CN110634109A - 基于平稳小波变换和Canny算子去除医学散斑噪声的方法 - Google Patents
基于平稳小波变换和Canny算子去除医学散斑噪声的方法 Download PDFInfo
- Publication number
- CN110634109A CN110634109A CN201910861171.6A CN201910861171A CN110634109A CN 110634109 A CN110634109 A CN 110634109A CN 201910861171 A CN201910861171 A CN 201910861171A CN 110634109 A CN110634109 A CN 110634109A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- correlation
- algorithm
- neighborhood
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 12
- 238000002604 ultrasonography Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 230000008602 contraction Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000002611 ovarian Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 3
- 230000003325 follicular Effects 0.000 description 2
- 210000001672 ovary Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于平稳小波变换和Canny算子去除医学散斑噪声的方法,属于医学图像技术领域。本发明将Canny边缘检测技术应用于低频子带来调整强边缘附近的去噪策略。采用自适应邻域收缩算法对平稳小波变换分解后的图像的高频子带小波系数进行阈值分割。巧妙的把边缘检测和自适应邻域收缩相结合,有效地保留了边缘,消除了噪音。将该方法与常用的综合散斑图像和临床超声图像去噪方法进行了比较。实验结果表明,在大多数情况下,我们提出的方法在峰值信噪比、边缘保持因子和二维互相关等方面比比较器的算法有更好的性能,并且在较高的噪声水平下,这些指标始终优于比较器的算法。
Description
技术领域
本发明属于医学图像处理领域,具体涉及基于平稳小波变换和Canny算子去除医学散斑噪声的方法。
背景技术
去除医学超声图像斑点的一个基本问题是去除噪音,同时尽可能保留“真实”的边缘和细节。早期的散斑噪声抑制算法采用了空间滤波器。LEE提出了一种基于统计噪声模型的局部统计噪声滤波算法,这是第一次尝试用空间滤波器分析和平滑散斑噪声。KUAN根据相干图像形成的精确物理过程,开发了几种自适应散斑抑制滤波器。FROST提出了一种利用局部估计参数值的自适应滤波器,使滤波器在图像均匀区域内提供最小均方误差估计。Czerwinski提出了一种中值滤波器的改进方案,以减少超声散斑。
最近,研究人员转向基于小波的方法,以克服空间方法的主要缺点,例如边缘模糊和非噪声引起的微细节。小波域中的噪声抑制被称为小波收缩或小波阈值。在小波阈值化中,将图像分解为近似子带和细节子带,并对细节子带系数进行硬阈值或软阈值选择。
阈值的选择在去噪中起着重要的作用。Visushrink算法应用一个全局阈值,导致图像过于平滑。Surescrink算法通过最小化Stein的无偏风险估计,为每个子带使用不同的阈值。在Bayesshrink算法中,通过将每个子带的小波系数建模为具有广义高斯分布(GGD)的随机变量,来为每个子带选择阈值。Bishrink算法通过一个系数与其父项之间的二元收缩函数确定阈值,该系数与父项之间的统计依赖性由一个二元概率密度函数(pdf)建模。NeighShrink算法根据邻域窗口中所有小波系数平方和的大小对小波系数进行阈值。K.K.Gupta和R.Gupta通过改变基于相邻像素能量特征的阈值确定函数来改进NeighShrink算法,从而获得更好的性能。
Donoho阈值是基于噪声图像强度方差的,因为方差可以被视为噪声级的指示;方差越大,图像中的噪声就越多。因此,对于每一个小波分解级数k,噪声可以通过近似子带系数与前一个级数k-1的方差来估计。
上式计算了整个近似子带ck-1上噪声的方差,然而噪声水平对局部邻域窗口W(j,k)的影响不容忽视。例如,如果W中的原始图像强度为常量或几乎为常量,则这些系数的方差可能显著低于整个子带的方差。在这种情况下,基于子带方差的Donoho阈值将过于激进,并过度抑制局部系数。
以上的小波收缩方法都是基于离散小波变换(DWT)的。DWT通过对图像进行下采样来分析不同尺度的信号,从而在每个分解层级上产生较低的分辨率图像。
发明目的
