CN110930330B - 一种基于图像分割和区域增长的椒盐噪声降噪算法 - Google Patents
一种基于图像分割和区域增长的椒盐噪声降噪算法 Download PDFInfo
- Publication number
- CN110930330B CN110930330B CN201911155795.2A CN201911155795A CN110930330B CN 110930330 B CN110930330 B CN 110930330B CN 201911155795 A CN201911155795 A CN 201911155795A CN 110930330 B CN110930330 B CN 110930330B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- pixel
- edge
- pixels
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 50
- 239000006002 Pepper Substances 0.000 title claims abstract description 25
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 235000002566 Capsicum Nutrition 0.000 title claims abstract description 21
- 235000016761 Piper aduncum Nutrition 0.000 title claims abstract description 21
- 235000017804 Piper guineense Nutrition 0.000 title claims abstract description 21
- 235000008184 Piper nigrum Nutrition 0.000 title claims abstract description 21
- 150000003839 salts Chemical class 0.000 title claims abstract description 21
- 244000203593 Piper nigrum Species 0.000 title 1
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 241000722363 Piper Species 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000001788 irregular Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 22
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分割和区域增长的椒盐噪声降噪算法，包括椒盐噪声预处理器和基于图像分割和区域增长的滤波器。其中椒盐噪声预处理器通过预定义的图像边缘模板来查找潜在的图像边缘，并对噪声图像进行初步降噪处理。基于图像分割和区域增长的滤波器，先对初步降噪后的图片进行图像边缘检测，再采用边缘跟踪算法对图像边缘进行连接和编号，从而将图像划分成一块块不规则的区域；然后对于原始图像中的每一个噪声像素，采用八邻域区域增长算法将与当前噪声像素处于同一区域的邻近的无损像素放入到计算域内，最后求解计算域内的无损像素的加权平均值来替换当前噪声像素，从而达到降噪的目的。
Description
技术领域
本发明涉及一种椒盐噪声图像降噪方法，具体为一种基于图像分割和区域增长的椒盐噪声降噪算法。
背景技术
图像噪声对于图像分割、图像测量以及图像识别等的准确度和精度的提高具有重要的制约作用。图像降噪算法是图像预处理中的一个重要的环节，其对于图像质量的提高具有显著的意义。
十数年来，学者们提出了多种图像降噪算法，其中大多数经典算法均具有良好的降噪效果。但是随着我们对图像质量的要求越来越高，对于图像降噪的效果的要求也是无止境的。特别地，在图像降噪过程中，对于图像边缘和图像纹理的保留是至关重要的。因此在关注算法降噪效果的同时，也应该关注图像边缘细节保留的效果。
与先前的经典降噪算法相比，本发明提出的降噪算法不仅具有更好的降噪效果，而且在图像边缘细节和纹理的保留上的表现更加出色。
发明内容
本发明的目的可以通过以下技术方案实现：
一种基于图像分割和区域增长的椒盐噪声降噪算法，包括椒盐噪声预处理器和基于图像分割和区域增长的滤波器；该方法具体步骤如下：
步骤一：首先对输入图像进行灰度化，然后采用椒盐噪声预处理器，通过预定义的图像边缘模板来对图像边缘进行检测，并根据检测结果对噪声图像进行初步降噪处理；
步骤二：借助基于图像分割和区域增长的滤波器进行图像分割，具体为利用Canny边缘检测算子对初步降噪后的图像进行边缘检测，然后利用边缘跟踪算法，将邻近且灰度值相近的图像边缘连接起来，并给其分配相同的编号，对于不同的图像边缘，给其分配不同的编号，从而将图像划分成若干块不规则的区域；
步骤三：对于原始图像中的每一个噪声像素，先判断其所处的区域类型，然后利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，直到计算域的大小或迭代次数达到设置值；
步骤四：求解计算域内像素的加权平均值，利用该值替换噪声像素，以达到降噪的目的；
