CN111405206A - 基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法 - Google Patents

基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法 Download PDF

Info

Publication number
CN111405206A
CN111405206A CN202010115293.3A CN202010115293A CN111405206A CN 111405206 A CN111405206 A CN 111405206A CN 202010115293 A CN202010115293 A CN 202010115293A CN 111405206 A CN111405206 A CN 111405206A
Authority
CN
China
Prior art keywords
matrix
image sequence
noise
image
poisson
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
CN202010115293.3A
Other languages
English (en)
Other versions
CN111405206B (zh
Inventor
喻春雨
李翰林
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010115293.3A priority Critical patent/CN111405206B/zh
Publication of CN111405206A publication Critical patent/CN111405206A/zh
Application granted granted Critical
Publication of CN111405206B publication Critical patent/CN111405206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

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

Abstract

本发明揭示了一种基于帧平均及权值调整二阶盲识别的泊松‑高斯联合噪声图像序列分离降噪方法，包括如下步骤：S1、获取噪声图像序列；S2、将噪声图像序列分为n组，并预处理得到新的图像序列、作为算法的观测信号；S3、对图像序列进行中心化处理、得到去均值化的混合观测矩阵；S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵
Figure DEST_PATH_IMAGE002
，最终输出即降噪后的图像。本发明的方法在抑制和消除图像噪声的同时尽可能地保留了图像中的有效信息，降低了算法整体的运行时间，使得算法的即时性和有效性得到了充分保障。

