CN111311512A - 随机噪点校正方法 - Google Patents

随机噪点校正方法 Download PDF

Info

Publication number
CN111311512A
CN111311512A CN202010085753.2A CN202010085753A CN111311512A CN 111311512 A CN111311512 A CN 111311512A CN 202010085753 A CN202010085753 A CN 202010085753A CN 111311512 A CN111311512 A CN 111311512A
Authority
CN
China
Prior art keywords
image
lie
data
images
hang
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.)
Granted
Application number
CN202010085753.2A
Other languages
English (en)
Other versions
CN111311512B (zh
Inventor
石丹
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.)
Iray Technology Co Ltd
Original Assignee
Iray 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 Iray Technology Co Ltd filed Critical Iray Technology Co Ltd
Priority to CN202010085753.2A priority Critical patent/CN111311512B/zh
Publication of CN111311512A publication Critical patent/CN111311512A/zh
Application granted granted Critical
Publication of CN111311512B publication Critical patent/CN111311512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—Filtering details

Landscapes

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

Abstract

本发明提供一种随机噪点校正方法，包括：1)缓存N张图像，其中N为大于1的自然数；2)定义物体上的点作为参考点；3)选取前N‑1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；5)重复步骤2)～4)对图像上所有参考点进行校正。经过本发明的随机噪点校正方法处理后的图像，随机噪点明显减少，图像质量得到提升。

