CN109727206A - 一种二值图像中值滤波的快速计算方法以及其实现方法 - Google Patents
一种二值图像中值滤波的快速计算方法以及其实现方法 Download PDFInfo
- Publication number
- CN109727206A CN109727206A CN201811480122.XA CN201811480122A CN109727206A CN 109727206 A CN109727206 A CN 109727206A CN 201811480122 A CN201811480122 A CN 201811480122A CN 109727206 A CN109727206 A CN 109727206A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- neighborhood
- data
- median filtering
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种二值图像中值滤波的快速计算方法以及其实现方法,计算方法包括:读取图像二值化后获得的图像数据;将读取的图像数据,压缩存放到一个整数数组中;遍历图像中的每个像素点;判断像素邻域内1的数量是否大于像素邻域内像素总数的一半,如果大于总数的一半,该像素就置为1,否则置为0;对二值图像的所有像素点计算完成后,滤波完成。本发明的快速计算方法以及其实现方法,将二值输入图像压缩存放到32位整数数组中的方式,遍历图像中的每个像素点,具有可提高二值图像的中值滤波计算速度、提高数据重用时的数据吞吐率、很容易在GPU上并行实现等优点。
Description
技术领域
本发明涉及一种图像处理方法,尤其是一种二值图像中值滤波的快速计算方法以及其实现方法。
背景技术
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。
二值图像(Binary Image)是指将图像上的每一个像素只有两种可能的取值或灰度等级状态,人们经常用黑白、B&W、单色图像表示二值图像。二值图像是指在图像中,灰度等级只有两种,也就是说,图像中的任何像素不是0就是1,再无其他过渡的灰度值。
中值滤波常用于数字图像的降噪处理,在去除图像噪点的同时还能很好的保留图像的边缘信息,所以应用非常广泛。中值滤波器是非线性滤波器,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波器非常容易并行计算,但由于需要做大量的排序计算,计算量巨大,所以计算速度很慢。
二值中值滤波(即二值图像的中值滤波)是一种很特殊的中值滤波。二值中值滤波的输入是二值图像,也就是像素的灰度值只有0和1两种。这通常是先设定灰度的上下阈值,用上下阈值范围来设定像素的二值,来完成图像的二值化。二值中值滤波不需要复杂的排序计算,只需要统计像素领域窗口中像素值为1的个数;然后跟像素邻域窗口中像素总数的一半比较,如果1的个数大于邻域像素总数的一半,像素的值就置为1,否则就置为0。这种滤波方法,假设滤波半径为R,则二值中值滤波过程中的读取数据次数从(2*R+1)3,加法次数从(2*R+1)3降为(2×r+1) 2,即(2×r+1)的二次方。
二值中值滤波的总计算量虽然大大下降,但现有的常规具体算法中,都还是逐像素统计邻域窗口中1的个数,所以在计算方法上还是有很大提高的空间,特别是在支持CUDA(Compute Unified Device Architecture,统一计算设备架构)的GPU(GraphicsProcessing Unit,图形处理器)上,仍然需要一个适合GPU的快速的计算方法。
发明内容
本发明是为避免上述已有技术中存在的不足之处,提供一种二值图像中值滤波的快速计算方法以及其实现方法,以提高二值图像的中值滤波计算速度。
本发明为解决技术问题采用以下技术方案。
一种二值图像中值滤波的快速计算方法,包括如下步骤:
步骤1: 读取图像二值化后获得的图像数据;
步骤2: 将步骤1中读取的图像数据,压缩存放到一个整数数组中;每个32位数存放32个二值像素点;
步骤3: 遍历图像中的每个像素点:以某一特定像素点为中心,预设中值滤波半径为R,读取像素邻域中每个横行的2*R+1个压缩存放的像素,统计横行内像素为1的个数;遍历像素邻域中每一个横行,将横行内1的个数累加得到像素1个数的总量;像素邻域以特定像素点为中心,半径是指邻域的宽度,一般是一个正方形或立方体。半径就是内部中心点到边界的距离。如图3所示,该像素邻域R=2,X为特定像素点,横行数目为5。如果是传统的方法需要读取25次,完成25次累加。本发明的方法数据压缩存放以后每次读取5个比特,只需读取5次。用专用指令一次求取五个位置里一的个数,也只用做五次。比如用popcnt指令,不用每个单元都累加。
步骤4: 判断像素邻域内1的数量是否大于像素邻域内像素总数的一半,如果大于总数的一半,该像素就置为1,否则置为0;