步骤五：重复步骤三-步骤四，直到原始图像中所有噪声像素均被替换。
进一步地，椒盐噪声预处理器预定义了若干图像边缘模板，用于查找噪声图像中存在的图像边缘。
进一步地，步骤二中对初步降噪后的图像进行边缘检测时的具体方法为：
当中心噪声像素满足以下条件时，认为该像素位于图像边缘上，否则不位于图像边缘上；
min[min(Ai，j)-max(Bi，j)，min(Bi，j)-max(Ai，j)]≥th1
max(Ei，j)-min(Ei，j)≤th2
式中，Ai，j和Bi，j为图像边缘模板内被图像边缘分割的两个区域的无损像素集合，Ei，j为图像边缘模板内图像边缘上的无损像素的集合，th1和th2为预设的阈值。
进一步地，步骤一中椒盐噪声预处理器进行初步降噪处理的具体方式为：
S1：对于图像边缘上的噪声像素，利用图像边缘上无损像素的中值进行替换；
S2：对于非边缘区域的噪声像素，利用非图像边缘上的无损像素的中值进行替换。
进一步地，步骤二中，利用边缘跟踪算法对图像边缘进行连接和编号，其实现的具体步骤为：
步骤(一)：使用Canny算子对初步降噪图像进行边缘检测；
步骤(二)：使用八邻域边缘跟踪方法，从第一个处于图像边缘上的像素开始，按照设定的跟踪方向进行边缘跟踪，将处于相同图像边缘的像素给予相同的编号；
步骤(三)：若当前像素的八邻域均不在图像边缘上，则中止跟踪，移向下一个像素，并改变编号值；否则重复步骤(二)，直到最后一个像素；
步骤(四)：输出图像边缘编号的结果。
进一步地，利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，其实现的具体步骤为：
S10：对于原始噪声图像中的每一个像素，若当前像素为噪声像素则执行S20，否则执行S50；
S20：确定当前噪声像素所在的区域类型，然后使用八邻域增长算法将与当前噪声像素相同区域类型的邻近的无损像素依次放入到计算域内，直到计算域的大小或计算迭代次数达到设定值时，中止计算，输出计算域；
S30：根据计算域内各无损像素与当前噪声像素的距离，确定各无损像素的权值；
S40：根据计算域内的像素值及其权值，计算出加权平均值，对当前噪声像素进行替换，以达到降噪的目的；
S50：移向下一个像素，返回到S10，直到所有噪声像素都被降噪后，输出降噪后的图像。
进一步地，步骤四中，加权平均值中的权值是根据计算域中像素与当前噪声像素的棋盘距离来给定的，权值的定义式如下：
式中，wx，y是无损像素px，y对应的权值，dx，y是像素px，y与当前噪声像素pi，j的棋盘距离，n为常数。
进一步地，加权平均值的定义如下：
式中，
为求解得到的加权平均值，Mi，j是当前噪声像素pi，j对应的计算域。
本发明的有益效果：
1、本发明提出的降噪算法的优越性在于：本发明采用了更丰富的图像边缘模板，使得即使对于高噪声密度的图像，仍具有较好的图像边缘检测效果；
2、本发明的另一个重要的优势是，本发明中采用与当前噪声像素处于同一区域内的邻近像素的加权平均值来替换当前噪声像素，使得本发明具有更好的降噪效果，且具有更好的图像纹理和图像边缘细节保留效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中算法计算流程简图；
图2.1-2.8为椒盐噪声预处理器定义的8种典型的图像边缘模板；
图3为初步降噪后图像的图像分割和图像边缘连接的结果；
图4.1-4.2为不同区域的噪声像素对应的计算域示意图；
图5为不同算法的图像质量评价结果对比；
图6为本发明中算法在不同噪声密度下的降噪结果。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1-6所示，一种基于图像分割和区域增长的椒盐噪声降噪算法，包括椒盐噪声预处理器和基于图像分割和区域增长的滤波器；该方法具体步骤如下：
步骤一：首先对输入图像进行灰度化，然后采用椒盐噪声预处理器，通过预定义的图像边缘模板来对图像边缘进行检测，并根据检测结果对噪声图像进行初步降噪处理；
步骤二：借助基于图像分割和区域增长的滤波器进行图像分割，具体为利用Canny边缘检测算子对初步降噪后的图像进行边缘检测，然后利用边缘跟踪算法，将邻近且灰度值相近的图像边缘连接起来，并给其分配相同的编号，对于不同的图像边缘，给其分配不同的编号，从而将图像划分成若干块不规则的区域；
步骤三：对于原始图像中的每一个噪声像素，先判断其所处的区域类型，然后利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，直到计算域的大小或迭代次数达到设置值；
步骤四：求解计算域内像素的加权平均值，利用该值替换噪声像素，以达到降噪的目的；
步骤五：重复步骤三-步骤四，直到原始图像中所有噪声像素均被替换。
其中，椒盐噪声预处理器预定义了若干图像边缘模板，用于查找噪声图像中存在的图像边缘。
其中，步骤二中对初步降噪后的图像进行边缘检测时的具体方法为：
当中心噪声像素满足以下条件时，认为该像素位于图像边缘上，否则不位于图像边缘上；
min[min(Ai，j)-max(Bi，j)，min(Bi，j)-max(Ai，j)]≥th1
max(Ei，j)-min(Ei，j)≤th2
式中，Ai，j和Bi，j为图像边缘模板内被图像边缘分割的两个区域的无损像素集合，Ei，j为图像边缘模板内图像边缘上的无损像素的集合，th1和th2为预设的阈值。
其中，步骤一中椒盐噪声预处理器进行初步降噪处理的具体方式为：
S1：对于图像边缘上的噪声像素，利用图像边缘上无损像素的中值进行替换；
S2：对于非边缘区域的噪声像素，利用非图像边缘上的无损像素的中值进行替换。
