CN110930332B - 一种基于人工智能的数字全息图像去噪方法 - Google Patents
一种基于人工智能的数字全息图像去噪方法 Download PDFInfo
- Publication number
- CN110930332B CN110930332B CN201911156812.4A CN201911156812A CN110930332B CN 110930332 B CN110930332 B CN 110930332B CN 201911156812 A CN201911156812 A CN 201911156812A CN 110930332 B CN110930332 B CN 110930332B
- Authority
- CN
- China
- Prior art keywords
- area
- image
- sampling
- noise
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003313 weakening effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Holo Graphy (AREA)
Abstract
本发明公开了一种基于人工智能的数字全息图像去噪方法，包括以下步骤，A、对待处理数字全息图像进行分块；B、以每个图像块为基准图层，分别进行上采样和下采样，得到对应的图层集合；C、每个图层集合建立对应的噪声提取模型，使用噪声提取模型对集合中每个图层的噪声特征进行提取；D、将噪声特征进行特征融合，使用融合后的噪声特征对图像块进行去噪处理；E、噪声提取模块根据特征融合结果进行自动更新；F、使用去噪处理后的图像块进行图像重构。本发明能够改进现有技术的不足，提高噪声去除的准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其是一种基于人工智能的数字全息图像去噪方法。
背景技术
全息图像是使用激光作为光源生成的图像，由于激光的高相干性，在粗糙表面反射时会产生相干叠加，导致全息图像中出现很多噪声。如何在尽量保留全息图像信息的前提下对噪声进行有效的去除，成为了本领域研究的热点。
发明内容
本发明要解决的技术问题是提供一种基于人工智能的数字全息图像去噪方法，能够解决现有技术的不足，提高噪声去除的准确性。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于人工智能的数字全息图像去噪方法，包括以下步骤：
A、对待处理数字全息图像进行分块；
B、以每个图像块为基准图层，分别进行上采样和下采样，得到对应的图层集合；
C、每个图层集合建立对应的噪声提取模型，使用噪声提取模型对集合中每个图层的噪声特征进行提取；
D、将噪声特征进行特征融合，使用融合后的噪声特征对图像块进行去噪处理；
E、噪声提取模块根据特征融合结果进行自动更新；
F、使用去噪处理后的图像块进行图像重构。
作为优选，步骤A中，对待处理数字全息图像进行分块包括以下步骤，
A1、遍历数字全息图像，选择分割区域，分割区域为，区域内灰度标准差小于第一设定阈值，区域边缘内侧灰度与外侧灰度的变化不连续；
A2、使用分割区域拟合分割线段，分割线段全部位于分割区域内，且位于同一分割区域内的分割线段上的灰度变化连续；
A3、使用分割线段对数字全息图像进行分块。
作为优选，每个图像块的边缘与相邻图像块具有重合区域，重合区域的面积小于所述图像块面积的5％。
作为优选，步骤B中，对图像进行上采样包括以下步骤，
B11、选择基准图层若干个非边缘像素点，以此类像素点为中心向外扩展采样区域，使所有采样区域的组合包含基准图层的全部区域；
B12、以此类像素点为起始点标记扇形区域，扇形区域的外侧边缘位于采样区域的外侧；
B13、使用扇形区域位于采样区域内部的部分对扇形区域位于采样区域外部的部分进行拟合，待拟合像素点的灰度和亮度为扇形区域位于采样区域内部的全部像素点的加权平均值，采样区域内部像素点的权重值与其和待拟合像素点的欧氏距离成正比；
B14、使用拟合出的区域对原采样区域进行扩充，使用新的采样区域组成扩大面积后的图层；
B15、重复上述步骤，直至得到全部上采样图层。
作为优选，步骤B中，对图像进行下采样包括以下步骤，
B21、以步骤B11中选择的非边缘像素点为中心点，使用以中心点为圆心的圆形区域内的像素点灰度和亮度进行平均计算，使用计算结果替代中心点上的像素点，圆形区域的面积小于采样区域的面积；
B22、保留代替后的像素点，将圆形区域的其它部分删除，使用保留的像素点组成新的下采样图层；
B23、重复上述步骤，直至得到全部下采样图层。
作为优选，步骤C中，噪声提取模型为，
其中，Ω为图层区域，p为图层区域内的任意点，q为参考点，Dp为以p自变量的修正函数，fp为以p点灰度值为自变量的高斯函数，gp为以p点亮度值为自变量的高斯函数，‖p-q‖为p点和q点之间的欧氏距离；
q的选择方法为，
选择不同图层之间相似度最高的区域，对所选区域的灰度值和亮度值进行归一化处理，使用归一化处理后灰度值和亮度值之和最大的点作为q。
作为优选，步骤D中，对图像块进行去噪处理包括以下步骤，
D1、将不同图层中提取的线性相关的噪声特征进行标记；
D2、特征融合时使用被标记特征生成第一特征集合，使用其它特征生成第二特征集合；