Description

随机噪点校正方法
技术领域
本发明涉及图像处理领域，特别是涉及一种随机噪点校正方法。
背景技术
CMOS(Complementary Metal-Oxide Semiconductor，互补金属氧化物场效应管)动态平板探测器具有低成本、低功耗、高帧率、像素尺寸小、高分辨率等优点，市场前景广阔。但是由于其高度的集成环境和制作工艺，会出现随机噪声，随机噪声的灰度值与正常灰度值差异不大，并且位置随机，导致图像上出现不规律的亮点，影响图像质量。
目前的降噪技术是基于规律查找，生成模板，对模板进行特殊处理生成符合要求的图像，降噪方法包括均值滤波、中值滤波、双边滤波。
均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法，图1为均值滤波算法的流程图。基本原理是用均值代替图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度g(x，y)，即g(x，y)＝1/m∑f(x，y)，m为该模板中包含当前像素在内的像素总个数，f(x，y)为原始图像。该去噪方法会破坏图像的细节部分，导致图像变得模糊。
中值滤波是一种非线性平滑滤波算法，它将每一个像素点的灰度值设置为该点某领域窗口内的所有像素点灰度值的中值，图2为中值滤波算法的流程图，图3为中值滤波算法的原理图。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像，W为二维模板，通常为3*3、5*5的区域。该去噪方法虽然保留了细节部分，但是图像中所有像素都进行了去噪，视觉效果平坦，影像图像质量。
双边滤波(Bilateral filter)是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的，图4为双边滤波算法的原理图。输出像素的值依赖于领域像素的值的加权组合，即
Figure BDA0002381960350000021
其中，g(i,j)为校正后的像素值，w(i,j,k,l)为权重系数。权重系数w(i,j,k,l)取决于定义域核和值域核的乘积，定义域核为
Figure BDA0002381960350000022
值域核为
Figure BDA0002381960350000023
所以
Figure BDA0002381960350000024
σd及σr是平滑参数，f(i,j)为像素(i,j)的强度，f(k,l)为像素(k,l)的强度。此方法对于高频信息不能进行较好的降噪，由于同时考虑了空间和频率的变化，因此计算时间较长，不适用于高帧率的需求。
因此，如何保留图像细节，提高图像质量，适于高帧率需求，已成为本领域技术人员亟待解决的问题之一。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种随机噪点校正方法，用于解决现有技术中图像校正方法存在的图像细节模糊，图像质量差，不适于高帧率需求等问题。
为实现上述目的及其他相关目的，本发明提供一种随机噪点校正方法，所述随机噪点校正方法至少包括：
1)缓存N张图像，其中N为大于1的自然数；
2)定义物体上的点作为参考点；
3)选取前N-1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；
4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；
5)重复步骤2)～4)对图像上所有参考点进行校正。
可选地，步骤1)之前还包括对图像进行本底校正、增益校正或坏像素校正的步骤。
可选地，所述图像基于CMOS图像探测器采集得到。
更可选地，所述图像为静止图像。
更可选地，第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
data(hang,lie)＝mean(images(hang,lie,1),...,images(hang,lie,N-2),images(hang,lie,N-1))其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张。
更可选地，所述图像为一维运动图像。
更可选地，基于采集帧率及运动速度确定所述参考点在不同图像上运动的像素数量，进而确定各图像上与所述参考点对应的像素点。
更可选地，所述图像的运动方向为垂直方向。
更可选地，第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
Figure BDA0002381960350000031
其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，
images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，X1～Xn分别为所述参考点在不同图像上运动的像素数量。
更可选地，所述图像的运动方向为水平方向。
更可选地，第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
Figure BDA0002381960350000032
其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，Y1～Yn分别为所述参考点在不同图像上运动的像素数量。
更可选地，所述随机噪点校正方法实时校正或通过后处理校正。
如上所述，本发明的随机噪点校正方法，具有以下有益效果：
本发明的随机噪点校正方法通过图像自校的方法，不用考虑随机噪点的位置，不用设置阈值，不会生成缺陷模板；图像校正速度快，符合高帧率、图像实时传输等要求；通过此校正算法，可以有效地减少图像上的随机亮点。
附图说明
图1显示为均值滤波算法的流程示意图。
图2显示为中值滤波算法的流程示意图。
图3显示为中值滤波算法的原理示意图。
图4显示为双边滤波算法的原理示意图。
图5显示为本发明的随机噪点校正方法的流程示意图。
图6显示为线对卡原始图像。
图7显示为线对卡校正后的图像。
