CN111161177B - 图像自适应降噪方法和装置 - Google Patents

图像自适应降噪方法和装置 Download PDF

Info

Publication number
CN111161177B
CN111161177B CN201911352759.5A CN201911352759A CN111161177B CN 111161177 B CN111161177 B CN 111161177B CN 201911352759 A CN201911352759 A CN 201911352759A CN 111161177 B CN111161177 B CN 111161177B
Authority
CN
China
Prior art keywords
image
sub
noise reduction
salient
salient feature
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
Application number
CN201911352759.5A
Other languages
English (en)
Other versions
CN111161177A (zh
Inventor
陈云娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL China Star Optoelectronics Technology Co Ltd
Original Assignee
TCL China Star Optoelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TCL China Star Optoelectronics Technology Co Ltd filed Critical TCL China Star Optoelectronics Technology Co Ltd
Priority to CN201911352759.5A priority Critical patent/CN111161177B/zh
Priority to PCT/CN2020/071307 priority patent/WO2021128498A1/zh
Priority to US16/646,054 priority patent/US11348204B2/en
Publication of CN111161177A publication Critical patent/CN111161177A/zh
Application granted granted Critical
Publication of CN111161177B publication Critical patent/CN111161177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Picture Signal Circuits (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本申请公开了一种图像自适应降噪方法和装置。方法包括：将原始图像均分成多个子块；对每个子块进行空间转换；进行显著性分析获取显著特性图；通过显著标准值对显著特性图按照显著特性区域及非显著特性区域进行显著阈值分割；对显著特性区域进行自适应滤波并与非显著特性区域的原图像融合；最后将融合后的图像进行空间反转换，并输出最终图像。本申请采用对图像分块的方式，基于图像的显著特性，减少非显著特性区域的降噪，节省算法运行时间和硬件资源。