本发明针对现有技术中图像分辨率较低的问题,提出了基于平稳小波变换和Canny算子去除医学散斑噪声的方法,本发明将Canny边缘检测技术应用于低频子带来调整强边缘附近的去噪策略。采用自适应邻域收缩算法对平稳小波变换分解后的图像的高频子带小波系数进行阈值分割。巧妙的把边缘检测和自适应邻域收缩相结合,有效地保留了边缘,消除了噪音。将该方法与常用的综合散斑图像和临床超声图像去噪方法进行了比较。实验结果表明,在大多数情况下,我们提出的方法在峰值信噪比、边缘保持因子和二维互相关等方面比较器的算法有更好的性能,并且在较高的噪声水平下,这些指标始终优于比较器的算法。
技术方案
为了实现上述目的,本发明是通过以下技术方案实现的。
基于平稳小波变换和Canny算子去除医学散斑噪声的方法,包括以下步骤:
步骤一、将获取的病人患处超声图像进行对数变换;
步骤二、对数变换后的超声图像进行平稳小波变换;
步骤三、对平稳小波变换后的图像按步骤a-步骤e进行去噪操作;
步骤a、使用Canny边缘检测器定位图像中非常强的边缘;
步骤b、量化强边缘方向;
边缘方向计算如下:
式中,Gx和Gy分别是由Sobel运算符计算的水平和垂直方向上一阶导数的近似值;
然后将边缘方向角量化为代表水平、垂直或两条对角线的四个方向之一,从而分别将每个边缘像素与水平、垂直或两条对角线高频子带相关联;
步骤c、确定最佳邻域大小,以及当前分解级别的Donoho阈值;
对任一点(j,k)计算的最佳邻域大小的方法是通过选择一个由邻域中相邻像素的相关系数之和测量出的,使其小波系数具有最大成对相关的1到3个像素之间的平方邻域半径。
使用皮尔逊相关系数衡量两个变量之间的线性依赖强度:
其中,corrx,y是两个变量x和y的相关系数,cov(x,y)是两个变量的协方差,σx和σy分别表示为x和y的标准差;
计算x和y两个变量由选定邻域中相邻像素对的强度组成;像素对分为代表四个方向的四种类型,然后计算整个邻域的相关性为:
计算阈值化的最佳领域大小:最佳领域大小是求和相关量最大的窗口半径,即argmaxrr∈[1;3]ρ,其中ρ是半径r的邻域相关性,如等式2所示。;
针对不同的小波系数提出的自适应Donoho阈值λ为:
λ=min(λw,λk) (4)
L=2r+1 (7)
其中,λw和λk分别基于局部邻域窗口W和近似子带ck-1中像素强度的变化;L表示本地邻域窗口的宽度,r是在待处理的小波系数周围产生相邻系数最大相关性的位移,M和N分别是图像的高度和宽度;
步骤d、对于步骤b中表示强边附近像素的高频小波系数,采用等式(8)所示对其进行去噪;
这是一个标准偏差为2的高斯函数,其中x是(j,k)与Canny边缘之间的Manhattan距离;
步骤e、在高频子带的其它区域,结合等式(4)对系数进行去噪;
步骤四、对去噪处理后的所有修改子带进行逆平稳小波变换;
步骤五、对逆平稳小波变换后的超声图像执行指数变换以获取去噪后的超声图像。
本发明专利的有益效果是:
一、本发明使用Canny边缘检测器定位图像中非常强的边缘。Canny边缘检测器是一种多级算法,具有以下优点:
a)在图像中标记较多的真实边缘;
b)标记的边缘更靠近真实图像的边缘;
c)给定边缘只检测一次,图像噪声产生的伪边缘相对较少。
二、平稳小波变换(SWT)对小波进行采样,在每个分解级别生成全分辨率图像,从而在去噪过程中保留更多的图像细节。
三、图2显示了噪声图像的一个放大的强边缘和3个高频子带中相同的空间区域。垂直子带中系数的大小比其他2大(显示出更明显的可视效果),因为镜子的边缘在垂直方向上更大。本发明提出的算法避免了边缘方向对应的子带边缘附近的系数收缩,而通常会收缩其他子带的系数以避免失真。
四、图3比较了不同去噪算法的PSNR。图4显示了噪声图像和去噪图像的EPF结果。每个去噪算法的二维互相关如图5所示。每个比较组中较高的条表示该算法对特定图像和噪声水平的较好结果。从图3中的PSNR(信噪比)值可以看出,当噪声水平较低(σ2=0:01和σ2=0:04)时,本发明所提出的算法的性能接近于Fanshink算法,这是4种算法中PSNR最大的算法。在较高的噪声水平(σ2=0:09,σ2=0:16和σ2=0:25),本发明提出的算法产生的结果在4种算法中PSNR最高。
五、图4表明,与其他算法相比,本发明提出的算法具有最高的EPF值。此外,与其他算法相比,改进的幅度随着噪声级的增加而增加。
六、图5说明了本发明提出的算法在大多数情况下也会产生最大的二维互相关度量,这表明具有更好的保存细节的能力。
七、图6表明,在不同的小波函数下,无论使用何种小波,本发明提出的算法都比其他算法具有更好的综合性能。本发明提出的算法对PSNR、EPF和DCC的改进并不是很大程度上依赖于测试中任何特定小波的使用。