图8显示为线对卡原始细节放大图像。
图9显示为线对卡校正后的细节放大图像。
图10显示为双丝像质计原始细节放大图像。
图11显示为双丝像质计校正后的细节放大图像。
图12显示为内嵌钢珠测试体膜原始图像。
图13显示为内嵌钢珠测试体膜校正后的图像。
图14显示为1mm钨片内部原始图像。
图15显示为1mm钨片内部校正后的图像。
元件标号说明
1～5 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图5～图15。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
CMOS动态探测器，由于产品特性、制作工艺等的特殊性，图像会出现随机噪声，随机噪点的生成不具有规律性，噪点的位置也随时改变。对于连续的序列图像，在不同序列的同一个位置，随机噪点有时存在，有时不存在，同样在同一个位置的不同序列，产生和消失也不具有规律，所以不能使用常规的去噪算法进行去噪。
需要说明的是，其他能产生随机噪声的探测器均适用本发明的随机噪点校正方法，不限于本实施例所列举的CMOS图像探测器，在此不一一赘述。
实施例一
如图5所示，本实施例提供一种随机噪点校正方法，所述随机噪点校正方法至少包括：
1)缓存N张图像，其中N为大于1的自然数；
2)定义物体上的点作为参考点；
3)选取前N-1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；
4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；
5)重复步骤2)～4)对图像上所有参考点进行校正。
本实施例的所述随机噪点校正方法具体包括以下步骤：
具体地，在步骤1)之前还包括但不限于对图像进行本底校正、增益校正或坏像素校正的步骤。作为示例，在本实施例中，在步骤1)之前对图像进行本底校正、增益校正及坏像素校正，校正的顺序不限，由此获得的图像整体是均匀的。
具体地，在本实施例中，需要校正的图像为静止图像，缓存N张连续采集的图像，N为大于1的自然数(即不少于2张)，缓存图像的数量可根据需要进行设定。
具体地，以物体上的点作为参考点，即该参考点在不同图像上对应物体的同一位置。
具体地，计算前N-1张图像上与所述参考点对应的像素点的灰度值的平均值，得到灰度平均值，满足如下关系式：
data(hang,lie)＝mean(images(hang,lie,1),...,images(hang,lie,N-2),images(hang,lie,N-1))
其中，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张。
具体地，选取所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值中较小值作为第N张图像上与所述参考点对应的像素点的灰度值，以此实现对所述参考点的校正。第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
其中，data(hang,lie,N)表示校正后数据。
具体地，完成上述步骤后返回步骤2)重新定义参考点，对新的参考点进行校正，以此类推，对图像上所有需要进行校正的参考点进行校正，校正完成后输出图像。
实施例二
本实施例提供一种随机噪点校正方法，与实施例一的不同之处在于需要校正的图像为一维运动图像。所述随机噪点校正方法至少包括：
1)缓存N张图像，其中N为大于1的自然数；
2)定义物体上的点作为参考点；
3)选取前N-1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；
4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；
5)重复步骤2)～4)对图像上所有参考点进行校正。
本实施例的所述随机噪点校正方法具体包括以下步骤：
具体地，在步骤1)之前还包括但不限于对图像进行本底校正、增益校正或坏像素校正的步骤。作为示例，在本实施例中，在步骤1)之前对图像进行本底校正、增益校正及坏像素校正，校正的顺序不限，由此获得的图像整体是均匀的。
具体地，在本实施例中，缓存N张连续采集的一维运动图像，N为大于1的自然数(即不少于2张)，缓存图像的数量可根据需要进行设定。
具体地，以物体上的点作为参考点，即该参考点在不同图像上对应物体的同一位置。
具体地，基于采集帧率及运动速度确定所述参考点在不同图像上运动的像素数量，进而确定各图像上与所述参考点对应的像素点。
作为示例，所述图像的运动方向为垂直方向(沿列方向运动，行方向不运动)；计算前N-1张图像上与所述参考点对应的像素点的灰度值的平均值，得到灰度平均值，满足如下关系式：
Figure BDA0002381960350000061
其中，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，X1～Xn分别为所述参考点在不同图像上运动的像素数量。
作为示例，所述图像的运动方向为水平方向(沿行方向运动，列方向不运动)；计算前N-1张图像上与所述参考点对应的像素点的灰度值的平均值，得到灰度平均值，满足如下关系式：
data(hang,lie)＝mean(images(hang-(N-Y1),lie,1),...,
images(hang-(N-Y2),lie,N-2),images(hang-(N-Yn),lie,N-1))
其中，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，Y1～Yn分别为所述参考点在不同图像上运动的像素数量。
具体地，选取所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值中较小值作为第N张图像上与所述参考点对应的像素点的灰度值，以此实现对所述参考点的校正。第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
其中，data(hang,lie,N)表示校正后数据。