步骤5:对二值图像的所有像素点计算完成后,滤波完成。
所述的一种二值图像中值滤波的快速计算方法,所述步骤2的整数数组为32位整数数组。
所述的一种二值图像中值滤波的快速计算方法,所述读取像素邻域中每个横行的2*R+1个压缩存放的像素,是从X-R位置开始的连续读取2*R+1位。其中X位置为该像素的位置。
所述的一种二值图像中值滤波的快速计算方法,连续读取的方式采用左移、右移、或计算、与计算来完成。一种所述的二值图像中值滤波的快速计算方法的实现方法,其特征是,在一个支持CUDA的GPU上进行所述二值图像中值滤波的快速计算;
包括如下步骤:
步骤S1、读取二值图像数据,并拷贝到GPU的显存中;
步骤S2、从GPU的显存中,读取其中一部分的二值图像数据到GPU的共享内存中;读取共享内存中的二值图像数据,进行二值数据压缩,并将压缩后的数据写入到共享内存中;
步骤S3、对于共享内存中的压缩后的数据,采用多线程并行计算的方式,计算每个像素的值;以block为单位先将一部分局部数据读取到共享内存中,block内同步以后,每个线程再从共享显存中读取像素邻域窗口中横行的连续2*R+1个比特,统计横行内1的个数;遍历邻域窗口中所有的横行,将横行中的1的个数累加;
步骤S4、比较像素邻域内1的个数和邻域内像素总量的一半,若像素邻域内1的个数大于邻域内像素总量一半,则像素值置为1,否则像素值置为0,将结果写入显存输出;
步骤S5、GPU的显存中二值图像数据的所有的像素都遍历计算完以后,滤波完成。
统计读取得到的像素邻域内横行的1的个数,在CPU中用_popcnt()函数来快速计算得到统计结果;在GPU中用__popc ()函数来快速计算得到统计结果。
步骤S3中,让线程以warp为单位,利用__ballot()指令来快速完成连续32个二值像素到32位整形的压缩存放。
在像素压缩存放步骤和读取并统计像素邻域数据时,利用GPU的片上高速共享存储器缓存一部分局部数据。
与已有技术相比,本发明有益效果体现在:
本发明的一种二值图像中值滤波的快速计算方法以及其实现方法,将二值输入图像压缩存放到32位整数数组中,每个32位数存放32个二值像素点;遍历图像中的像素点,统计像素点邻域中像素值为1的像素的个数;如果邻域中像素值为1的像素的个数大于邻域内总的像素值的一半,该像素值就置为1,否则置为0;统计像素邻域内像素值时,可以每次读取压缩存放的一横行邻域像素数据然后统计横行内1的数量,遍历读取邻域内所有横行数据并将所有邻域内横行内1个数累加起来就完成了邻域内像素为1的个数统计;并行遍历所有像素,完成像素值计算以后,二值中值滤波完成。该方法很容易在GPU上并行实现,在GPU上实现时,为保证计算速度,需要充分利用了GPU的片上共享存储器以及使用GPU的一些专用计算指令来加速算法的运行。
本发明的一种二值图像中值滤波的快速计算方法以及其实现方法,与传统的二值中值滤波方法相比,将二值中值滤波的读取数据次数从(2*R+1)3,降为了小于(2*R+1)2*2;将加法次数从(2*R+1)3,降为了(2*R+1)2;大大提高了计算效率。
附图说明
图1为本发明的一种二值图像中值滤波的快速计算方法以的流程图。
图2为本发明的从一个8比特字节型数组中某个比特位读取连续8个比特到一个字节中的示意图。
图3为本发明的像素邻域的示意图。
以下通过具体实施方式,并结合附图对本发明作进一步说明。
具体实施方式
参见图1,一种二值图像中值滤波的快速计算方法,包括如下步骤:
步骤1: 读取图像二值化后获得的图像数据;
步骤2: 将步骤1中读取的图像数据,压缩存放到一个整数数组中;每个32位数存放32个二值像素点;数据压缩存放后只需读取一个32位数,就能同时访问到2R+1个邻域像素点,popc指令能一次性把2R+1个邻域像素点的1个数和求取,计算方便快捷。
步骤3: 遍历图像中的每个像素点:预设中值滤波半径为R,读取像素邻域中每个横行的2*R+1个压缩存放的像素,统计横行内像素为1的个数;遍历像素邻域中每一个横行,将横行内1的个数累加得到像素1个数的总量;采取32位的方式,压缩存放前需要逐个读取邻域内的像素点,共读取(2*R+1)3次char型数据。压缩存放后横行内的(2*R+1)个点可以一次性读取,这样就只需要读取(2*R+1)2*2次,注意为什么每个横行要读取两次是因为横行中的(2*R+1)个点可能跨了两个int型,这样需要读取两个int型整数然后移位后再拼接到一个int型整数中。读取像素点数据后要将(2*R+1)3个点中1的个数和求出来,压缩存放后一次性读取(2*R+1)个点到一个int型中,用popc指令可以一次性求取(2*R+1)个点中1的个数和。这样就只需要把(2*R+1)2个横行的1个数和累加在一起就行了,加法次数从(2*R+1)3降为了(2*R+1)2。
步骤4: 判断像素邻域内1的数量是否大于像素邻域内像素总数的一半,如果大于总数的一半,该像素就置为1,否则置为0;
