CN109816599B - 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 - Google Patents
一种基于小波分解卷积神经网络的图像条带噪声抑制方法 Download PDFInfo
- Publication number
- CN109816599B CN109816599B CN201811497201.1A CN201811497201A CN109816599B CN 109816599 B CN109816599 B CN 109816599B CN 201811497201 A CN201811497201 A CN 201811497201A CN 109816599 B CN109816599 B CN 109816599B
- Authority
- CN
- China
- Prior art keywords
- neural network
- noise
- convolutional neural
- image
- noise suppression
- 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
Images
Abstract
本发明涉及一种基于小波分解卷积神经网络的图像条带噪声抑制方法，包括：对噪声图像进行小波变换，获取小波系数；构建条带噪声抑制卷积神经网络；将小波系数输入条带噪声抑制卷积神经网络，获取去噪系数；根据小波系数和去噪系数进行计算，获得噪声抑制后的图像。本发明提供的一种基于小波分解卷积神经网络的图像条带噪声抑制方法利用了条带噪声在小波域的特定响应，并结合了卷积神经网络的特征提取能力，可以有效地将图像中的条带噪声去除，与现有的条带噪声抑制方法相比，在去噪过程中保护了图像的细节信息，去噪后地图像的结构相似度更高，具有更加锐利的视觉效果，使得去噪后图像中条带噪声残留更少，细节信息更加丰富。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及一种基于小波分解卷积神经网络的图像条带噪声抑制方法。
背景技术
在遥感成像，医学诊断和军事领域，由于传感器的和光学系统的工艺特性和热特性，造成获取的图像受到固定的条带噪声污染，从而影响对图像的进一步处理。因此，需要对图像中的条带噪声进行抑制，消除外界因素对成像质量的影响。
当前图像条带噪声抑制方法主要有基于定标的方法和基于先验优化的方法。基于定标的方法包括例如两点法、多点法等，由于传感器的响应实际上是随着时间和温度缓慢漂移的，因此需要周期性的对探测器进行重新标定，从而干扰探测器的正常工作。而基于先验优化方法例如全变分法，非局部平均滤波法综合了图像中的残存的信息和先验信息，能够有效地对条带噪声进行抑制，但是当图像受到强噪声干扰时，该方法的噪声抑制效果会发生严重退化。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于小波分解卷积神经网络的图像条带噪声抑制方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种基于小波分解卷积神经网络的图像条带噪声抑制方法，包括：
对噪声图像进行小波变换，获取小波系数；
构建条带噪声抑制卷积神经网络；
将所述小波系数输入所述条带噪声抑制卷积神经网络，获取去噪系数；
根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像。
在本发明的一个实施例中，构建条带噪声抑制卷积神经网络，包括：
通过多个特征提取层构建特征提取网络；
利用特征提取网络和噪声重建层，构建未训练卷积神经网络；
对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
在本发明的一个实施例中，通过多个特征提取层构建特征提取网络，包括：
利用卷积层和激活层构建所述特征提取层；
将多个所述特征提取层依次连接，得到特征提取网络。
在本发明的一个实施例中，所述激活层为ReLU激活层。
在本发明的一个实施例中，利用特征提取网络和噪声重建层，构建未训练卷积神经网络，包括：
通过噪声重建卷积核构建所述噪声重建层；
将所述特征提取网络与所述噪声重建层进行级联，得到未训练卷积神经网络。
在本发明的一个实施例中，对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络，包括：
获取训练数据集；
使用优化器和所述训练数据集对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
在本发明的一个实施例中，所述优化器为Adam优化器，所述训练数据集为伯克利图像分割数据集500数据集。
在本发明的一个实施例中，其特征在于，根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像，包括：
将所述小波系数与所述去噪系数对应的频带相加，得到抑制系数；
利用抑制系数进行小波逆变换，获得噪声抑制后的图像。
与现有技术相比，本发明的有益效果：
本发明提供的一种基于小波分解卷积神经网络的图像条带噪声抑制方法利用了条带噪声在小波域的特定响应，并结合了卷积神经网络的特征提取能力，可以有效地将图像中的条带噪声去除，与现有的条带噪声抑制方法相比，在去噪过程中保护了图像的细节信息，去噪后的图像的结构相似度更高，具有更加锐利的视觉效果，使得去噪后图像中的条带噪声残留更少，细节信息更加丰富。
附图说明
图1是本发明提供的一种基于小波分解卷积神经网络的图像条带噪声抑制方法的流程示意图；
图2是本发明提供的条带噪声抑制卷积神经网络的结构示意图；
图3是本发明提供的基于小波分解卷积神经网络的图像条带噪声抑制方法的结构示意图；
图4a是含有条带噪声的噪声图像；
图4b是采用全变分法对噪声图像进行噪声抑制后的图像；
图4c是采用非局部平均滤波法对噪声图像进行噪声抑制后的图像；