具体地，完成上述步骤后返回步骤2)重新定义参考点，对新的参考点进行校正，以此类推，对图像上所有需要进行校正的参考点进行校正，校正完成后输出图像。
需要说明的是，运动图像同样适用于多维运动，不限于本实施例，不以本实施例为限。
如图6所示为线对卡原始图像，如图7所示为线对卡校正后的图像；如图8所示为线对卡原始细节放大图像，如图9所示为线对卡校正后的细节放大图像；如图10所示为双丝像质计原始细节放大图像，如图11所示为双丝像质计校正后的细节放大图像；其中，图6～图11为静止图像，图6～图9的像素尺寸是100um，图10～图11的像素尺寸是50um。如图12所示为内嵌钢珠测试体膜原始图像，如图13所示为内嵌钢珠测试体膜校正后的图像；如图14所示为1mm钨片内部原始图像，如图15所示为1mm钨片内部校正后的图像；其中，图12～图15为运动图像，图12～图15的像素尺寸是100um。从图像中可以看出，校正后图像的随机噪点明显减少，图像质量得到提升。
需要说明的是，本发明的图像随机噪点校正方法可以实时校正，也可以是通过后处理校正。
本发明的图像随机噪点校正方法通过图像自校的方法，不用设置阈值，不会生成缺陷模板，并且计算速度快，不会降低图像的采集帧率和上图速度，提高软件空间内存的利用率。
解决了以下问题：
1、同时兼顾物体静止和运动两种工作状态；
2、去噪时可满足图像实时更新，不用设置阈值判断该点是否需要校正，因此不会生成缺陷模板，节省资源，提高利用率；
3、去噪后的图像，细节被保留，图像不会出现模糊。
综上所述，本发明提供一种随机噪点校正方法，包括：1)缓存N张图像，其中N为大于1的自然数；2)定义物体上的点作为参考点；3)选取前N-1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；5)重复步骤2)～4)对图像上所有参考点进行校正。本发明的随机噪点校正方法缓存N张图像，选用N-1张图像，求出某一点在N-1张图像上的灰度均值，此均值与第N张图像的灰度值进行比较，选择最小值作为第N张图像的灰度值；该算法使用的图像是经过本底、增益、坏像素校准后的图像，此时图像整体是均匀的，故可以用最小值去代替噪点的灰度值；经过该算法处理后的图像，随机噪点明显减少，图像质量得到提升。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种随机噪点校正方法，其特征在于，所述随机噪点校正方法至少包括：
1)缓存N张图像，其中N为大于1的自然数；
2)定义物体上的点作为参考点；
3)选取前N-1张图像上与所述参考点对应的像素点的灰度值，并计算灰度平均值；
4)将所述灰度平均值和第N张图像上与所述参考点对应的像素点的灰度值进行比较，选取较小值作为第N张图像上与所述参考点对应的像素点的灰度值；
5)重复步骤2)～4)对图像上所有参考点进行校正。
2.根据权利要求1所述的随机噪点校正方法，其特征在于：步骤1)之前还包括对图像进行本底校正、增益校正或坏像素校正的步骤。
3.根据权利要求1所述的随机噪点校正方法，其特征在于：所述图像基于CMOS图像探测器采集得到。
4.根据权利要求1～3任意一项所述的随机噪点校正方法，其特征在于：所述图像为静止图像。
5.根据权利要求4所述的随机噪点校正方法，其特征在于：第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
data(hang,lie)＝mean(images(hang,lie,1),...,images(hang,lie,N-2),images(hang,lie,N-1))
其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张。
6.根据权利要求1～3任意一项所述的随机噪点校正方法，其特征在于：所述图像为一维运动图像。
7.根据权利要求6所述的随机噪点校正方法，其特征在于：基于采集帧率及运动速度确定所述参考点在不同图像上运动的像素数量，进而确定各图像上与所述参考点对应的像素点。
8.根据权利要求7所述的随机噪点校正方法，其特征在于：所述图像的运动方向为垂直方向。
9.根据权利要求8所述的随机噪点校正方法，其特征在于：第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
Figure FDA0002381960340000021
其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，X1～Xn分别为所述参考点在不同图像上运动的像素数量。
10.根据权利要求7所述的随机噪点校正方法，其特征在于：所述图像的运动方向为水平方向。
11.根据权利要求10所述的随机噪点校正方法，其特征在于：第N张图像上与所述参考点对应的像素点的灰度值满足如下关系式：
data(hang,lie,N)＝min(data(hang,lie),images(hang,lie,N))，
Figure FDA0002381960340000022
其中，data(hang,lie,N)表示校正后数据，data(hang,lie)表示所述灰度平均值，images(hang,lie,N)表示原始数据，N表示序列图像上的第N张，Y1～Yn分别为所述参考点在不同图像上运动的像素数量。
12.根据权利要求1所述的随机噪点校正方法，其特征在于：所述随机噪点校正方法实时校正或通过后处理校正。
CN202010085753.2A 2020-02-11 2020-02-11 随机噪点校正方法 Active CN111311512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010085753.2A CN111311512B (zh) 2020-02-11 2020-02-11 随机噪点校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010085753.2A CN111311512B (zh) 2020-02-11 2020-02-11 随机噪点校正方法