Description

基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图 像序列分离降噪方法
技术领域
本发明涉及一种图像降噪方法，具体涉及一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，属于泊松-高斯联合噪声图像降噪领域。
背景技术
在人们日常的工作和生活中，信息的传递主要以声音、图像及视频等方式进行传递，相较于其他两种形式，图像传递具有更好的直观性和稳定性，同时图像也能够携带和存储更多的信息，因此时至今日，图像仍然是信息传递的重要方式。
近年来，伴随着社会科技的不断发展，人们对于信息的获取速率有了更高的需求，对于图像质量的要求也日益提高，图像质量越高，就意味着所获取的有效信息就越多。目前，图像的获取方式主要是通过照相机或者扫描仪等具有光学传感器的设备对物体进行拍摄，从而得到一个用于储存物体信息的二维数组，该二维数组中的数值就称为图片的像素值。我们所见到的每一张图像在成像和传输的过程中都难以避免地会被各式各样的噪声所污染而产生失真的情况，对图像质量产生较大的影响。
对于大部分的数字成像器件而言，其主要的噪声类型被建模为泊松-高斯联合噪声。两者中泊松噪声部分是由于传感器中光子的不确定性所造成的干扰，该部分是信号依赖的；而高斯部分则代表一些信号无关噪声，比如热噪声。这正是因为上述噪声的存在会对之后的高层次图像处理环节如图像识别、图像分割等产生不利的影响，因此图像降噪处理就成为了图像处理过程中不可缺失的一个环节。但是传统的图像降噪方法在实际的应用过程中，存在着处理难度大、处理时间长、细节信息容易丢失等问题，使用效果一直无法达到预期。
综上所述，如何在现有技术的基础上提出一种全新的图像降噪方法，以尽可能地在抑制或者消除图像噪声的同时保留原始图像的有效信息，克服现有技术中所存在的诸多缺陷，也就成为了本领域内技术人员共同的研究目标。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，具体包括如下步骤：
S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列；
S2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号；
S3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵；
S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；
S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。
优选地，所述S1包含如下步骤：使用成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图像，并以此组成噪声图像序列。
优选地，所述S2包含如下步骤：将初始含泊松-高斯联合噪声污染的噪声图像序列分为n组，使用多帧平均法进行降噪预处理，对每组图像序列分别加权求平均、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。
优选地，所述S3包含如下步骤：对采用多帧平均法所获得的图像序列数据进行中心化处理并混合；
所述混合的方式为，假设一帧图像大小为M×N，将每张图像的像素值按从上至下、从左至右依次排列，生成一个新的一维行向量，将每帧图像的一维行向量按行排列，形成一个大小为n×(M×N)二维观测矩阵x(t)，x(t)由源信号矩阵和未知混合矩阵A组成。
优选地，所述S4包含如下步骤：结合混合观测矩阵给出非零时延协方差矩阵、即
Rx(T)＝ARs(τ)AT (1)
在式(1)中，Rs(τ)为源信号时延协方差矩阵，Rx(τ)为观测矩阵的时延协方差矩阵，τ为非零时延。
优选地，所述S5包含如下步骤：
S51、建立代数准则式、即
CWLS(A，λ)＝A[g，Q0(A)λ]TV[g-Q0(A)λ] (2)
在式(2)中，V为权值矩阵、其值为V＝{cov|g|}-1；
随后采用非线性权值最小二乘法寻找一个酉矩阵将所有协方差矩阵近似联合对角化，使式(2)中的A和λ最小化；
S52、引入变量θ代替A和λ，并令f(θ)＝Q0(A)λ，则由高斯迭代法将式(2)转换为
Figure BDA0002391310030000041
在式(2)中，
Figure BDA0002391310030000042
S53、代入
Figure BDA0002391310030000043
其中θA＝vec{AT}，
λ＝[λ1 T，λ2 T，...，λM-1 T]T，将式(3)转换为
Figure BDA0002391310030000044
在式(4)中，
Figure BDA0002391310030000045
S54、将式(4)中的初始参数设置为θ0＝vec{In}，经过数次迭代后使式(4)收敛，求解权值矩阵V，最终将所分离的源信号估计为s(t)＝V-1x(t)。
与现有技术相比，本发明的优点主要体现在以下几个方面：
本发明所提出的一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，在抑制和消除图像噪声的同时尽可能地保留了图像中的有效信息，降低了算法整体的运行时间，使得算法的即时性和有效性得到了充分保障，具有运行时间短、效率高、图像细节保留完整等诸多优点。
同时，本发明的方法还具有较强的可操作性，由于本发明的降噪效果与图像序列数目有关，因此可以通过改变初始图像序列N及分组数目n来获得最优的降噪效果与最短的算法运行时间，从而进一步提高了算法整体的灵活性、扩大了算法的应用范围。
此外，本发明的方法还为其他相关问题提供了参考，具有十分广阔的应用前景，可以以此为依据进行拓展延伸，将其应用于泊松-高斯联合噪声图像降噪领域内的其他技术方案中。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
本发明揭示了一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，该方法主要降低了图像中的泊松-高斯联合噪声，同时算法运行时间短、效率高，图像细节保留更完整。
本发明的方法整体思路如下：获取N张含泊松-高斯联合噪声污染图像序列；将噪声图像序列分为n组采用帧平均法预处理，得到n张预处理图像，成为新的图像序列，并作为算法的观测信号；对n张预处理图像序列进行中心化处理，得到去均值化混合观测矩阵；结合混合观测矩阵给出非零时延协方差矩阵；采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号，即降噪图像。
以下便结合上述主要步骤的描述进一步细化本发明的技术方案，如图1所示，本发明的方法包括如下步骤：
S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列。
具体而言，由于暗光条件下拍摄得到的图像其噪声分布符合泊松-高斯联合噪声模型，因此使用CCD等成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图像，并以此组成噪声图像序列。
S2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。
具体而言，将初始含泊松-高斯联合噪声污染的噪声图像序列分为n组，使用多帧平均法进行降噪预处理，对每组图像序列分别加权求平均、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。
S3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵。
具体而言，对采用多帧平均法所获得的图像序列数据进行中心化(零均值化)处理并混合，此处中心化的目的在于减去数据平均值，方便后期数据处理。所述混合的方式为，假设一帧图像大小为M×N，将每张图像的像素值按从上至下、从左至右依次排列，生成一个新的一维行向量，将每帧图像的一维行向量按行排列，形成一个大小为n×(M×N)二维观测矩阵x(t)，x(t)由源信号矩阵和未知混合矩阵A组成。