八、由于没有无噪声的医学超声图像,发明人只能定性地比较各种算法在超声图像去噪中的性能,如图7所示。图8显示了一个卵巢中的放大部分的例子,可以观察到,所有的比较器算法对实验图像都有一定的去斑点效果。虽然,近距离收缩法可以平滑卵巢滤泡边界(A),但却同时存在卵巢间质区域的去斑不充分问题(B)。这种行为的发生主要是因为NeighShrink算法仅使用全局强度方差作为局部噪声级的估计值,而实际上,噪声级在空间上和分解尺度上都有所不同。Bishrink算法考虑了系数与其父系数之间的关系,但父系数仍然含有噪声,并且噪声级的空间变化仍然被忽略,因此某些边缘被模糊得太多,噪声被去除得更少。FANShrink试图在NeighShrink算法中加入一些系数来优化阈值,但本质问题并没有得到解决,因此只有边缘处比NeighShrink算法的结果保存得更好。相比之下,该算法通过平衡噪声的去除,边缘和细节的保护,保证了更好的视觉效果。
附图说明
图1a噪声图像;
图1b使用Canny边缘检测器定位图像中的强边图像;
图2与强边周围的像素相对应的高频系数,标签A表示噪声图像中的镜子边缘;
图2a原始噪声图像中的强边缘;
图2b边缘附近的水平小波系数;
图2c边缘附近的垂直系数;
图2d边缘附近的对角系数;
图3不同算法的PSNR比较,每个图显示了X轴上不同噪声级的不同图像的结果;
图3a block算法图像的峰值信噪比(图中PSNR表示峰值信噪比;variance ofnoise表示噪音振幅);
图3b Lena算法图像的峰值信噪比;
图3c Barbara算法图像的峰值信噪比;
图4不同算法的EPF比较,每个图显示了X轴上不同噪声级的不同图像的结果;
图4a block算法图像的边缘保护系数;
图4b Lena算法图像的边缘保护系数;
图4c Barbara算法图像的边缘保护系数;
图5不同算法的DCC比较,每个图显示了X轴上不同噪声级的不同图像的结果;
图5a block算法图像的2D互相关系数;
图5b Lena算法图像的2D互相关系数;
图5c Barbara算法图像的2D互相关系数;
图6不同算法对不同常用小波的LENA图像的性能;
图6a block算法图像的峰值信噪比;
图6b Lena算法图像的边缘保护系数;
图6c Barbara算法图像的2D互相关系数;
图7不同超声图像去噪的结果;
图7a超声散斑图像;
图7b NeighShrink算法效果;
图7c BiShrink算法效果;
图7d FANShrink算法效果;
图7e本发明算法效果;
图8不同算法超声波图像去噪的细节,其中A:去噪前后滤泡边界;B:基质面积;
图8a超声散斑图像细节;
图8b NeighShrink算法效果细节;
图8c BiShrink算法效果细节;
图8d FANShrink算法效果细节;
图8e本发明算法效果细节。
具体实施方式
下面结合附图进一步解释本发明。
基于平稳小波变换和Canny算子去除医学散斑噪声的方法,包括以下步骤:
步骤一、将获取的病人患处超声图像进行对数变换;
步骤二、对数变换后的超声图像进行平稳小波变换;
步骤三、对平稳小波变换后的图像按步骤a-步骤e进行去噪操作;
步骤a、使用Canny边缘检测器定位图像中非常强的边缘;
步骤b、量化强边缘方向;
边缘方向计算如下:
式中,Gx和Gy分别是由Sobel运算符计算的水平和垂直方向上一阶导数的近似值;
然后将边缘方向角量化为代表水平、垂直或两条对角线的四个方向之一,从而分别将每个边缘像素与水平、垂直或两条对角线高频子带相关联;
步骤c、确定最佳邻域大小,以及当前分解级别的Donoho阈值;
使用皮尔逊相关系数衡量两个变量之间的线性依赖强度:
其中,corrx,y是两个变量x和y的相关系数,cov(x,y)是两个变量的协方差,σx和σy分别表示为x和y的标准差;
计算x和y两个变量由选定邻域中相邻像素对的强度组成;像素对分为代表四个方向的四种类型,然后计算整个邻域的相关性为:
计算阈值化的最佳领域大小:最佳领域大小是求和相关量最大的窗口半径,即argmaxrr∈[1;3]ρ,其中ρ是半径r的邻域相关性,如等式2所示。;
针对不同的小波系数提出的自适应Donoho阈值λ为:
λ=min(λw,λk) (4)
L=2r+1 (7)
其中,λw和λk分别基于局部邻域窗口W和近似子带ck-1中像素强度的变化;L表示本地邻域窗口的宽度,r是在待处理的小波系数周围产生相邻系数最大相关性的位移,M和N分别是图像的高度和宽度;
步骤d、对于步骤b中表示强边附近像素的高频小波系数,采用等式(8)所示对其进行去噪;
这是一个标准偏差为2的高斯函数,其中x是(j,k)与Canny边缘之间的Manhattan距离;
步骤e、在高频子带的其它区域,结合等式(4)对系数进行去噪;
步骤四、对去噪处理后的所有修改子带进行逆平稳小波变换;
步骤五、对逆平稳小波变换后的超声图像执行指数变换以获取去噪后的超声图像。
显示了噪声图像的一个放大的强边缘和3个高频子带中相同的空间区域。垂直子带中系数的大小比其他2大(显示出更明显的可视效果),因为镜子的边缘在垂直方向上更大。本发明提出的算法避免了边缘方向对应的子带边缘附近的系数收缩,而通常会收缩其他子带的系数以避免失真。
图3比较了不同去噪算法的PSNR。图4显示了噪声图像和去噪图像的EPF结果。每个去噪算法的二维互相关如图5所示。每个比较组中较高的条表示该算法对特定图像和噪声水平的较好结果。从图3中的PSNR值可以看出,当噪声水平较低(σ2=0:01和σ2=0:04)时,本发明所提出的算法的性能接近于Fanshink算法,这是4种算法中PSNR最大的算法。在较高的噪声水平(σ2=0:09,σ2=0:16和σ2=0:25),本发明提出的算法产生的结果在4种算法中PSNR最高。