D3、若图像块中出现与第一特征集合线性相关的图像分量时，直接作为噪声进行删除，若图像块中出现与第二特征集合线性相关的图像分量时，对图像分量的灰度和亮度进行减弱，减弱幅度与图像分量和距离最近的噪声分量的距离成反比。
作为优选，步骤E中，噪声提取模块的更新方法为，
根据第二特征集合中的噪声特征对修正函数Dp进行迭代更新，使第二特征集合中的噪声特征数量保持最少。
采用上述技术方案所带来的有益效果在于：本发明通过对图像进行分层处理，提高噪声特征的提取准确度。图像的采样过程可以使不同图层之间线性相关的特征进行保留，从而便于后续的特征提取过程。在噪声去除过程中，根据不同特征对噪声区域进行分级处理，从而减少去噪过程对图像信息的损失量。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤，
A、对待处理数字全息图像进行分块；
B、以每个图像块为基准图层，分别进行上采样和下采样，得到对应的图层集合；
C、每个图层集合建立对应的噪声提取模型，使用噪声提取模型对集合中每个图层的噪声特征进行提取；
D、将噪声特征进行特征融合，使用融合后的噪声特征对图像块进行去噪处理；
E、噪声提取模块根据特征融合结果进行自动更新；
F、使用去噪处理后的图像块进行图像重构。
步骤A中，对待处理数字全息图像进行分块包括以下步骤，
A1、遍历数字全息图像，选择分割区域，分割区域为，区域内灰度标准差小于第一设定阈值，区域边缘内侧灰度与外侧灰度的变化不连续；
A2、使用分割区域拟合分割线段，分割线段全部位于分割区域内，且位于同一分割区域内的分割线段上的灰度变化连续；
A3、使用分割线段对数字全息图像进行分块。
每个图像块的边缘与相邻图像块具有重合区域，重合区域的面积小于所述图像块面积的5％。
步骤B中，对图像进行上采样包括以下步骤，
B11、选择基准图层若干个非边缘像素点，以此类像素点为中心向外扩展采样区域，使所有采样区域的组合包含基准图层的全部区域；
B12、以此类像素点为起始点标记扇形区域，扇形区域的外侧边缘位于采样区域的外侧；
B13、使用扇形区域位于采样区域内部的部分对扇形区域位于采样区域外部的部分进行拟合，待拟合像素点的灰度和亮度为扇形区域位于采样区域内部的全部像素点的加权平均值，采样区域内部像素点的权重值与其和待拟合像素点的欧氏距离成正比；
B14、使用拟合出的区域对原采样区域进行扩充，使用新的采样区域组成扩大面积后的图层；
B15、重复上述步骤，直至得到全部上采样图层。
步骤B中，对图像进行下采样包括以下步骤，
B21、以步骤B11中选择的非边缘像素点为中心点，使用以中心点为圆心的圆形区域内的像素点灰度和亮度进行平均计算，使用计算结果替代中心点上的像素点，圆形区域的面积小于采样区域的面积；
B22、保留代替后的像素点，将圆形区域的其它部分删除，使用保留的像素点组成新的下采样图层；
B23、重复上述步骤，直至得到全部下采样图层。
步骤C中，噪声提取模型为，
其中，Ω为图层区域，p为图层区域内的任意点，q为参考点，Dp为以p自变量的修正函数，fp为以p点灰度值为自变量的高斯函数，gp为以p点亮度值为自变量的高斯函数，‖p-q‖为p点和q点之间的欧氏距离；
q的选择方法为，
选择不同图层之间相似度最高的区域，对所选区域的灰度值和亮度值进行归一化处理，使用归一化处理后灰度值和亮度值之和最大的点作为q。
步骤D中，对图像块进行去噪处理包括以下步骤，
D1、将不同图层中提取的线性相关的噪声特征进行标记；
D2、特征融合时使用被标记特征生成第一特征集合，使用其它特征生成第二特征集合；
D3、若图像块中出现与第一特征集合线性相关的图像分量时，直接作为噪声进行删除，若图像块中出现与第二特征集合线性相关的图像分量时，对图像分量的灰度和亮度进行减弱，减弱幅度与图像分量和距离最近的噪声分量的距离成反比。
步骤E中，噪声提取模块的更新方法为，
根据第二特征集合中的噪声特征对修正函数Dp进行迭代更新，使第二特征集合中的噪声特征数量保持最少。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于人工智能的数字全息图像去噪方法，其特征在于包括以下步骤：
A、对待处理数字全息图像进行分块；
A1、遍历数字全息图像，选择分割区域，分割区域为，区域内灰度标准差小于第一设定阈值，区域边缘内侧灰度与外侧灰度的变化不连续；
A2、使用分割区域拟合分割线段，分割线段全部位于分割区域内，且位于同一分割区域内的分割线段上的灰度变化连续；
A3、使用分割线段对数字全息图像进行分块；
每个图像块的边缘与相邻图像块具有重合区域，重合区域的面积小于所述图像块面积的5％；
B、以每个图像块为基准图层，分别进行上采样和下采样，得到对应的图层集合；
对图像进行上采样包括以下步骤，
B11、选择基准图层若干个非边缘像素点，以此类像素点为中心向外扩展采样区域，使所有采样区域的组合包含基准图层的全部区域；
B12、以此类像素点为起始点标记扇形区域，扇形区域的外侧边缘位于采样区域的外侧；
B13、使用扇形区域位于采样区域内部的部分对扇形区域位于采样区域外部的部分进行拟合，待拟合像素点的灰度和亮度为扇形区域位于采样区域内部的全部像素点的加权平均值，采样区域内部像素点的权重值与其和待拟合像素点的欧氏距离成正比；
B14、使用拟合出的区域对原采样区域进行扩充，使用新的采样区域组成扩大面积后的图层；
B15、重复上述步骤，直至得到全部上采样图层；