步骤5:对二值图像的所有像素点计算完成后,滤波完成。
所述步骤2的整数数组为32位整数数组。本发明的像素点压缩存放,是指利用32位整数中的32个比特位,每个比特位存放一个二值像素的信息。一个32位整数正好存放32个二值像素的信息;压缩存放二值像素信息时以横行为单位压缩存放到一维32位整形数组中,多个横行则需要多个一维数组存放压缩图像横行数据;二值像素在32位整数数组中从左向右依次存放。
所述读取像素邻域中每个横行的2*R+1个压缩存放的像素,是从X-R位置开始的连续读取2*R+1位。一般医学图像处理,半径为5-7就比较大了,毕竟半径的增加是立方增加的。
所述连续读取的方式采用左移、右移、或计算、与计算来完成。该连续读取方式,是通过getbitL_count1函数实现的。
对于步骤3中读取像素邻域内横行像素,可以看做是读取压缩像素数组中从X-R位置开始的连续(2*R+1)bit,这可以用一系列的32位整数左移、右移、或、与等计算来完成;其中X为该像素在横行中的位置,R为中值滤波半径。
一种所述的二值图像中值滤波的快速计算方法的实现方法,其特征是,在一个支持CUDA的GPU上进行所述二值图像中值滤波的快速计算;
包括如下步骤:
步骤S1、读取二值图像数据,并拷贝到GPU的显存中;
步骤S2、从GPU的显存中,读取其中一部分的二值图像数据到GPU的共享内存中;读取共享内存中的二值图像数据,进行二值数据压缩,并将压缩后的数据写入到共享内存中;由于共享内存容量很小,只能每次读取一小块数据到共享内存中。每次读取的数据要保证包含相当一部分像素点还要把像素点的邻域包含进去。读取到共享显存以后,再进行数据压缩,压缩结果还是存放在共享显存中。相邻像素点的邻域像素大部分重合,所以用共享显存存放数据,能达到最大化的数据重用。GPU的共享显存就相当于CPU的cache。
步骤S3、对于共享内存中的压缩后的数据,采用多线程并行计算的方式,计算每个像素的值;以block为单位先将一部分局部数据读取到共享内存中,block内同步以后,每个线程再从共享显存中读取像素邻域窗口中横行的连续2*R+1个比特,统计横行内1的个数;遍历邻域窗口中所有的横行,将横行中的1的个数累加;
步骤S4、比较像素邻域内1的个数和邻域内像素总量的一半,若像素邻域内1的个数大于邻域内像素总量一半,则像素值置为1,否则像素值置为0,将结果写入显存输出;
步骤S5、GPU的显存中二值图像数据的所有的像素都遍历计算完以后,滤波完成。
举例说明:3维图像数据为512*512*512大小,每个维度都是512个像素,二值中值滤波半径为5。每次处理32*32*16个像素点,每次读取(32+10)*(32+10)*(16+10)个像素点到共享内存中,并且压缩成32位整形存放。数据读取完成后,32*16个线程并行计算这些像素点的二值中值滤波值,每个线程每次计算一个像素的滤波值。
当像素位置为(x,y,z)时,单个线程先是从压缩存放的32位整型数组中读取从(x-5,y,z)位置开始的连续32个比特,读取到的32个比特是存放在1个32位整型数中,是通过把相邻的两个整型数左移右移然后拼接得来的。
将这个32位整型数右移21位,就得到了从(x-5,y,z)位置开始的连续11个比特,也就是邻域中横行的连续11个比特,将整型数输入popc函数可以一次性求取11个比特中1的个数。半径为5的中值滤波邻域为11*11*11个像素,由于横行的11个像素的1个数可以从压缩数组中很快得到,这样就只需要计算11*11个横行的1个数和,然后累加起来就是得到了邻域内像素值为1的和。GPU内大量的线程并行计算完所有的像素以后,图像的二值中值滤波就完成。可以看到算法的效率很高,并行度也很高,很适合在GPU上实现。
本发明的二值中值滤波快速计算方法可以在Nvidia GPU的CUDA计算平台上高效实现达到极高的加速比。本发明的实现方法,是以CUDA计算平台为基础,进行二值中值滤波的快速计算方法。
统计读取得到的像素邻域内横行的1的个数,在CPU中用_popcnt()函数来快速计算得到统计结果;在GPU中用__popc ()函数来快速计算得到统计结果。
步骤S3中,让线程以warp为单位,利用__ballot()指令来快速完成连续32个二值像素到32位整形的压缩存放。
在像素压缩存放步骤和读取并统计像素邻域数据时,利用GPU的片上高速共享存储器缓存一部分局部数据;如此一来,可以提高数据重用时的数据吞吐率,从而进一步提高计算速度。
本发明的一种二值图像中值滤波的快速计算方法以及其实现方法,适用于二维和三维二值图像数据的中值滤波,也适用于多个维度滤波半径不同的二值中值滤波。
在步骤S2中,读取数据和计算都要占用时间,而且是并行完成的。读取数据的速度受限于显存的访存带宽,有一个上限值。由于压缩存放二值像素的计算量不大,所以理想情况是读取数据的时间把计算时间给掩盖掉。也就是S2计算步骤运行的时间基本是访存需要的时间。在这个计算步骤中,首先是要提高访存的读取效率。二值图像通常是用char型来存放的,而经过实测,每次每个线程读取一个char型数据,会大大减小访存带宽。为解决这个问题,改为每次读取4个char型数据,也就是每次读取一个32位的int型数据,访存带宽基本达到硬件访存峰值。读取的数据拷贝到共享存储器中,待下一步使用。