其中，步骤二中，利用边缘跟踪算法对图像边缘进行连接和编号，其实现的具体步骤为：
步骤(一)：使用Canny算子对初步降噪图像进行边缘检测；
步骤(二)：使用八邻域边缘跟踪方法，从第一个处于图像边缘上的像素开始，按照设定的跟踪方向进行边缘跟踪，将处于相同图像边缘的像素给予相同的编号；
步骤(三)：若当前像素的八邻域均不在图像边缘上，则中止跟踪，移向下一个像素，并改变编号值；否则重复步骤(二)，直到最后一个像素；
步骤(四)：输出图像边缘编号的结果。
其中，利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，其实现的具体步骤为：
S10：对于原始噪声图像中的每一个像素，若当前像素为噪声像素则执行S20，否则执行S50；
S20：确定当前噪声像素所在的区域类型，然后使用八邻域增长算法将与当前噪声像素相同区域类型的邻近的无损像素依次放入到计算域内，直到计算域的大小或计算迭代次数达到设定值时，中止计算，输出计算域；
S30：根据计算域内各无损像素与当前噪声像素的距离，确定各无损像素的权值；
S40：根据计算域内的像素值及其权值，计算出加权平均值，对当前噪声像素进行替换，以达到降噪的目的；
S50：移向下一个像素，返回到S10，直到所有噪声像素都被降噪后，输出降噪后的图像。
其中，步骤四中，加权平均值中的权值是根据计算域中像素与当前噪声像素的棋盘距离来给定的，权值的定义式如下：
式中，wx，y是无损像素px，y对应的权值，dx，y是像素px，y与当前噪声像素pi，j的棋盘距离，n为常数。
其中，加权平均值的定义如下：
式中，
为求解得到的加权平均值，Mi，j是当前噪声像素pi，j对应的计算域。
本发明在具体的实施过程中，其实施方式较为简单，共分为三个步骤：
第一步，准备好被椒盐噪声污染的噪声图像；
第二步，打开本发明中的降噪程序，将噪声图像输入到程序中，进行计算；
第三步，提取计算结果，输出降噪后的图像。
结合本发明中的附图进行详细说明；
本发明中算法的计算步骤如附图1所示；先对输入图像进行灰度化，然后采用椒盐噪声预处理器中定义的图像边缘模板对图像边缘进行检测，然后根据检测结果对噪声图像进行预降噪处理；利用基于图像分割和区域增长的滤波器对预降噪图像进行图像分割，然后使用八邻域边缘跟踪算法对图像边缘进行连接和编号；对原始噪声图像中的每一个像素进行判断，若其为噪声像素，则采用八邻域区域增长法将邻近的处于同一区域的无损像素放入到计算域内，再根据计算域内像素与当前噪声像素的棋盘距离计算每个像素的权值，接着计算其加权平均值来替代当前噪声像素；若当前像素不为噪声像素，则判断下一个像素，重复上面的操作，直到噪声图像中的最后一个像素；最后输出降噪后的图像。
附图2.1-2.8中显示了八种典型的图像边缘模板。图中灰色填充的方格为图像边缘像素，无填充方格为非图像边缘像素。本发明中定义的图像边缘模板包含了附图2.1-2.8中的边缘模板以及任何与附图2.1-2.8中心对称或旋转对称的图像边缘模板。
为了进一步说明图像分割与图像边缘连接及编号的效果，如附图3所示，显示了图像分割与图像边缘连接的结果。附图3中，左图是初步降噪后的图像，右图是图像分割与图像边缘连接的结果。右图中，图像边缘用深浅不一的线条显示，对于邻近的具有相近灰度值的图像边缘，使用相同的灰度值的线条显示；对于不同的图像边缘，使用不同的灰度值的线条显示。这样，原始图像就被图像边缘分割成一块块不规则的区域。
附图4-1和4-2显示了不同区域的噪声像素对应的计算域的示意图。其中，附图4-1是位于非图像边缘上的噪声像素对应的计算域；附图4-2是位于图像边缘上的噪声像素对应的计算域。
附图4-1和4-2中，灰色填充的方格表示位于图像边缘上的像素，深灰色填充的方格表示当前噪声像素，用下划线标示的像素是指应排除在计算域外的噪声像素，无填充的方格表示非图像边缘上的像素，由黑色虚线包围的无填充的方格表示计算域内的像素。
为了体现本发明提出的降噪算法的优点，将本发明中的算法(PA)与先前提出的经典降噪算法如AWMF、DBA、NAFSM、MDBUTMF、BPDF进行了比较。并采用降噪效果评价算法中的评价参数：峰值信噪比(PSNR)对不同降噪算法的降噪效果进行比较。其结果如附图5所示。
由附图5可知，本发明提出的算法的降噪效果优于先前的经典降噪算法。
附图6中显示了在“Lena”图片在噪声密度分别为50％、60％、80％和90％的情况下，本发明所提出的降噪算法的降噪效果的可视化结果。
本发明提出的降噪算法的优越性在于：本发明采用了更丰富的图像边缘模板，使得即使对于高噪声密度的图像，仍具有较好的图像边缘检测效果；
本发明的另一个重要的优势是，本发明中采用与当前噪声像素处于同一区域内的邻近像素的加权平均值来替换当前噪声像素，使得本发明具有更好的降噪效果，且具有更好的图像纹理和图像边缘细节保留效果。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (1)
1.一种基于图像分割和区域增长的椒盐噪声降噪方法，包括椒盐噪声预处理器和基于图像分割和区域增长的滤波器；其特征在于，该方法具体步骤如下：
步骤一：首先对输入图像进行灰度化，然后采用椒盐噪声预处理器，通过预定义的图像边缘模板来对图像边缘进行检测，并根据检测结果对噪声图像进行初步降噪处理；
步骤二：借助基于图像分割和区域增长的滤波器进行图像分割，具体为利用Canny边缘检测算子对初步降噪后的图像进行边缘检测，然后利用边缘跟踪算法，将邻近且灰度值相近的图像边缘连接起来，并给其分配相同的编号，对于不同的图像边缘，给其分配不同的编号，从而将图像划分成若干块不规则的区域；