图4d是采用本发明方法对噪声图像进行噪声抑制后的图像。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1至图4，图1是本发明提供的一种基于小波分解卷积神经网络的图像条带噪声抑制方法的流程示意图；图2是本发明提供的条带噪声抑制卷积神经网络的结构示意图；图3是本发明提供的基于小波分解卷积神经网络的图像条带噪声抑制方法的结构示意图；图4a是含有条带噪声的噪声图像；图4b是采用全变分法对噪声图像进行噪声抑制后的图像；图4c是采用非局部平均滤波法对噪声图像进行噪声抑制后的图像；图4d是采用本发明方法对噪声图像进行噪声抑制后的图像。
如图1所示，一种基于小波分解卷积神经网络的图像条带噪声抑制方法，包括：
对噪声图像进行小波变换，获取小波系数；
构建条带噪声抑制卷积神经网络；
将所述小波系数输入所述条带噪声抑制卷积神经网络，获取去噪系数；
根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像。
具体地，小波变换(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破，优选的，本实施例采用的小波变换为哈尔小波变换。
进一步地，对噪声图像进行小波变换，获取小波系数，包括：
通过滤波器对噪声图像进行小波分解计算，得到小波系数。
具体地，滤波器包括低通小波滤波器fL和高通小波滤波器fH。使用低通滤波器fL和高通滤波器fH对噪声图像进行小波分解计算，分别计算四个小波系数，四个小波系数分别为：LL、LH、HL和HH；其中，
LL是由两个方向利用低通滤波器fL卷积后产生的小波系数，它是图像的近似表示；
HL是在行方向利用低通滤波器fL卷积后，再用高通滤波器fH在列方向卷积而产生的小波系数，它表示图像的水平方向奇异特性。(水平子带)；
LH是在行方向利用高通滤波器fH卷积后，再用低通滤波器fL在列方向卷积而产生的小波系数，它表示图像的垂直方向奇异特性。(垂直子带)；
HH是由两个方向利用高通滤波器fH卷积后产生的小波系数，它表示图像的对角边缘特性。(对角子带)。
LL，LH，HL和HH中，第一个字母表示列方向的处理，第二个字母表示行方向的处理，图像的奇异特性通过低通时保留，通过高通时被滤除。
具体地，计算公式为：
其中
I为噪声图像，
表示滤波操作,↓2表示采样因子为2的下采样操作。
小波变换的优点在于具有良好的时间和频率特性，应用范围较广。采用小波分解图形，可以降低分解后的分辨率，大大较少了相应的计算复杂度，并可以提供更多的空间和频率局部信息。
进一步地，构建条带噪声抑制卷积神经网络，包括：
通过多个特征提取层构建特征提取网络；
利用特征提取网络和噪声重建层，构建未训练卷积神经网络；
对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
进一步地，通过多个特征提取层构建特征提取网络，包括：
利用卷积层和激活层构建所述特征提取层；
将多个所述特征提取层依次连接，得到特征提取网络。
如图2所示，特征提取层包括卷积层和激活层，卷积层和激活层级联连接；其中，卷积层的卷积核大小W×H，卷积核数量为O，步进值为S，边缘填充为P。优选的，在本实施例中，W设置为3，H设置为3，O设置为64，S设置为1，P设置为补零操作。
具体地，所述激活层为ReLU激活层。该激活层的激活函数采用修正线性单元(Rectified Linear Unit，简称ReLU)激活函数，该激活层的输入连接卷积层的输出，能够使卷积层输出的特征参数的分布更加稀疏，从而加速收敛过程。
ReLU激活层的数学表示为：
f(x)＝max(0，x)
其中，x是卷积层的输出。
需要说明的是，在本发明中，卷积核的大小、卷积核的数量和步进值可以设定为其他数值，具体按照实际需求进行设定。
具体地，通过上述方法，构建N个特征提取特征提取层，并将N个特征提取层级联连接，从而构建得到特征提取网络。N为大于0的自然数，优选的，在本实例中，N设置为9。
进一步地，利用特征提取网络和噪声重建层，构建未训练卷积神经网络，包括：
通过噪声重建卷积核构建所述噪声重建层；
将所述特征提取网络与所述噪声重建层进行级联，得到未训练卷积神经网络。
具体地，在噪声重建层中，噪声卷积核大小Wz×Hz，卷积核数量为Oz，步进值为Sz，边缘填充为Pz。在本实施例中，Wz设置为3，Hz设置为3，Oz设置为4，Sz设置为1，Pz设置为补零操作。
进一步地，对所述未训练的卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络，包括：
获取训练数据集；
使用优化器和所述训练数据集对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
具体地，在本实施例中，所使用的训练数据集为伯克利图像分割数据集500数据集，该数据集可以覆盖大多数场景，在图像处理领域比较有代表性，所述优化器为Adam优化器。
具体的训练过程为：使用Adam优化器优化目标函数loss，以0.001的学习率训练25回合，再以0.0001的学习率训练25回合。经过训练，得到训练后卷积神经网络，即条带噪声抑制卷积神经网络。其中，训练数据的批次大小设置为128。
进一步地，在训练得到所述条带噪声抑制卷积神经网络后，将所述小波系数(LL、LH、HL、HH)输入所述条带噪声抑制卷积神经网络，获取去噪系数，分别为LL′LH′HL′HH′。
进一步地，如图3所示，根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像，包括：
将所述小波系数与所述去噪系数对应的频带相加，得到抑制系数；
利用抑制系数进行小波逆变换，获得噪声抑制后的图像。
具体地，抑制系数即为去噪后的小波系数，设抑制系数分别为
则
优选的，优化的目标函数loss为：
在获取抑制系数后，利用抑制系数进行小波逆变换，优选的，本实施例采用的小波逆变换为哈尔小波逆变换。
小波逆变换的过程为：通过抑制系数分别获取A、B、C、D四个图像，在将这四个图像进行拼接，然后获得获得噪声抑制后的图像，具体地，
本发明的效果可以通过以下实验进一步说明。
如图4a至图4d所示，分别采用本发明提出的条带噪声抑制方法与现有的全变分法以及非局部平均滤波法对图4a的噪声图像进行处理，通过图4b、图4c和图4d的对比可以看出，经本发明方法去噪后的图像较之另外两种方法去噪后图像，条带噪声残留的更少、峰值信噪比更高、结构相似度更高、且边缘更清晰。