在步骤S2中,每次读取的32位int型数据放到了共享存储器中,读取完毕后做block内线程同步,然后线程以一个warp 32个线程为单位来做像素压缩计算。每个线程从共享内存中读取一个char型数据,以读取数据为输入调用__ballot()函数,函数的输出就是32个线程读取的32个char型二值数据的32位整形压缩结果。Warp内ID为0的线程将压缩结果写入共享内存待下一个计算步骤使用。
在步骤S2中,根据算法要求,需进行“补边”的操作,主要是为了处理好图形边缘像素的滤波。
在步骤S3中,需要统计每个像素的邻域内值为1的像素的个数。每个线程计算一个像素点的滤波值。在S3计算步骤中,需要读取的压缩数据存放在共享内存中。从共享内存中读取横行数据。设滤波半径为R,则像素邻域内共有(2*R+1)3个点,这些点又可以看成是(2*R+1)2个横行,每个横行有(2*R+1)个像素。由于数据是压缩存放的,所以可以通过左移右移等拼接方法获取连续2R+1个比特,然后再调用__popc()函数计算2R+1个比特中1的个数。
在步骤S3中,从X比特位置读取连续L个比特并且统计L个比特中1的个数的函数如下:
__device__ int getbitL_count1(int X,unsigned int *buf)
{
int mod = X&0x1f;
int buf_id = X>>5;
unsigned int mask = ((1<<L)-1)
unsigned int tmp;
if(mod <=(32-L))
{
tmp = buf[buf_id]>>mod &mask;
}
else
{
tmp = ((buf[buf_id]>>mod )|(buf[buf_id+1]<<(32-mod )))&mask;
}
return __popc(tmp);
}
当X模32小于32-L时,连续的L个比特在一个int型整数中,没有跨两个int型整数,直接将32位数右移位然后与上一个mask,就能取到L个连续比特。由于CUDA __ballot()函数的比特序是小端序,可以压缩后的数据可以形象的视为数据比特存放序为从右往左放,所以当L个比特跨32比特时需要把前一个int型数据右移一部分然后把下个int型数据左移一部分,再将两部分数据拼接到一起组成新的连续32个比特,再与上一个mask,就在连续32比特的基础上获得最右边的连续L个比特。再调用_popc()函数得到L个比特中1的个数。
遍历邻域内的(2R+1)2个横行,每行取连续2R+1个比特,然后统计横行内1的个数,将横行内1个数累加,就可以求得像素邻域内1的个数。
经过S3的计算得到像素邻域内1的个数,然后和邻域内点的总数进行比较,如果邻域内1的个数大于点总数的一半,那像素滤波值就为1,否则像素就为0。
并行遍历所有的像素点,计算得到像素点的滤波值,将结果写回显存输出,二值中值滤波就计算完成了。
如图2所示,从一个8比特字节型数组中某个比特位读取连续8个比特到一个字节中。同样的原理,可以从32位整形数组的某一个比特位置读取连续32个比特到一个32位整型数中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种二值图像中值滤波的快速计算方法,其特征是,包括如下步骤:
步骤1: 读取图像二值化后获得的图像数据;
步骤2: 将步骤1中读取的图像数据,压缩存放到一个整数数组中;
步骤3: 遍历图像中的每个像素点:预设中值滤波半径为R,读取像素邻域中每个横行的2*R+1个压缩存放的像素,统计横行内像素为1的个数;遍历像素邻域中每一个横行,将横行内1的个数累加得到像素1个数的总量;
步骤4: 判断像素邻域内1的数量是否大于像素邻域内像素总数的一半,如果大于总数的一半,该像素就置为1,否则置为0;
步骤5:对二值图像的所有像素点计算完成后,滤波完成。
2.根据权利要求1所述的一种二值图像中值滤波的快速计算方法,其特征是,所述步骤2的整数数组为32位整数数组。
3.根据权利要求1所述的一种二值图像中值滤波的快速计算方法,其特征是,所述读取像素邻域中每个横行的2*R+1个压缩存放的像素,是从X-R位置开始的连续读取2*R+1位。
4.根据权利要求3所述的一种二值图像中值滤波的快速计算方法,其特征是,所述连续读取的方式采用左移、右移、或计算、与计算来完成。
5.一种权利要求1所述的二值图像中值滤波的快速计算方法的实现方法,其特征是,在一个支持CUDA的GPU上进行所述二值图像中值滤波的快速计算;
包括如下步骤:
步骤S1、读取二值图像数据,并拷贝到GPU的显存中;
步骤S2、从GPU的显存中,读取其中一部分的二值图像数据到GPU的共享内存中;读取共享内存中的二值图像数据,进行二值数据压缩,并将压缩后的数据写入到共享内存中;