图4表明,与其他算法相比,本发明提出的算法具有最高的EPF值。此外,与其他算法相比,改进的幅度随着噪声级的增加而增加。
图5说明了本发明提出的算法在大多数情况下也会产生最大的二维互相关度量,这表明具有更好的保存细节的能力。
图6表明,在不同的小波函数下,无论使用何种小波,本发明提出的算法都比其他算法具有更好的综合性能。本发明提出的算法对PSNR、EPF和DCC的改进并不是很大程度上依赖于测试中任何特定小波的使用。
由于没有无噪声的医学超声图像,发明人只能定性地比较各种算法在超声图像去噪中的性能,如图7所示。图8显示了一个卵巢中的放大部分的例子,可以观察到,所有的比较器算法对实验图像都有一定的去斑点效果。虽然,近距离收缩法可以平滑卵巢滤泡边界(A),但却同时存在卵巢间质区域的去斑不充分问题(B)。这种行为的发生主要是因为NeighShrink算法仅使用全局强度方差作为局部噪声级的估计值,而实际上,噪声级在空间上和分解尺度上都有所不同。Bishrink算法考虑了系数与其父系数之间的关系,但父系数仍然含有噪声,并且噪声级的空间变化仍然被忽略,因此某些边缘被模糊得太多,噪声被去除得更少。FANShrink试图在NeighShrink算法中加入一些系数来优化阈值,但本质问题并没有得到解决,因此只有边缘处比NeighShrink算法的结果保存得更好。相比之下,该算法通过平衡噪声的去除,边缘和细节的保护,保证了更好的视觉效果。
Claims (1)
1.基于平稳小波变换和Canny算子去除医学散斑噪声的方法,其特征在于,包括以下步骤:
步骤一、将获取的病人患处超声图像进行对数变换;
步骤二、对数变换后的超声图像进行平稳小波变换;
步骤三、对平稳小波变换后的图像按步骤a-步骤e进行去噪操作;
步骤a、使用Canny边缘检测器定位图像中非常强的边缘;
步骤b、量化强边缘方向;
边缘方向计算如下:
式中,Gx和Gy分别是由Sobel运算符计算的水平和垂直方向上一阶导数的近似值;
然后将边缘方向角量化为代表水平、垂直或两条对角线的四个方向之一,从而分别将每个边缘像素与水平、垂直或两条对角线高频子带相关联;
步骤c、确定最佳邻域大小,以及当前分解级别的Donoho阈值;
使用皮尔逊相关系数衡量两个变量之间的线性依赖强度:
其中,corrx,y是两个变量x和y的相关系数,cov(x,y)是两个变量的协方差,σx和σy分别表示为x和y的标准差;
计算x和y两个变量由选定邻域中相邻像素对的强度组成;像素对分为代表四个方向的四种类型,然后计算整个邻域的相关性为:
计算阈值化的最佳领域大小:最佳领域大小是求和相关量最大的窗口半径,即argmaxrr∈[1;3]ρ,其中ρ是半径r的邻域相关性,如等式2所示;;
针对不同的小波系数提出的自适应Donoho阈值λ为:
λ=min(λw,λk) (4)
L=2r+1 (7)
其中,λw和λk分别基于局部邻域窗口W和近似子带ck-1中像素强度的变化;L表示本地邻域窗口的宽度,r是在待处理的小波系数周围产生相邻系数最大相关性的位移,M和N分别是图像的高度和宽度;
步骤d、对于步骤b中表示强边附近像素的高频小波系数,采用等式(8)所示对其进行去噪;
这是一个标准偏差为2的高斯函数,其中x是(j,k)与Canny边缘之间的Manhattan距离;
步骤e、在高频子带的其它区域,结合等式(4)对系数进行去噪;
步骤四、对去噪处理后的所有修改子带进行逆平稳小波变换;
步骤五、对逆平稳小波变换后的超声图像执行指数变换以获取去噪后的超声图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019107808163 | 2019-08-22 | ||
CN201910780816 | 2019-08-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110634109A true CN110634109A (zh) | 2019-12-31 |
Family
ID=68972234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910861171.6A Pending CN110634109A (zh) | 2019-08-22 | 2019-09-12 | 基于平稳小波变换和Canny算子去除医学散斑噪声的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634109A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316983A (ja) * | 2006-05-26 | 2007-12-06 | Matsushita Electric Ind Co Ltd | 画像処理装置、画像処理方法、及びそのプログラム |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