Description

图像自适应降噪方法和装置
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像自适应降噪方法和装置。
背景技术
基于块的离散余弦变换(BDCT)编码在压缩领域广泛应用，包括图像和视频的压缩标准如JPEG、H.264等，但BDCT由于忽略了相邻块的相关性，可能在块的边界出现不连续的现象。
传统的去压缩引起的块效应、蚊式噪声等方式采用全局降噪方式，比如对于整幅图像采用统一参数的双边滤波降噪方式。如果对图像采用统一的双边滤波方式对于细节较多的区域还是会模糊，降低图像质量。而且由于硬件资源有限，复杂的算法，会导致处理时间较长，不能实时处理。
发明内容
针对上述问题中的不足，本申请的一个目的是提供解决上述问题之一的新的技术方案。本申请提出一种根据人眼显著性分析，可以在人眼难以察觉的情况下，一定程度上减少硬件资源消耗，且通过局部熵得到细节映射图，可在去噪的同时尽可能的保留细节。
根据本申请的第一方面，提供一种图像自适应降噪方法，具体步骤包括：(1)将含噪声的原始RGB图像分成多个子块；(2)对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换；(3)对转换后的每一所述子块进行显著性分析，分别获取显著特性图；(4)通过一显著标准值对所有所述显著特性图进行显著阈值分割，获取显著特性区域及非显著特性区域；(5)对所述显著特性区域的各子块的像素值进行自适应降噪后输出第一图像，所述非显著特性区域的各子块以原像素值输出第二图像，并将所有所述第一图像与所述第二图像进行融合，获得融合图像；(6)对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
根据本申请的第二方面，提供一种图像自适应降噪装置，包括：图像划分模块，用于将含噪声的原始RGB图像分成多个子块，图像空间转换模块，用于对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换；显著分析模块，用于对转换后的每一所述子块进行显著性分析，分别获取显著权重图；显著分割模块，用于通过一显著标准值对所有所述显著特性图进行阈值分割，获取显著特性区域及非显著特性区域；图像输出模块，用于对所述显著特性区域的各子块的像素值进行自适应降噪后输出第一图像，控制所述非显著特性区域的各子块以原像素值输出第二图像，并将所述第一图像与所述第二图像进行融合，获得融合图像；图像空间反转换模块，用于对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
与现有技术相比，本申请的积极效果在于：
1.采用对图像分块的方式，基于图像的显著特性，对显著区域进行自适应降噪，减少非显著性区域的降噪，在不减少人的感知质量的情况下，提升图像显示质量的同时、节省算法运行时间，节约硬件资源；
2.通过局部熵计算图像细节映射图，根据细节多少自适应调节双边滤波的权重，保留细节，解决滤波方式导致细节区模糊的现象，达到充分降噪的效果。
3.图像分块的显著性分析方法可适用于其他的降噪算法，具有普适性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请图像自适应降噪方法的流程图。
图2为原始图像经过分块后的处理结果。
图3为本申请显著性分析的一实施例的子步骤流程图。
图4为本申请对一个子块处理后得到的显著特性图。
图5为本申请对显著特性区域进行处理的一实施例的算法示意图。
图6为本申请图像自适应降噪装置的结构框图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值，不可作为对本申请的限制。
为简化本申请的公开，以下所描述的实施例仅为本申请一部分实施例，而非全部的实施例。对示例性实施例的描述也仅仅是说明性的，不可被解释为对本申请的限制。
请一并参照图1-图5，其中，图1为本申请图像自适应降噪方法的流程图，图2为原始图像经过分块后的处理结果，图3为本申请显著性分析的一种实施例的子步骤流程图，图4为本申请对一个子块处理后得到的显著特性图，图5为本申请对显著特性区域进行处理的一实施例的算法示意图。
如图1所示，本申请提供一种图像自适应降噪方法，该方法具体步骤包括：S11：将含噪声的原始RGB图像分成多个子块；S12：对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换；S13：对转换后的每一所述子块进行显著性分析，分别获取显著特性图；S14：通过一显著标准值对所有所述显著特性图进行显著阈值分割，获取显著特性区域及非显著特性区域；S15：对所述显著特性区域的各子块的像素值进行自适应降噪后输出第一图像，所述非显著特性区域的各子块以原像素值输出第二图像，并将所有所述第一图像与所述第二图像进行融合，获得融合图像；S16：对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。以下给出详细解释。