具体地，分别采用峰值信噪比(PSNR)和结构相似度(SSIM)来量化对照评估本发明提出的一种基于小波分解卷积神经网络的图像条带噪声抑制方法与现有的全变分法以及非局部平均滤波法的性能，实验结果参见表1。
表1.三种方法对比测试结果的量化参数对比表
| 评价指标 | 全变分法 | 非局部平均滤波法 | 本发明方法 |
| PSNR | 24.24 | 24.61 | 35.69 |
| SSIM | 0.5815 | 0.6486 | 0.9833 |
由表1可见：
(1)经本发明提出的条带噪声抑制方法去噪后的图像的峰值信噪比(PSNR)明显高于全变分法和非局部平均滤波法的结果，说明经本发明方法去噪后的图像保留了更多的图像细节信息，对噪声也具有很好的抑制能力。
(2)经本发明提出方法进行条带噪声抑制后图像的结构相似性(SSIM)系数明显高于全变分法和非局部平均滤波法的结果，说明经本发明方法去噪后的图像保留了原始图像更多的结构特征。
本发明提供的一种基于小波分解卷积神经网络的图像条带噪声抑制方法利用了条带噪声在小波域的特定响应，并结合了卷积神经网络的特征提取能力，可以有效地将图像中的条带噪声去除，与现有的条带噪声抑制方法相比，本发明在去噪过程中保护了图像的细节信息，去噪后地图像的结构相似度更高，具有更加锐利的视觉效果，使得去噪后图像中条带噪声残留更少，细节信息更加丰富。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于小波分解卷积神经网络的图像条带噪声抑制方法，其特征在于，包括：
对噪声图像进行小波变换，获取小波系数；
构建条带噪声抑制卷积神经网络；所述条带噪声抑制卷积神经网络包括：特征提取网络和噪声重建层；其中，所述特征提取网络的输入端构成所述条带噪声抑制卷积神经网络的输入端；所述特征提取网络的输出端连接所述噪声重建层的输入端，所述噪声重建层的输出端构成所述条带噪声抑制卷积神经网络的输出端；
将所述小波系数输入所述条带噪声抑制卷积神经网络，获取去噪系数；
根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像；
所述根据所述小波系数和所述去噪系数进行计算，获得噪声抑制后的图像，包括：
将所述小波系数与所述去噪系数对应的频带相加，得到抑制系数；所述抑制系数为去噪后的小波系数；
利用抑制系数进行小波逆变换，获得噪声抑制后的图像。
2.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，构建条带噪声抑制卷积神经网络，包括：
通过多个特征提取层构建特征提取网络；
利用特征提取网络和噪声重建层，构建未训练卷积神经网络；
对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
3.根据权利要求2所述的图像条带噪声抑制方法，其特征在于，通过多个特征提取层构建特征提取网络，包括：
利用卷积层和激活层构建所述特征提取层；
将多个所述特征提取层依次连接，得到特征提取网络。
4.根据权利要求3所述的图像条带噪声抑制方法，其特征在于，所述激活层为ReLU激活层。
5.根据权利要求2所述的图像条带噪声抑制方法，其特征在于，利用特征提取网络和噪声重建层，构建未训练卷积神经网络，包括：
通过噪声重建卷积核构建所述噪声重建层；
将所述特征提取网络与所述噪声重建层进行级联，得到未训练卷积神经网络。
6.根据权利要求2所述的图像条带噪声抑制方法，其特征在于，对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络，包括：
获取训练数据集；
使用优化器和所述训练数据集对所述未训练卷积神经网络进行训练，得到所述条带噪声抑制卷积神经网络。
7.根据权利要求6所述的图像条带噪声抑制方法，其特征在于，所述优化器为Adam优化器，所述训练数据集为伯克利图像分割数据集500数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811497201.1A CN109816599B (zh) | 2018-12-07 | 2018-12-07 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811497201.1A CN109816599B (zh) | 2018-12-07 | 2018-12-07 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816599A CN109816599A (zh) | 2019-05-28 |
| CN109816599B true CN109816599B (zh) | 2020-12-29 |
Family
ID=66602859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811497201.1A Active CN109816599B (zh) | 2018-12-07 | 2018-12-07 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816599B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415180B (zh) * | 2019-06-10 | 2021-11-02 | 西安电子科技大学 | 一种基于小波卷积神经网络的sar图像去噪方法 |
| CN110533608B (zh) * | 2019-08-08 | 2021-11-02 | 西安电子科技大学 | 图像条带噪声抑制方法及其装置、电子设备、存储介质 |
| CN110517196B (zh) * | 2019-08-12 | 2022-04-22 | 西安电子科技大学 | 一种sar图像降噪方法及系统 |
| CN111028159B (zh) * | 2019-10-22 | 2023-04-18 | 西安电子科技大学 | 一种图像条带噪声抑制方法及系统 |
| CN111369450B (zh) * | 2020-02-21 | 2024-02-02 | 华为技术有限公司 | 去除摩尔纹的方法与装置 |