US20100225789A1 (en) * | 2008-11-14 | 2010-09-09 | ATI Technologies LLC | Image noise filter and method |
CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
CN102800056A (zh) * | 2012-06-30 | 2012-11-28 | 浙江大学 | 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法 |
US20140198992A1 (en) * | 2013-01-15 | 2014-07-17 | Apple Inc. | Linear Transform-Based Image Processing Techniques |
CN103994737A (zh) * | 2014-05-21 | 2014-08-20 | 东北大学 | 一种超声辐射力弹性成像的时延估计方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
CN109345516A (zh) * | 2018-09-19 | 2019-02-15 | 重庆邮电大学 | 一种变换域hmt模型的脑磁共振体数据自适应增强方法 |
-
2019
- 2019-09-12 CN CN201910861171.6A patent/CN110634109A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316983A (ja) * | 2006-05-26 | 2007-12-06 | Matsushita Electric Ind Co Ltd | 画像処理装置、画像処理方法、及びそのプログラム |
US20100225789A1 (en) * | 2008-11-14 | 2010-09-09 | ATI Technologies LLC | Image noise filter and method |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
CN102800056A (zh) * | 2012-06-30 | 2012-11-28 | 浙江大学 | 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法 |
US20140198992A1 (en) * | 2013-01-15 | 2014-07-17 | Apple Inc. | Linear Transform-Based Image Processing Techniques |
CN103994737A (zh) * | 2014-05-21 | 2014-08-20 | 东北大学 | 一种超声辐射力弹性成像的时延估计方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
CN109345516A (zh) * | 2018-09-19 | 2019-02-15 | 重庆邮电大学 | 一种变换域hmt模型的脑磁共振体数据自适应增强方法 |
Non-Patent Citations (4)
Title |
---|
DRAGOMIR EL MEZENI ET AL: "Adaptive wavelet based edge detection in noisy images" * |
J.-L. STARCK ET AL: "Gray and color image contrast enhancement by the curvelet transform" * |
周明月等: "基于小波变换的图像混合去噪算法" * |
李晨等: "基于提升小波的自适应阈值边缘检测新算法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7515763B1 (en) | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion | |
Deledalle et al. | Iterative weighted maximum likelihood denoising with probabilistic patch-based weights | |
Bijalwan et al. | Wavelet transform based image denoise using threshold approaches | |
Thaipanich et al. | An adaptive nonlocal means scheme for medical image denoising | |
KR101766536B1 (ko) | 다중 스케일 블록 영역 검출을 이용한 영상 잡음 제거 방법 및 장치 | |
Ramadan | Effect of kernel size on Wiener and Gaussian image filtering | |