步骤S3、对于共享内存中的压缩后的数据,采用多线程并行计算的方式,计算每个像素的值;
步骤S4、比较像素邻域内1的个数和邻域内像素总量的一半,若像素邻域内1的个数大于邻域内像素总量一半,则像素值置为1,否则像素值置为0,将结果写入显存输出;
步骤S5、GPU的显存中二值图像数据的所有的像素都遍历计算完以后,滤波完成。
6.根据权利要求5所述的实现方法,其特征是,统计读取得到的像素邻域内横行的1的个数,在CPU中用_popcnt()函数来快速计算得到统计结果;在GPU中用__popc ()函数来快速计算得到统计结果。
7.根据权利要求5所述的实现方法,其特征是,步骤S3中,让线程以warp为单位,利用__ballot()指令来快速完成连续32个二值像素到32位整形的压缩存放。
8.根据权利要求5所述的实现方法,其特征是,在像素压缩存放步骤和读取并统计像素邻域数据时,利用GPU的片上高速共享存储器缓存一部分局部数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480122.XA CN109727206B (zh) | 2018-12-05 | 2018-12-05 | 一种二值图像中值滤波的快速计算方法以及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480122.XA CN109727206B (zh) | 2018-12-05 | 2018-12-05 | 一种二值图像中值滤波的快速计算方法以及其实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727206A true CN109727206A (zh) | 2019-05-07 |
CN109727206B CN109727206B (zh) | 2023-05-02 |
Family
ID=66295250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480122.XA Active CN109727206B (zh) | 2018-12-05 | 2018-12-05 | 一种二值图像中值滤波的快速计算方法以及其实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833264A (zh) * | 2020-06-15 | 2020-10-27 | 武汉科技大学 | 一种基于cuda的图像快速去噪方法及系统 |
CN113570496A (zh) * | 2021-07-29 | 2021-10-29 | 昕海智创(深圳)科技有限公司 | 一种波形数据高速缓存回显方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09259281A (ja) * | 1996-03-22 | 1997-10-03 | Advantest Corp | 画像情報処理装置 |
CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
CN104952043A (zh) * | 2014-03-27 | 2015-09-30 | 株式会社日立医疗器械 | 图像滤波方法及ct 系统 |
CN106228514A (zh) * | 2016-07-11 | 2016-12-14 | 北京大学 | 一种消除压缩视频噪声的方法 |
CN106778499A (zh) * | 2016-11-24 | 2017-05-31 | 江苏大学 | 一种虹膜采集过程中快速定位人眼虹膜的方法 |
-
2018
- 2018-12-05 CN CN201811480122.XA patent/CN109727206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09259281A (ja) * | 1996-03-22 | 1997-10-03 | Advantest Corp | 画像情報処理装置 |
CN104952043A (zh) * | 2014-03-27 | 2015-09-30 | 株式会社日立医疗器械 | 图像滤波方法及ct 系统 |
CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
CN106228514A (zh) * | 2016-07-11 | 2016-12-14 | 北京大学 | 一种消除压缩视频噪声的方法 |
CN106778499A (zh) * | 2016-11-24 | 2017-05-31 | 江苏大学 | 一种虹膜采集过程中快速定位人眼虹膜的方法 |
Non-Patent Citations (2)
Title |
---|
周优军等: "基于同值压缩的自适应中值滤波", 《广西科学》 * |