| CN111612707B (zh) * | 2020-04-30 | 2023-04-18 | 杭州电子科技大学 | 一种基于小波变换的神经网络图像去噪方法 |
| DE102020212089B3 (de) * | 2020-09-25 | 2021-09-16 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Bildentrauschung sowie eine Steuereinrichtung, ein bildgebendes System, ein Computerprogrammprodukt und ein computerlesbares Medium dazu |
| CN113487547B (zh) * | 2021-06-24 | 2023-08-15 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
| CN113935906B (zh) * | 2021-09-06 | 2024-03-22 | 杭州电子科技大学 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
| CN116055894B (zh) * | 2023-01-28 | 2023-08-15 | 荣耀终端有限公司 | 基于神经网络的图像去频闪方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271690A (zh) * | 2008-05-09 | 2008-09-24 | 中国人民解放军重庆通信学院 | 保护音频数据的音频扩频水印处理方法 |
| CN102819832A (zh) * | 2012-08-22 | 2012-12-12 | 哈尔滨工业大学 | 基于超复数小波幅值软阈值的斑点噪声抑制方法 |
| CN105913393A (zh) * | 2016-04-08 | 2016-08-31 | 暨南大学 | 一种自适应小波阈值图像去噪算法及装置 |
| CN106204495A (zh) * | 2016-07-18 | 2016-12-07 | 北京邮电大学 | 基于非下采样轮廓波变换的图像去噪方法及装置 |
| CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100092082A1 (en) * | 2006-11-29 | 2010-04-15 | Keigo Hirakawa | framework for wavelet-based analysis and processing of color filter array images with applications to denoising and demosaicing |
| CN103020913B (zh) * | 2012-12-18 | 2015-06-24 | 武汉大学 | 基于分段校正的遥感影像条带噪声去除方法 |
| US9373160B2 (en) * | 2013-12-18 | 2016-06-21 | New York University | System, method and computer-accessible medium for restoring an image taken through a window |
| US9633274B2 (en) * | 2015-09-15 | 2017-04-25 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for denoising images using deep Gaussian conditional random field network |
| CN106651792B (zh) * | 2016-11-28 | 2020-04-07 | 苏州中科天启遥感科技有限公司 | 一种卫星影像条带噪声去除方法及装置 |
| US10685429B2 (en) * | 2017-02-22 | 2020-06-16 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
| CN108898642B (zh) * | 2018-06-01 | 2022-11-11 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
| CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
-
2018
- 2018-12-07 CN CN201811497201.1A patent/CN109816599B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271690A (zh) * | 2008-05-09 | 2008-09-24 | 中国人民解放军重庆通信学院 | 保护音频数据的音频扩频水印处理方法 |
| CN102819832A (zh) * | 2012-08-22 | 2012-12-12 | 哈尔滨工业大学 | 基于超复数小波幅值软阈值的斑点噪声抑制方法 |
| CN105913393A (zh) * | 2016-04-08 | 2016-08-31 | 暨南大学 | 一种自适应小波阈值图像去噪算法及装置 |
| CN106204495A (zh) * | 2016-07-18 | 2016-12-07 | 北京邮电大学 | 基于非下采样轮廓波变换的图像去噪方法及装置 |
| CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
Non-Patent Citations (5)
| Title |
|---|
| "Complex image denoising framework with CNN-wavelet under concurrency scenarios for informatics systems";Wang L等;《Concurrency & Computation Practice & Experience》;20181113;第2018年卷;全文 * |