Publications (2)

Publication Number Publication Date
CN111311512A true CN111311512A (zh) 2020-06-19
CN111311512B CN111311512B (zh) 2024-05-03

Family

ID=71159117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010085753.2A Active CN111311512B (zh) 2020-02-11 2020-02-11 随机噪点校正方法

Country Status (1)

Country Link
CN (1) CN111311512B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563949A (zh) * 2020-07-17 2020-08-21 南京理工大学智能计算成像研究院有限公司 一种基于区域增长的相位级次错误补偿算法
CN113205497A (zh) * 2021-04-30 2021-08-03 扬州能煜检测科技有限公司 双丝型像质计图像处理方法、装置、设备及介质
CN114596212A (zh) * 2020-12-07 2022-06-07 上海奕瑞光电子科技股份有限公司 图像处理方法、装置和设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5208673A (en) * 1991-11-05 1993-05-04 Matsushita Electric Corporation Of America Noise reduction in frame transmitted video signals
CN101732063A (zh) * 2008-10-17 2010-06-16 通用电气公司 使用计算机断层摄影数据确定体重和脂肪含量的方法及装置
CN103179325A (zh) * 2013-03-26 2013-06-26 北京理工大学 一种固定场景下低信噪比视频的自适应3d降噪方法
CN104065854A (zh) * 2014-06-18 2014-09-24 联想(北京)有限公司 一种图像处理方法及一种电子设备
CN104236707A (zh) * 2014-09-23 2014-12-24 中国科学院光电研究院 一种棱镜色散型成像光谱仪条带噪声消除方法
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
CN109919855A (zh) * 2019-01-17 2019-06-21 深圳禾苗通信科技有限公司 一种基于多帧影像的快速保边去噪方法
CN110136088A (zh) * 2019-05-23 2019-08-16 大连理工大学 一种人类胚胎心脏超声图像去噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5208673A (en) * 1991-11-05 1993-05-04 Matsushita Electric Corporation Of America Noise reduction in frame transmitted video signals
CN101732063A (zh) * 2008-10-17 2010-06-16 通用电气公司 使用计算机断层摄影数据确定体重和脂肪含量的方法及装置
CN103179325A (zh) * 2013-03-26 2013-06-26 北京理工大学 一种固定场景下低信噪比视频的自适应3d降噪方法
CN104065854A (zh) * 2014-06-18 2014-09-24 联想(北京)有限公司 一种图像处理方法及一种电子设备
CN104236707A (zh) * 2014-09-23 2014-12-24 中国科学院光电研究院 一种棱镜色散型成像光谱仪条带噪声消除方法
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
CN109919855A (zh) * 2019-01-17 2019-06-21 深圳禾苗通信科技有限公司 一种基于多帧影像的快速保边去噪方法
CN110136088A (zh) * 2019-05-23 2019-08-16 大连理工大学 一种人类胚胎心脏超声图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAO JC ET AL: "《Robust Polyphonic Sound Event Detection by Using Multi Frame Size Denoising Autoencoder》", pages 1 - 6 *
杨惠君: "《视频图像的增强与去噪技术研究》", pages 138 - 780 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563949A (zh) * 2020-07-17 2020-08-21 南京理工大学智能计算成像研究院有限公司 一种基于区域增长的相位级次错误补偿算法
CN111563949B (zh) * 2020-07-17 2020-10-20 南京理工大学智能计算成像研究院有限公司 一种基于区域增长的相位级次错误补偿方法
CN114596212A (zh) * 2020-12-07 2022-06-07 上海奕瑞光电子科技股份有限公司 图像处理方法、装置和设备
CN113205497A (zh) * 2021-04-30 2021-08-03 扬州能煜检测科技有限公司 双丝型像质计图像处理方法、装置、设备及介质
CN113205497B (zh) * 2021-04-30 2022-06-07 江苏迪业检测科技有限公司 双丝型像质计图像处理方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111311512B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN111311512B (zh) 随机噪点校正方法
Xiao et al. An enhancement method for X-ray image via fuzzy noise removal and homomorphic filtering
CN113313641B (zh) 一种自适应中值滤波的ct图像去噪方法
CN106296763B (zh) 一种金属材料工业ct图像质量快速校正方法
CN108346133B (zh) 一种面向视频卫星超分辨率重建的深度学习网络训练方法
CN110996096B (zh) 一种基于结构相似性差异度的色调映射图像质量评价方法
CN110390653B (zh) 一种针对OLED屏的高鲁棒性DeMURA方法
CN109636745B (zh) 基于分数阶微分图像增强算法的最佳阶图像增强方法
CN114092355A (zh) 自适应红外图像对比度增强方法及装置
CN115330646B (zh) 一种用于健身器材喷漆工艺的金属构件检查方法
CN111340717A (zh) 一种用于非制冷红外热像仪的图像预处理装置
CN108376393B (zh) 一种面向高速直线运动对象的模糊图像盲复原方法
CN113160179A (zh) 一种基于动态区域卷积的图像去模糊方法
CN106709890A (zh) 用于低照度视频图像处理的方法及装置
CN108270945A (zh) 一种运动补偿去噪方法及装置
CN113096032B (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
CN112837220A (zh) 一种提高红外图像分辨率的方法及其用途
CN111932478A (zh) 一种非制冷红外焦平面的自适应非均匀校正方法
CN111583272A (zh) 一种联合最大熵的改进Niblack红外图像分割方法
CN116012265A (zh) 基于时空域自适应滤波的红外视频降噪方法和装置
CN113763380B (zh) 基于矢量梯度的无参考图像清晰度评价方法
CN115063315A (zh) 基于滑动划分及小面积噪声填充的太赫兹图像预处理方法
CN115660994A (zh) 一种基于区域最小二乘估计的图像增强方法
Wang et al. A bilateral filtering based ringing elimination approach for motion-blurred restoration image
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统

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