关于步骤S11：将含噪声的原始RGB图像分成多个子块。
具体地，对图像按照一定大小进行分块，将含噪声的原始RGB图像分成多个互不相交、且大小相同的子块，如图2所示。子块的大小可根据实际图像大小与硬件资源设定，例如，针对768x512分辨率图像，可以分成36个96x128大小的子块，进行后处理，但不局限于实施例。
关于步骤S12：对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换。
具体地，采用的转换参数可以设置为：
关于步骤S13：对转换后的每一所述子块进行显著性分析，分别获取显著特性图。
具体地，如图3所示，所述步骤S13进一步包括：
S31：分别获得每一所述子块的Y，Cb，Cr三个通道的通道值，记为Y(x)，Cb(x)，Cr(x)，其中，x为所述子块的中心坐标。
S32：根据步骤S31所获取的通道值，通过下述公式(1)-公式(3)分别计算Y，Cb，Cr三个通道的通道均值，记为Yave，Cbave，Crave，计算公式为：
其中，N为子块总数。
S33：通过公式(4)分别计算每一所述子块的Y，Cb，Cr的通道值与相应通道均值的欧式距离，记为显著权重w：
w(x)＝||(Y(x)，Cb(x)，Cr(x))-(Yave，Cbave，Crave)||2 (4)
S34：对每一所述显著权重通过公式(5)进行归一化，得到相应的权重归一化值，进而得到所述显著特性图：
其中，wMax表示所有所述显著权重中的最大值，x为所述子块的中心坐标。
图4所示，将当前子块处理成显著特性图。通过图像的显著特性图可看出，其提取出了人眼较关注的区域。由于硬件资源限制，可对强关注区可进行降噪处理，可通过减少弱关注区的降噪，节省硬件资源。
关于步骤S14：通过一显著标准值对所有所述显著特性图进行显著阈值分割，获取显著特性区域及非显著特性区域。
具体地，通过一显著标准值α对所有所述显著特性图进行显著阈值分割，显著阈值分割即判断当前操作子块的显著特性图的权重阈值是否大于所述显著标准值，从而生成并记录所述子块的显著值；遍历所有子块的显著特性图，获取所述显著特性区域及所述非显著特性区域。其中，若当前操作子块的显著特性图的权重阈值大于所述显著标准值α，则归入显著特性区域，显著值R(x)记为1；否则归入非显著特性区域，显著值R(x)记为0，如下述公式所示：
其中，α∈[0，1]，α取值与具体的硬件资源有关，在本实施例中，α＝0.6。
关于步骤S15：对所述显著特性区域的各子块的像素值进行自适应降噪后输出第一图像，所述非显著特性区域的各子块以原像素值输出第二图像，并将所有所述第一图像与所述第二图像进行融合，获得融合图像。
具体地，如图5所示，所述步骤S15进一步包括：S51：对所述显著特性区域的各子块通过局部熵计算，获取细节映射图；S52：对所有所述显著特性区域的子块的Y通道进行双边滤波，并采用所述细节映射图对边滤波结果进行自适应调节，输出第一降噪图像；S53：通过所述细节映射图对所有所述显著特性区域的子块的Y通道的通道值进行调节，输出第二降噪图像；S54：融合所述第一降噪图像与所述第二降噪图像，获得所述第一图像。
进一步，所述步骤S51中，通过公式(6)计算局部熵：
局部熵的可表示细节的多少，值越高表示则该区域有较多的纹理或细节；其中，x为所述子块的中心坐标；Pi是局部窗口Ω当前像素灰度个数占局部像素总个数的概率；i是当前像素灰度值；j是其他灰度值；Hist[i]为i灰度值的直方图，即局部窗口Ω内i灰阶的个数；局部窗口Ω的尺寸可设置为5×5或7×7。
进一步，在步骤S52中，按照公式(7)计算双边滤波：
其中，x为所述子块的中心坐标，y为模板窗口的其他系数坐标；I(x)和I(y)表示坐标对应的像素值；/>为像素(x的邻域；C为归一化常数；σd为几何距离的标准差，σr为灰度距离的标准差，分别控制两个几何距离与灰度距离的衰减率。双边滤波在平坦区域像素差值较小，对应值域权重接近于1，空域权重起主要作用，相当于直接对此区域进行高斯模糊；在边缘区域，像素差值较大，值域系数下降，导致此处核函数下降当前像素受到的影响就越小，从而保持了边缘的细节信息。
进一步，所述步骤S15中采用公式(8)获得融合图像：
其中，x为所述子块的中心坐标，R(x)为相应子块的显著值，E(x)为相应子块的局部熵，为双边滤波的运算结果，Yin(x)为输入的Y通道的通道值。显然，输出图像由局部熵求得的细节映射图对双边滤波进行自适应调节，对于细节较多的区域，为了避免细节的丢失，输出图像主要取决于通过原图的Y通道；而对于细节较少的区域，输出图像主要取决于滤波后的图像；对于非显著特性的区域输出则为原像素值。