C、每个图层集合建立对应的噪声提取模型，使用噪声提取模型对集合中每个图层的噪声特征进行提取；
D、将噪声特征进行特征融合，使用融合后的噪声特征对图像块进行去噪处理；对图像块进行去噪处理包括以下步骤，
D1、将不同图层中提取的线性相关的噪声特征进行标记；
D2、特征融合时使用被标记特征生成第一特征集合，使用其它特征生成第二特征集合；
D3、若图像块中出现与第一特征集合线性相关的图像分量时，直接作为噪声进行删除，若图像块中出现与第二特征集合线性相关的图像分量时，对图像分量的灰度和亮度进行减弱，减弱幅度与图像分量和距离最近的噪声分量的距离成反比；
E、噪声提取模块根据特征融合结果进行自动更新；
F、使用去噪处理后的图像块进行图像重构。
2.根据权利要求1所述的基于人工智能的数字全息图像去噪方法，其特征在于：步骤B中，对图像进行下采样包括以下步骤，
B21、以步骤B11中选择的非边缘像素点为中心点，使用以中心点为圆心的圆形区域内的像素点灰度和亮度进行平均计算，使用计算结果替代中心点上的像素点，圆形区域的面积小于采样区域的面积；
B22、保留代替后的像素点，将圆形区域的其它部分删除，使用保留的像素点组成新的下采样图层；
B23、重复上述步骤，直至得到全部下采样图层。
3.根据权利要求2所述的基于人工智能的数字全息图像去噪方法，其特征在于：步骤C中，噪声提取模型为，
其中，Ω为图层区域，p为图层区域内的任意点，q为参考点，Dp为以p为 自变量的修正函数，fp为以p点灰度值为自变量的高斯函数，gp为以p点亮度值为自变量的高斯函数，‖p-q‖为p点和q点之间的欧氏距离；
q的选择方法为，
选择不同图层之间相似度最高的区域，对所选区域的灰度值和亮度值进行归一化处理，使用归一化处理后灰度值和亮度值之和最大的点作为q。
4.根据权利要求1所述的基于人工智能的数字全息图像去噪方法，其特征在于：步骤E中，噪声提取模块的更新方法为，
根据第二特征集合中的噪声特征对修正函数Dp进行迭代更新，使第二特征集合中的噪声特征数量保持最少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156812.4A CN110930332B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工智能的数字全息图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156812.4A CN110930332B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工智能的数字全息图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930332A CN110930332A (zh) | 2020-03-27 |
| CN110930332B true CN110930332B (zh) | 2020-12-01 |
Family
ID=69850751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911156812.4A Active CN110930332B (zh) | 2019-11-22 | 2019-11-22 | 一种基于人工智能的数字全息图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930332B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985555B (zh) * | 2020-08-19 | 2021-04-13 | 中国科学院上海微系统与信息技术研究所 | 毫米波三维全息图像去噪方法 |
| CN115034972B (zh) * | 2021-12-24 | 2023-04-07 | 广东东软学院 | 图像去噪方法、装置及设备 |
| CN114612345B (zh) * | 2022-04-01 | 2023-05-09 | 上海兴驰电子有限公司 | 一种基于图像处理的光源检测方法 |
| CN116797493B (zh) * | 2023-08-02 | 2024-01-26 | 北京中科闻歌科技股份有限公司 | 一种图像去噪处理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5526446A (en) * | 1991-09-24 | 1996-06-11 | Massachusetts Institute Of Technology | Noise reduction system |
| CN107230208A (zh) * | 2017-06-27 | 2017-10-03 | 江苏开放大学 | 一种高斯噪声的图像噪声强度估计方法 |
| CN108537252A (zh) * | 2018-03-21 | 2018-09-14 | 温州大学苍南研究院 | 一种基于新范数的图像噪声去除方法 |
| CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346909B (zh) * | 2011-11-22 | 2013-09-18 | 柳薇 | 图像噪声强度处理方法 |