步骤三：对于原始图像中的每一个噪声像素，先判断其所处的区域类型，然后利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，直到计算域的大小或迭代次数达到设置值；
步骤四：求解计算域内像素的加权平均值，利用该值替换噪声像素，以达到降噪的目的；
步骤五：重复步骤三-步骤四，直到原始图像中所有噪声像素均被替换；
椒盐噪声预处理器预定义了若干图像边缘模板，用于查找噪声图像中存在的图像边缘；
步骤一中椒盐噪声预处理器进行初步降噪处理的具体方式为：
S1：对于图像边缘上的噪声像素，利用图像边缘上无损像素的中值进行替换；
S2：对于非边缘区域的噪声像素，利用非图像边缘上的无损像素的中值进行替换；
步骤二中，利用边缘跟踪算法对图像边缘进行连接和编号，其实现的具体步骤为：
步骤(一)：使用Canny算子对初步降噪图像进行边缘检测；
步骤(二)：使用八邻域边缘跟踪方法，从第一个处于图像边缘上的像素开始，按照设定的跟踪方向进行边缘跟踪，将处于相同图像边缘的像素给予相同的编号；
步骤(三)：若当前像素的八邻域均不在图像边缘上，则中止跟踪，移向下一个像素，并改变编号值；否则重复步骤(二)，直到最后一个像素；
步骤(四)：输出图像边缘编号的结果；
步骤三中，利用八邻域区域增长算法不断地将与当前噪声像素处于相同区域的无损像素放入到计算域内，其实现的具体步骤为：
S10：对于原始噪声图像中的每一个像素，若当前像素为噪声像素则执行S20，否则执行S50；
S20：确定当前噪声像素所在的区域类型，然后使用八邻域增长算法将与当前噪声像素相同区域类型的邻近的无损像素依次放入到计算域内，直到计算域的大小或计算迭代次数达到设定值时，中止计算，输出计算域；
S30：根据计算域内各无损像素与当前噪声像素的距离，确定各无损像素的权值；
S40：根据计算域内的像素值及其权值，计算出加权平均值，对当前噪声像素进行替换，以达到降噪的目的；
S50：移向下一个像素，返回到S10，直到所有噪声像素都被降噪后，输出降噪后的图像；
步骤四中，加权平均值中的权值是根据计算域中像素与当前噪声像素的棋盘距离来给定的，权值的定义式如下：
式中，wx,y是无损像素px,y对应的权值，dx,y是像素px,y与当前噪声像素pi,j的棋盘距离，n为常数；
加权平均值的定义如下：
式中，
为求解得到的加权平均值，Mi,j是当前噪声像素pi,j对应的计算域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155795.2A CN110930330B (zh) | 2019-11-22 | 2019-11-22 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155795.2A CN110930330B (zh) | 2019-11-22 | 2019-11-22 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930330A CN110930330A (zh) | 2020-03-27 |
| CN110930330B true CN110930330B (zh) | 2022-05-31 |
Family
ID=69851659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911155795.2A Active CN110930330B (zh) | 2019-11-22 | 2019-11-22 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930330B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
| CN112766338B (zh) * | 2021-01-11 | 2023-06-16 | 明峰医疗系统股份有限公司 | 一种计算距离图像的方法、系统及计算机可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
| KR20120050678A (ko) * | 2010-11-11 | 2012-05-21 | 삼성전자주식회사 | 깊이 영상의 고정밀 복원을 위한 필터링 장치 및 방법 |
| CN102670251A (zh) * | 2012-05-29 | 2012-09-19 | 飞依诺科技(苏州)有限公司 | 基于数值排序加权平均的超声图像空间滤波方法 |
| CN104167005A (zh) * | 2014-07-07 | 2014-11-26 | 浙江大学 | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| 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 |
| CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
| CN108416740A (zh) * | 2018-01-22 | 2018-08-17 | 大连大学 | 一种消除椒盐噪声的迭代自适应中值滤波算法 |
| CN110288544A (zh) * | 2019-06-25 | 2019-09-27 | 西安航空学院 | 基于网函数插值的图像去噪方法 |