关于步骤S16：对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
具体地，采用的转换参数可以设置为：
本申请具有如下优点：
1.采用对图像分块的方式，基于图像的显著特性，对显著区域进行自适应降噪，减少非显著性区域的降噪，在不减少人的感知质量的情况下，提升图像显示质量的同时、节省算法运行时间，节约硬件资源。
2.通过局部熵计算图像细节映射图，根据细节多少自适应调节双边滤波的权重，保留细节，解决滤波方式导致细节区模糊的现象，达到充分降噪的效果。
3.图像分块的显著性分析方法可适用于其他的降噪算法，具有普适性。
请参阅图6，本申请图像自适应降噪装置的结构框图。如图6所示，本申请还公开了一种图像自适应降噪装置，包括：图像划分模块61、图像空间转换模块62、显著分析模块63、显著分割模块64、图像输出模块65和图像空间反转换模块66。
所述图像划分模块61，用于将含噪声的原始RGB图像分成多个子块。具体地，所述图像划分模块61对图像按照一定大小进行分块，将含噪声的原始RGB图像分成多个互不相交、且大小相同的子块。子块的大小可根据实际图像大小与硬件资源设定。
所述图像空间转换模块62，用于对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换。
具体地，所述图像空间转换模块62可以进行矩阵运算，采用的转换参数可以设置为：
所述显著分析模块63，用于对转换后的每一所述子块进行显著性分析，分别获取显著权重图。
具体地，所述显著分析模块63分别获得每一所述子块的Y，Cb，Cr三个通道的通道值，根据获取的通道值，分别计算Y，Cb，Cr三个通道的通道均值，再分别计算每一所述子块的Y，Cb，Cr的通道值与相应通道均值的欧式距离，记为显著权重；对每一所述显著权重进行归一化，得到相应的权重归一化值，进而得到所述显著特性图。
所述显著分割模块64，用于通过一显著标准值对所有所述显著特性图进行阈值分割，获取显著特性区域及非显著特性区域。
具体地，所述显著分割模块64判断当前操作子块的显著特性图的权重阈值是否大于所述显著标准值，若大于所述显著标准值，则归入显著特性区域，否则归入非显著特性区域，生成并记录所述子块的显著值；遍历所有显著特性图，获取所述显著特性区域及所述非显著特性区域。
所述图像输出模块65，用于对所述显著特性区域的各子块的像素值进行自适应降噪后输出第一图像，控制所述非显著特性区域的各子块以原像素值输出第二图像，并将所述第一图像与所述第二图像进行融合，获得融合图像。
具体地，所述图像输出模块65进一步用于：对所述显著特性区域的各子块通过局部熵计算，获取细节映射图；对所有所述显著特性区域的子块的Y通道进行双边滤波，并采用所述细节映射图对边滤波结果进行自适应调节，输出第一降噪图像；通过所述细节映射图对所有所述显著特性区域的子块的Y通道的通道值进行调节，输出第二降噪图像；融合所述第一降噪图像与所述第二降噪图像，获得所述第一图像。
所述图像空间反转换模块66，用于对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
具体地，所述图像空间反转换模块66可以进行矩阵运算，采用的转换参数可以设置为：
本申请图像自适应降噪方法可以应用于显示终端，该显示终端可以是智能手机、平板电脑、电视等设备。具体的，显示终端包括电性连接的处理器以及存储器。处理器是显示终端的控制中心，利用各种接口和线路连接整个显示终端的各个部分，通过运行或加载存储在存储器内的应用程序，以及调用存储在存储器内的数据，执行显示终端的各种功能和处理数据，从而对显示终端进行整体监控。
在本实施例中，显示终端中的处理器会按照本申请图像自适应降噪方法中的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器中，并由处理器来运行存储在存储器中的应用程序，从而实现各种功能。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种图像自适应降噪方法中的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请所提供的一种图像自适应降噪方法和装置进行了详细介绍，基于本申请中的实施例，对于相关领域技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分，相关技术人员在未作出创造性劳动前提下、仅通过对上述实施例中记载的技术方案或特征进行修改和/或替换而获得的所有其他实施例，均在本申请保护的范围之列。