Leavline et al. | Wavelet domain shrinkage methods for noise removal in images: A compendium | |
Wang et al. | Speckle noise removal in ultrasound images with stationary wavelet transform and canny operator | |
You et al. | A new image denoising method based on thewavelet domain nonlocal means filtering | |
Khmag et al. | Additive and multiplicative noise removal based on adaptive wavelet transformation using cycle spinning | |
CN110634109A (zh) | 基于平稳小波变换和Canny算子去除医学散斑噪声的方法 | |
Singh et al. | Noise reduction in ultrasound images using wavelet and spatial filtering techniques | |
Bhargava et al. | An Effective Method for Image Denoising Using Non-local Means and Statistics based Guided Filter in Nonsubsampled Contourlet Domain. | |
Ni et al. | Speckle suppression for sar images based on adaptive shrinkage in contourlet domain | |
Vijay et al. | Image denoising by multiscale-LMMSE in wavelet domain and joint bilateral filter in spatial domain | |
Butt et al. | Multilateral filtering: A novel framework for generic similarity-based image denoising | |
Lin et al. | Image denoising based on non-local means with Wiener filtering in wavelet domain | |
Nair et al. | Denoising of sar images using maximum likelihood estimation | |
Khan et al. | Image denoising based on adaptive wavelet thresholding by using various shrinkage methods under different noise condition | |
Vijaykumar et al. | Adaptive window based efficient algorithm for removing gaussian noise in gray scale and color images | |
Jung et al. | Adaptive image denoising in scale-space using the wavelet transform | |
Khan et al. | Denoising of images based on different wavelet thresholding by using various shrinkage methods using basic noise conditions | |
Hsia et al. | Adaptive Wavelet Shrinkage Based On Intelligent FIS Learned Thresholding | |
Verma et al. | Region characteristics-based fusion of spatial and transform domain image denoising methods | |
Gupta et al. | Joint bilateral filter for signal recovery from phase preserved curvelet coefficients for image denoising |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231208 |
|
AD01 | Patent right deemed abandoned |