S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵。
具体而言，结合混合观测矩阵给出非零时延协方差矩阵、即
Rx(τ)＝ARs(τ)AT (1)
在式(1)中，Rs(τ)为源信号时延协方差矩阵，Rx(τ)为观测矩阵的时延协方差矩阵，τ为非零时延，目标是寻找一个酉矩阵近似联合对角化所有协方差矩阵。
S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。
具体而言，所述S5又包含如下步骤：
S51、建立代数准则式、即
CWLS(A，λ)＝A[g，Q0(A)λ]TV[g-Q0(A)λ] (2)
在式(2)中，V为权值矩阵、其值为V＝{cov|g|}-1；
随后采用非线性权值最小二乘法寻找一个酉矩阵将所有协方差矩阵近似联合对角化，使式(2)中的A和λ最小化；最优权值使得估计混合矩阵的均方误差最小，从而使得估计的源信号更接近实际信号。
S52、引入变量θ代替A和λ，并令f(θ)＝Q0(A)λ，则由高斯迭代法将式(2)转换为
Figure BDA0002391310030000075
在式(2)中，
Figure BDA0002391310030000071
S53、在分离过程中，由于分离信号幅值具有不确定性，参数
θ＝[θT，λT]T未知，此处代入
Figure BDA0002391310030000072
其中θA＝vec{AT}，
λ＝[λ1 T，λ2 T，...，λM-1 T]T，，将式(3)转换为
Figure BDA0002391310030000073
在式(4)中，
Figure BDA0002391310030000074
S54、将式(4)中的初始参数设置为θ0＝vec{In}，经过数次迭代过后就可以收敛，权值矩阵V便可求得。最终将所分离的源信号估计为s(t)＝V-1x(t)。
此外，需要强调的是，本发明的降噪效果与与含噪图像序列数目N及分组数目n有关，为了对这部分进行阐述，此处提供一具体实施例。
当图像序列N＝300张时，首先将图像序列分按20帧/组分为15组，采用多帧平均法得到15张预处理图像，成为新的图像序列。然后对新的图像序列使用权值调整二阶盲识别进行分离降噪，在泊松-高斯联合噪声污染十分严重的情况下，本发明提出的方法具有良好的降噪效果，采用客观评价参数PSNR(峰值信噪比)与SSIM(结构相似性)对图像质量进行评价，具体数据在下方表格给出：
表1客观评价参数表
Figure BDA0002391310030000081
从上表可知，本发明提出的算法优势更为明显，相较于单纯使用权值调整二阶盲识别算法进行泊松高斯联合噪声图像去噪，PSNR提高了0.2851dB，SSIM提高了0.0418，算法运行时间缩短了85.60％，图像细节保留较为完好，提升了算法的即时性和有效性。
综上所述，本发明的方法首先将获取到的泊松-高斯联合噪声图像序列N分为n组，对每组图像序列分别采用帧平均法得到n张预处理图像，再将n张预处理图像进行中心化处理并混合，采用权值调整二阶盲识别算法对混合图像进行序列分离降噪，最终输出降噪图像。本方法在充分进行图像降噪的同时尽可能地保留了图像有效信息、降低了算法的运行时间，使得算法的即时性和有效性得到充分保障，具有运行时间短、效率高、图像细节保留完整等诸多优点。
同时，本发明的方法优势明显且具有较强的可操作性，由于本发明的降噪效果与图像序列数目有关，因此可以通过改变初始图像序列N及分组数目n来获得最优的降噪效果与最短的算法运行时间，从而进一步提高了算法整体的灵活性、扩大了算法的应用范围。
此外，本发明的方法还为其他相关问题提供了参考，具有十分广阔的应用前景，可以以此为依据进行拓展延伸，将其广泛应用于泊松-高斯联合噪声图像降噪领域内的其他技术方案中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，包括如下步骤：
S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列；
S2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号；
S3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵；
S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；
S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。
2.根据权利要求1所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S1包含如下步骤：使用成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图像，并以此组成噪声图像序列。
3.根据权利要求2所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S2包含如下步骤：将初始含泊松-高斯联合噪声污染的噪声图像序列分为n组，使用多帧平均法进行降噪预处理，对每组图像序列分别加权求平均、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。
4.根据权利要求3所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S3包含如下步骤：对采用多帧平均法所获得的图像序列数据进行中心化处理并混合；
所述混合的方式为，假设一帧图像大小为M×N，将每张图像的像素值按从上至下、从左至右依次排列，生成一个新的一维行向量，将每帧图像的一维行向量按行排列，形成一个大小为n×(M×N)二维观测矩阵x(t)，x(t)由源信号矩阵和未知混合矩阵A组成。
5.根据权利要求4所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S4包含如下步骤：结合混合观测矩阵给出非零时延协方差矩阵、即
Rx(τ)＝ARs(τ)AT (1)
在式(1)中，Rs(τ)为源信号时延协方差矩阵，Rx(τ)为观测矩阵的时延协方差矩阵，τ为非零时延。
6.根据权利要求5所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S5包含如下步骤：
S51、建立代数准则式、即
CWLS(A，λ)＝A[g，Q0(A)λ]TV[g-Q0(A)λ] (2)
在式(2)中，V为权值矩阵、其值为V＝{cov|g|}-1；
随后采用非线性权值最小二乘法寻找一个酉矩阵将所有协方差矩阵近似联合对角化，使式(2)中的A和λ最小化；
S52、引入变量θ代替A和λ，并令f(θ)＝Q0(A)λ，则由高斯迭代法将式(2)转换为
Figure FDA0002391310020000031
在式(2)中，
Figure FDA0002391310020000032
S53、代入
Figure FDA0002391310020000033
其中θA＝vec{AT}，λ＝[λ1 T，λ2 T，...，λM-1 T]T，将式(3)转换为
Figure FDA0002391310020000034
在式(4)中，
Figure FDA0002391310020000035
S54、将式(4)中的初始参数设置为θ0＝vec{In}，经过数次迭代后使式(4)收敛，求解权值矩阵V，最终将所分离的源信号估计为s(t)＝V-1x(t)。
CN202010115293.3A 2020-02-25 2020-02-25 一种泊松-高斯联合噪声图像序列分离降噪方法 Active CN111405206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010115293.3A CN111405206B (zh) 2020-02-25 2020-02-25 一种泊松-高斯联合噪声图像序列分离降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010115293.3A CN111405206B (zh) 2020-02-25 2020-02-25 一种泊松-高斯联合噪声图像序列分离降噪方法