| "Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network";E. Kang等;《IEEE Transactions on Medical Imaging》;20180630;第37卷(第6期);全文 * |
| "一种基于非线性域值小波包的超声图像闪斑抑制方法";李斌等;《红外与毫米波学报》;20010831;第20卷(第4期);全文 * |
| "基于变换域的条带噪声去除方法";刘召海等;《计算机应用》;20130901;第33卷(第9期);全文 * |
| "基于小波变换与卷积形态学的图像去噪的研究";傅居永;《中国优秀硕士学位论文全文数据库·信息科技辑》;20100115;第2010年卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816599A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816599B (zh) | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 | |
| Bnou et al. | A wavelet denoising approach based on unsupervised learning model | |
| US7260272B2 (en) | Method and apparatus for noise reduction using discrete wavelet transform | |
| Da Silva et al. | Adaptive edge-preserving image denoising using wavelet transforms | |
| Rajeshwari et al. | Efficient quality analysis of MRI image using preprocessing techniques | |
| CN109883547B (zh) | 一种基于小波阈值差分的宽波段光谱信号去噪方法 | |
| CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
| Selesnick | Sparsity-assisted signal smoothing (revisited) | |
| Kollem et al. | Improved partial differential equation-based total variation approach to non-subsampled contourlet transform for medical image denoising | |
| CN111242854B (zh) | 一种图像去噪方法 | |
| Madan et al. | Denoising of ECG signals using weighted stationary wavelet total variation | |
| Berger et al. | Adaptive regularized constrained least squares image restoration | |
| CN110415180B (zh) | 一种基于小波卷积神经网络的sar图像去噪方法 | |
| CN111915518A (zh) | 基于三重低秩模型的高光谱图像去噪方法 | |
| CN110706186B (zh) | 基于压缩感知及Renyi熵的水下信息抗干扰方法 | |
| Zafeiridis et al. | A New Sharpening Technique for Medical Images using Wavelets and Image Fusion. | |
| Goyal et al. | Review paper on various filtering techniques and future scope to apply these on TEM images | |
| CN115760773A (zh) | 一种用于高光谱医学图像采集的噪声抑制方法及系统 | |
| Yang et al. | SAR image denoising algorithm based on Bayes wavelet shrinkage and fast guided filter | |
| CN113109873B (zh) | 一种基于秩残差约束的沙漠地区地震信号噪声抑制方法 | |
| Zhang et al. | Adaptive typhoon cloud image enhancement using genetic algorithm and non-linear gain operation in undecimated wavelet domain | |
| Iqbal et al. | Reduction of speckle noise in medical images using stationary wavelet transform and fuzzy logic | |
| Rela et al. | Efficient image enhancement techniques applied on medical imaging-a state-of-the art survey | |
| Sheela et al. | Comparative analysis of various filtering techniques for Speckle noise suppression in Ultrasound images | |
| Tayade et al. | Medical image denoising and enhancement using DTCWT and Wiener filter |
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 |