Claims (9)

1.一种图像自适应降噪方法，其特征在于，包括以下步骤：
(1)将含噪声的原始RGB图像分成多个子块；
(2)对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换；
(3)对转换后的每一所述子块进行显著性分析，分别获取显著特性图；
(4)通过一显著标准值对所有所述显著特性图进行显著阈值分割，获取显著特性区域及非显著特性区域；
(5)对所述显著特性区域的各子块的像素值进行局部熵计算，得到细节映射图；对所有所述显著特性区域的子块的Y通道进行双边滤波，并基于所述细节映射图对所述显著特性区域的各子块中少细节区域的Y通道的通道滤波结果进行自适应降噪，输出第一降噪图像；基于所述细节映射图对所述显著特性区域的各子块中多细节区域的Y通道的通道值进行自适应降噪，输出第二降噪图像；融合所述第一降噪图像与所述第二降噪图像，获得并输出第一图像，所述非显著特性区域的各子块以原像素值输出第二图像，并将所有所述第一图像与所述第二图像进行融合，获得融合图像；
(6)对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
2.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(3)进一步包括：
(31)分别获得每一所述子块的Y，Cb，Cr三个通道的通道值，记为Y(x)，Cb(x)，Cr(x)，其中，x为所述子块的中心坐标；
(32)根据步骤(31)所获取的通道值，通过公式(1)-公式(3)分别计算Y，Cb，Cr三个通道的通道均值，记为Yave，Cbave，Crave，计算公式为：
其中，N为子块总数；
(33)通过公式(4)分别计算每一所述子块的Y，Cb，Cr的通道值与相应通道均值的欧式距离，记为显著权重w：
w(x)＝||(Y(x)，Cb(x)，Cr(x))-(Yave，Cbave，Crave)||2 (4)；
(34)对每一所述显著权重通过公式(5)进行归一化，得到相应的权重归一化值，进而得到所述显著特性图：
其中，wMax表示所有所述显著权重中的最大值。
3.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(4)进一步包括：
(41)判断当前操作子块的显著特性图的权重阈值是否大于所述显著标准值，若大于所述显著标准值，则归入显著特性区域，否则归入非显著特性区域，生成并记录所述子块的显著值；
(42)遍历所有显著特性图，获取所述显著特性区域及所述非显著特性区域。
4.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(5)中，通过公式(6)计算局部熵：
其中，x为所述子块的中心坐标；Pi是局部窗口Ω当前像素灰度个数占局部像素总个数的概率；i是当前像素灰度值；j是其他灰度值；Hist[i]为i灰度值的直方图。
5.如权利要求4所述的图像自适应降噪方法，其特征在于，所述步骤(5)中，通过公式(7)计算双边滤波：
其中，x为所述子块的中心坐标，y为模板窗口的其他系数坐标；I(x)和I(y)表示坐标对应的像素值；N(x)为像素(x)的邻域；C为归一化常数；σd为几何距离的标准差，σr为灰度距离的标准差。
6.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(5)通过公式(8)计算滤波输出结果：
其中，x为所述子块的中心坐标，R(x)为相应子块的显著值，E(x)为相应子块的局部熵，为双边滤波的运算结果，Yin(x)为输入的Y通道的通道值。
7.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(1)中的图像空间转换，采用的转换参数设置为：
8.如权利要求1所述的图像自适应降噪方法，其特征在于，所述步骤(6)中的图像空间反转换，采用的转换参数设置为：
9.一种图像自适应降噪装置，其特征在于，包括：
图像划分模块，用于将含噪声的原始RGB图像分成多个子块，
图像空间转换模块，用于对所有所述子块进行从RGB空间转换到YCbCr空间的图像空间转换；
显著分析模块，用于对转换后的每一所述子块进行显著性分析，分别获取显著特性图；
显著分割模块，用于通过一显著标准值对所有所述显著特性图进行阈值分割，获取显著特性区域及非显著特性区域；
图像输出模块，用于对所述显著特性区域的各子块的像素值进行局部熵计算，得到细节映射图；对所有所述显著特性区域的子块的Y通道进行双边滤波，并基于所述细节映射图对所述显著特性区域的各子块中少细节区域的Y通道的通道滤波结果进行自适应降噪，输出第一降噪图像；基于所述细节映射图对所述显著特性区域的各子块中多细节区域的Y通道的通道值进行自适应降噪，得到第二降噪图像；融合所述第一降噪图像与所述第二降噪图像，获得并输出第一图像，控制所述非显著特性区域的各子块以原像素值输出第二图像，并将所述第一图像与所述第二图像进行融合，获得融合图像；
图像空间反转换模块，用于对所述融合图像进行从YCbCr空间转换到RGB空间的图像空间反转换，并输出最终图像。
CN201911352759.5A 2019-12-25 2019-12-25 图像自适应降噪方法和装置 Active CN111161177B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911352759.5A CN111161177B (zh) 2019-12-25 2019-12-25 图像自适应降噪方法和装置
PCT/CN2020/071307 WO2021128498A1 (zh) 2019-12-25 2020-01-10 图像自适应降噪方法及装置
US16/646,054 US11348204B2 (en) 2019-12-25 2020-01-10 Image adaptive noise reduction method and device thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352759.5A CN111161177B (zh) 2019-12-25 2019-12-25 图像自适应降噪方法和装置

