CN109584174A (zh) 2019-04-05
CN109584174B true CN109584174B (zh) 2023-03-24

Family

ID=65922770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811377047.4A Active CN109584174B (zh) 2019-01-29 2019-01-29 一种梯度最小法红外图像边缘保持去噪方法

Country Status (1)

Country Link
CN (1) CN109584174B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827229B (zh) * 2019-11-01 2023-05-02 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111408546B (zh) * 2020-03-11 2022-09-16 武汉工程大学 一种基于激光扫描成像的矿石检测方法和系统
CN111462225B (zh) * 2020-03-31 2022-03-25 电子科技大学 一种红外光斑图像的质心识别定位方法
CN115471503B (zh) * 2022-11-03 2023-04-07 江西捷锐机电设备有限公司 用于数控剖锭机的设备异常检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105103189A (zh) * 2013-04-12 2015-11-25 高通股份有限公司 近红外引导的图像去噪
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980282B (zh) * 2010-10-21 2012-05-30 电子科技大学 一种红外图像动态细节增强方法
CN104751432B (zh) * 2015-03-09 2017-06-16 电子科技大学 一种基于图像重构的可见光与红外图像融合方法
CN105869132B (zh) * 2016-04-26 2018-10-02 成都市晶林科技有限公司 一种红外图像细节增强方法
CN106815820B (zh) * 2017-01-24 2019-09-10 西安科技大学 一种红外图像条状噪声消除方法
CN107451972B (zh) * 2017-07-31 2020-03-17 北京小米移动软件有限公司 图像增强方法、装置及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105103189A (zh) * 2013-04-12 2015-11-25 高通股份有限公司 近红外引导的图像去噪
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法

Also Published As

Publication number Publication date
CN109584174A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109584174B (zh) 一种梯度最小法红外图像边缘保持去噪方法
CN109242791B (zh) 一种针对破损植物叶片的批量修复方法
CN110866924A (zh) 一种线结构光中心线提取方法及存储介质
CN111899194A (zh) 一种遥感影像中云和云阴影的去除方法
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN110874827B (zh) 湍流图像复原方法、装置、终端设备及计算机可读介质
CN104715491A (zh) 一种基于一维灰度矩的亚像素边缘检测方法
JP6830712B1 (ja) ランダムサンプリング一貫性に基づく魚眼画像の有効領域抽出方法
Wu et al. An efficient decision-based and edge-preserving method for salt-and-pepper noise removal
CN107993201B (zh) 一种保留边界特征的深度图像增强方法
Chen et al. A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery
Bai et al. Edge enhanced morphology for infrared image analysis
CN106651981B (zh) 一种环形伪影修正的方法及装置
CN110969601B (zh) 基于视觉特征跟踪算法的结构转动响应非接触式识别方法
CN109559286B (zh) 一种方差梯度约束法红外图像边缘保持去噪方法
JP2011133954A (ja) エッジ抽出方法及びエッジ抽出装置
Hu et al. Multi-scale edge detection with bilateral filtering in spiral architecture
CN115588060A (zh) 基于投影平均图像的快速ct环形伪影校正方法及系统
CN107203976A (zh) 一种基于噪点检测的自适应非局部均值去噪方法及系统
CN108596088B (zh) 一种用于全色遥感影像的建筑物检测方法
CN110766624B (zh) 一种基于迭代修复的点目标和暗斑图像背景均衡方法
Zheng et al. Automated removal of stripe interference in full-disk solar images
CN109472749B (zh) 一种针对超广角图像的边缘增强算法
CN114842354B (zh) 高分辨率遥感影像边缘线快速精确检测方法
JP2012013607A (ja) 信号処理装置、レーダ装置、信号処理方法、および信号処理プログラム

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