崔乔: "基于Matlab的图像灰度分析及高斯白噪声的研究", 《科技创新与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833264A (zh) * | 2020-06-15 | 2020-10-27 | 武汉科技大学 | 一种基于cuda的图像快速去噪方法及系统 |
CN113570496A (zh) * | 2021-07-29 | 2021-10-29 | 昕海智创(深圳)科技有限公司 | 一种波形数据高速缓存回显方法 |
CN113570496B (zh) * | 2021-07-29 | 2024-05-28 | 昕海智创(深圳)科技有限公司 | 一种波形数据高速缓存回显方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109727206B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
Ruijters et al. | GPU prefilter for accurate cubic B-spline interpolation | |
CN105933708B (zh) | 一种数据压缩和解压缩的方法和装置 | |
RU2623806C1 (ru) | Способ и устройство обработки стереоизображений | |
CN111340183B (zh) | 基于深度学习的散射成像装置和方法 | |
CN109727206A (zh) | 一种二值图像中值滤波的快速计算方法以及其实现方法 | |
US20230177652A1 (en) | Image restoration method and apparatus, and electronic device | |
CN104952043B (zh) | 图像滤波方法及ct 系统 | |
US20230267571A1 (en) | Data loading method and apparatus for convolution operation | |
FI96260B (fi) | Suodatusmenetelmä ja suodatin | |
EP1296288B1 (en) | A 2D FIFO device and method for use in block based coding applications | |
CN117575915A (zh) | 一种图像超分辨率重建方法、终端设备及存储介质 | |
CN114627035A (zh) | 一种多聚焦图像融合方法、系统、装置及存储介质 | |
Zhu et al. | Comparison of dense stereo using CUDA | |
KR102064581B1 (ko) | 이미지 자동 회귀 보간 장치 및 방법 | |
Esmaeilzehi et al. | EFFRBNet: A deep super resolution network using edge-assisted feature fusion residual blocks | |
Wei et al. | RSAN: Residual subtraction and attention network for single image super-resolution | |
CN110532219B (zh) | 一种基于fpga的去乒乓数据存储方法 | |
Bahaoui et al. | Blocking artifact removal using partial overlapping based on exact Legendre moments computation | |
CN113191367A (zh) | 基于密集尺度动态网络的语义分割方法 | |
RU168781U1 (ru) | Устройство обработки стереоизображений | |
Aadil et al. | Improving super resolution methods via incremental residual learning | |
Jonsson et al. | Parallel discrete convolutions on adaptive particle representations of images | |
Yeghiazaryan et al. | Path reducing watershed for the GPU | |
CN118037870B (zh) | 一种兼容Zdepth的并行化深度图像压缩算法、装置及终端设备 |
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 |