Publications (2)

Publication Number Publication Date
CN111161177A CN111161177A (zh) 2020-05-15
CN111161177B true CN111161177B (zh) 2023-09-26

Family

ID=70556545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352759.5A Active CN111161177B (zh) 2019-12-25 2019-12-25 图像自适应降噪方法和装置

Country Status (3)

Country Link
US (1) US11348204B2 (zh)
CN (1) CN111161177B (zh)
WO (1) WO2021128498A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435182B (zh) * 2020-11-17 2024-05-10 浙江大华技术股份有限公司 图像降噪方法及装置
CN113763275B (zh) * 2021-09-09 2024-07-12 深圳市文立科技有限公司 一种自适应图像降噪方法、系统及可读存储介质
CN114331899B (zh) * 2021-12-31 2024-09-20 上海宇思微电子有限公司 一种图像降噪方法及装置
CN117576139B (zh) * 2024-01-17 2024-04-05 深圳市致佳仪器设备有限公司 一种基于双边滤波的边缘及角点检测方法及系统
CN118411654B (zh) * 2024-07-02 2024-10-11 贵州道坦坦科技股份有限公司 基于深度学习的水运异常事件识别方法及监测系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983511B1 (en) * 2010-11-29 2011-07-19 Adobe Systems Incorporated Methods and apparatus for noise reduction in digital images
CN102663714A (zh) * 2012-03-28 2012-09-12 中国人民解放军国防科学技术大学 基于显著性的红外图像强固定模式噪声抑制方法
CN103679661A (zh) * 2013-12-25 2014-03-26 北京师范大学 一种基于显著性分析的自适应遥感图像融合方法
CN104751415A (zh) * 2013-12-31 2015-07-01 展讯通信（上海）有限公司 一种图像去噪和增强的方法、装置及图像处理系统
CN104978718A (zh) * 2015-06-12 2015-10-14 中国科学院深圳先进技术研究院 一种基于图像熵的视频雨滴去除方法及系统
CN104978720A (zh) * 2015-07-01 2015-10-14 深圳先进技术研究院 一种视频图像雨滴去除方法及装置
CN105243652A (zh) * 2015-11-19 2016-01-13 Tcl集团股份有限公司 图像降噪的方法及装置
CN105957054A (zh) * 2016-04-20 2016-09-21 北京航空航天大学 一种图像变化检测方法
CN109389560A (zh) * 2018-09-27 2019-02-26 深圳开阳电子股份有限公司 一种自适应加权滤波图像降噪方法、装置及图像处理设备
CN109754374A (zh) * 2018-12-20 2019-05-14 深圳市资福医疗技术有限公司 一种去除图像亮度噪声的方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5034003B2 (ja) * 2007-06-25 2012-09-26 オリンパス株式会社 画像処理装置
TWI387312B (zh) * 2008-10-28 2013-02-21 Novatek Microelectronics Corp 影像雜訊消除方法以及影像處理裝置
US8457433B2 (en) * 2010-01-28 2013-06-04 Texas Instruments Incorporated Methods and systems for image noise filtering
US9911179B2 (en) * 2014-07-18 2018-03-06 Dolby Laboratories Licensing Corporation Image decontouring in high dynamic range video processing
US9852353B2 (en) * 2014-11-12 2017-12-26 Adobe Systems Incorporated Structure aware image denoising and noise variance estimation
CN106296638A (zh) * 2015-06-04 2017-01-04 欧姆龙株式会社 显著性信息取得装置以及显著性信息取得方法
US9747514B2 (en) * 2015-08-31 2017-08-29 Apple Inc. Noise filtering and image sharpening utilizing common spatial support
US10467496B2 (en) * 2015-08-31 2019-11-05 Apple Inc. Temporal filtering of independent color channels in image data
US9641820B2 (en) * 2015-09-04 2017-05-02 Apple Inc. Advanced multi-band noise reduction
US10038862B2 (en) * 2016-05-02 2018-07-31 Qualcomm Incorporated Methods and apparatus for automated noise and texture optimization of digital image sensors