| CN107590784A (zh) * | 2017-08-29 | 2018-01-16 | 宁夏巨能机器人股份有限公司 | 一种用于3d视觉识别的抗干扰系统及其抗干扰方法 |
-
2019
- 2019-11-22 CN CN201911156812.4A patent/CN110930332B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5526446A (en) * | 1991-09-24 | 1996-06-11 | Massachusetts Institute Of Technology | Noise reduction system |
| CN107230208A (zh) * | 2017-06-27 | 2017-10-03 | 江苏开放大学 | 一种高斯噪声的图像噪声强度估计方法 |
| CN108537252A (zh) * | 2018-03-21 | 2018-09-14 | 温州大学苍南研究院 | 一种基于新范数的图像噪声去除方法 |
| CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110930332A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930332B (zh) | 一种基于人工智能的数字全息图像去噪方法 | |
| CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
| CN109636732B (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
| CN114241070B (zh) | Ct图像去金属伪影以及模型训练的方法和装置 | |
| JP2004164624A (ja) | 低被写界深度画像セグメンテーションの方法及び機器 | |
| CN111882504B (zh) | 图像中颜色噪声的处理方法、系统、电子设备和存储介质 | |
| CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
| CN110443775B (zh) | 基于卷积神经网络的离散小波变换域多聚焦图像融合方法 | |
| TW201327474A (zh) | 視差估計深度產生方法 | |
| Raza et al. | Deconvolving convolutional neural network for cell detection | |
| Chen et al. | Single depth image super-resolution using convolutional neural networks | |
| CN111951196B (zh) | 基于图的渐进式点云下采样方法及装置 | |
| CN116051416B (zh) | 基于sar图像的海洋锋自动检测识别方法及装置 | |
| KR20020008245A (ko) | 정밀한 수치표고모형의 자동생성을 위한 지능적 보간법 | |
| CN111161288B (zh) | 图像处理方法和装置 | |
| CN115147401A (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
| CN116740099A (zh) | 一种oct图像分割方法及装置 | |
| CN113888614B (zh) | 深度恢复方法、电子设备和计算机可读存储介质 | |
| CN111127408B (zh) | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 | |
| CN105701807B (zh) | 一种基于投票策略的图像分割方法 | |
| CN115619800A (zh) | 基于自适应阈值分割的covid-19 ct图像的分割方法及装置 | |
| CN110490877B (zh) | 基于Graph Cuts的双目立体图像对目标分割方法 | |
| Liu et al. | Interleaved zooming network for image inpainting | |
| CN110111339B (zh) | 条纹图像目标区域提取方法 | |
| CN111832419A (zh) | 手指静脉验证方法、电子设备和存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221208 Address after: No. 116, 1st Floor, No. 120 Nonglin Road, Hanshan District, Handan, Hebei 056001 Patentee after: Hebei wantU Computer Technology Co.,Ltd. Address before: 056000 No.19 Taiji Road, Congtai District, Handan City, Hebei Province Patentee before: HEBEI University OF ENGINEERING |