-
2019
- 2019-11-22 CN CN201911155795.2A patent/CN110930330B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
| KR20120050678A (ko) * | 2010-11-11 | 2012-05-21 | 삼성전자주식회사 | 깊이 영상의 고정밀 복원을 위한 필터링 장치 및 방법 |
| CN102670251A (zh) * | 2012-05-29 | 2012-09-19 | 飞依诺科技(苏州)有限公司 | 基于数值排序加权平均的超声图像空间滤波方法 |
| CN104167005A (zh) * | 2014-07-07 | 2014-11-26 | 浙江大学 | 一种基于相似度函数的自适应加权椒盐噪声滤波方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| 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 |
| CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
| CN108416740A (zh) * | 2018-01-22 | 2018-08-17 | 大连大学 | 一种消除椒盐噪声的迭代自适应中值滤波算法 |
| CN110288544A (zh) * | 2019-06-25 | 2019-09-27 | 西安航空学院 | 基于网函数插值的图像去噪方法 |
Non-Patent Citations (4)
| Title |
|---|
| Directional Order Statistics Filtering for Suppression of Salt and Pepper Noise;Awanish Kumar Shukla 等;《2014 International Conference on Signal Processing and Integrated Networks (SPIN)》;20141231;76-81 * |
| Modified directional weighted filter for removal of salt & pepper noise;Zuoyong Li 等;《Pattern Recognition Letters》;20140430;第40卷;113–120 * |
| 基于改进BM3D算法的椒盐噪声去噪;肖佳 等;《计算机工程与应用》;20181231;第54卷(第21期);170-175,207 * |
| 自适应反距离加权法滤除椒盐噪声;周冲 等;《中北大学学报（自然科学版）》;20190430;第40卷(第4期);372-377,384 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110930330A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
| CN108416789A (zh) | 图像边缘检测方法及系统 | |
| CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
| CN116486061B (zh) | 基于机器视觉的污水处理效果检测方法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
| TWI393073B (zh) | 影像雜訊濾除方法 | |
| CN102298773B (zh) | 一种形状自适应的非局部均值去噪方法 | |
| CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
| CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
| CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
| CN109377450A (zh) | 一种边缘保护的去噪方法 | |
| CN115330645A (zh) | 一种焊接图像增强方法 | |
| CN107437251A (zh) | 头部mri影像颅骨剥离模块 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN113296095A (zh) | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 | |
| CN112435235A (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
| CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 | |
| CN104182965B (zh) | 一种乳腺图像中分割胸肌的方法 | |
| CN110335322B (zh) | 基于图像的道路识别方法及道路识别装置 | |
| CN110599422A (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪算法 |
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 |