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983511B1 (en) * 2010-11-29 2011-07-19 Adobe Systems Incorporated Methods and apparatus for noise reduction in digital images
CN102663714A (zh) * 2012-03-28 2012-09-12 中国人民解放军国防科学技术大学 基于显著性的红外图像强固定模式噪声抑制方法
CN103679661A (zh) * 2013-12-25 2014-03-26 北京师范大学 一种基于显著性分析的自适应遥感图像融合方法
CN104751415A (zh) * 2013-12-31 2015-07-01 展讯通信（上海）有限公司 一种图像去噪和增强的方法、装置及图像处理系统
CN104978718A (zh) * 2015-06-12 2015-10-14 中国科学院深圳先进技术研究院 一种基于图像熵的视频雨滴去除方法及系统
CN104978720A (zh) * 2015-07-01 2015-10-14 深圳先进技术研究院 一种视频图像雨滴去除方法及装置
CN105243652A (zh) * 2015-11-19 2016-01-13 Tcl集团股份有限公司 图像降噪的方法及装置
CN105957054A (zh) * 2016-04-20 2016-09-21 北京航空航天大学 一种图像变化检测方法
CN109389560A (zh) * 2018-09-27 2019-02-26 深圳开阳电子股份有限公司 一种自适应加权滤波图像降噪方法、装置及图像处理设备
CN109754374A (zh) * 2018-12-20 2019-05-14 深圳市资福医疗技术有限公司 一种去除图像亮度噪声的方法及装置

Also Published As

Publication number Publication date
CN111161177A (zh) 2020-05-15
US11348204B2 (en) 2022-05-31
WO2021128498A1 (zh) 2021-07-01
US20220051368A1 (en) 2022-02-17

Similar Documents

Publication Publication Date Title
CN111161177B (zh) 图像自适应降噪方法和装置
KR101437195B1 (ko) 코딩된 화상 및 영상에서 블록 아티팩트 검출
US8249380B2 (en) Image processor and program
EP1909227B1 (en) Method of and apparatus for minimizing ringing artifacts in an input image
TWI406560B (zh) 用於轉換視訊及影像信號位元深度的方法和裝置以及包含非過渡性電腦可讀儲存媒體之物品
US10970824B2 (en) Method and apparatus for removing turbid objects in an image
US10013772B2 (en) Method of controlling a quality measure and system thereof
CN109255752B (zh) 图像自适应压缩方法、装置、终端及存储介质
CN106412383A (zh) 视频图像的处理方法和装置
Hossain et al. Medical image enhancement based on nonlinear technique and logarithmic transform coefficient histogram matching
WO2022016326A1 (zh) 图像处理方法、电子设备和计算机可读介质
KR20110108918A (ko) 부호화된 영상의 확대비 및 노이즈 강도 추정장치 및 방법
CN115619683B (zh) 图像处理方法、装置、设备、存储介质和计算机程序产品
Mathews et al. Adaptive block truncation coding technique using edge-based quantization approach
CN113011433B (zh) 一种滤波参数调整方法及装置
CN115809966A (zh) 一种低照度图像的增强方法和系统
CN112950491B (zh) 一种视频处理的方法及设备
Engelke et al. Regional attention to structural degradations for perceptual image quality metric design
CN112597911A (zh) 一种磨皮处理方法、装置、移动终端和存储介质
CN111724325B (zh) 一种三边滤波图像处理方法及装置
US20110097010A1 (en) Method and system for reducing noise in images in video coding
WO2021189460A1 (zh) 图像处理方法、装置及可移动平台
CN114519675A (zh) 图像处理方法、装置、电子设备及可读存储介质
Oh et al. Film grain noise modeling in advanced video coding
CN109167892B (zh) 一种视频图像细节增强方法与系统

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