Publications (2)

Publication Number Publication Date
CN111405206A true CN111405206A (zh) 2020-07-10
CN111405206B CN111405206B (zh) 2022-07-26

Family

ID=71413168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010115293.3A Active CN111405206B (zh) 2020-02-25 2020-02-25 一种泊松-高斯联合噪声图像序列分离降噪方法

Country Status (1)

Country Link
CN (1) CN111405206B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915514A (zh) * 2020-07-13 2020-11-10 南京邮电大学 一种基于权值调整二阶盲辨识的数字乳腺层析合成摄影的重建方法
CN112348754A (zh) * 2020-10-30 2021-02-09 南京邮电大学 一种低照度彩色图像增强方法及装置
CN112950501A (zh) * 2021-02-26 2021-06-11 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130182930A1 (en) * 2012-01-17 2013-07-18 Joshua D. Trzasko System and method for medical image reconstruction and image series denoising using local low rank promotion
CN104156994A (zh) * 2014-08-14 2014-11-19 厦门大学 一种压缩感知磁共振成像的重建方法
CN107292855A (zh) * 2017-08-02 2017-10-24 桂林电子科技大学 一种结合自适应非局部样本和低秩的图像去噪方法
CN109523488A (zh) * 2018-11-23 2019-03-26 南京邮电大学 一种基于图像序列在Anscombe变换域进行盲源分离的X射线图像降噪方法
JP2019096222A (ja) * 2017-11-27 2019-06-20 キヤノン株式会社 画像処理装置、画像処理方法、コンピュータプログラム
WO2019145849A1 (en) * 2018-01-23 2019-08-01 Centro Cardiologico Monzino S.p.A. Method for processing images and method for determining quantitative and/or qualitative characteristics of objects reproduced in an image, system for processing images and system for determining quantitative and/or qualitative characteristics of the objects reproduced in an image

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130182930A1 (en) * 2012-01-17 2013-07-18 Joshua D. Trzasko System and method for medical image reconstruction and image series denoising using local low rank promotion
CN104156994A (zh) * 2014-08-14 2014-11-19 厦门大学 一种压缩感知磁共振成像的重建方法
CN107292855A (zh) * 2017-08-02 2017-10-24 桂林电子科技大学 一种结合自适应非局部样本和低秩的图像去噪方法
JP2019096222A (ja) * 2017-11-27 2019-06-20 キヤノン株式会社 画像処理装置、画像処理方法、コンピュータプログラム
WO2019145849A1 (en) * 2018-01-23 2019-08-01 Centro Cardiologico Monzino S.p.A. Method for processing images and method for determining quantitative and/or qualitative characteristics of objects reproduced in an image, system for processing images and system for determining quantitative and/or qualitative characteristics of the objects reproduced in an image
CN109523488A (zh) * 2018-11-23 2019-03-26 南京邮电大学 一种基于图像序列在Anscombe变换域进行盲源分离的X射线图像降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIJIA DONG ETC.: ""Gaussian Noise Removal of Blind Source Separation Based on Image Sequence"", 《2018 11TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 *
贾丽娜: ""低剂量X-CT图像质量改善的后处理方法研究"", 《中国博士学位论文全文数据库（电子期刊）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915514A (zh) * 2020-07-13 2020-11-10 南京邮电大学 一种基于权值调整二阶盲辨识的数字乳腺层析合成摄影的重建方法
CN111915514B (zh) * 2020-07-13 2022-07-26 南京邮电大学 一种基于权值调整二阶盲辨识的数字乳腺层析合成摄影的重建方法
CN112348754A (zh) * 2020-10-30 2021-02-09 南京邮电大学 一种低照度彩色图像增强方法及装置
CN112348754B (zh) * 2020-10-30 2022-08-16 南京邮电大学 一种低照度彩色图像增强方法及装置
CN112950501A (zh) * 2021-02-26 2021-06-11 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
CN112950501B (zh) * 2021-02-26 2023-10-13 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111405206B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111405206B (zh) 一种泊松-高斯联合噪声图像序列分离降噪方法
CN104978715B (zh) 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法
CN107590779B (zh) 一种基于图像块聚类字典训练的图像去噪去模糊方法
US10778917B2 (en) Joint dictionary generation method for image processing, interlace-based high dynamic range imaging apparatus using joint dictionaries and image processing method of the same
CN104796582B (zh) 基于随机喷射retinex的视频图像去噪与增强方法及装置
CN109978774B (zh) 多帧连续等曝光图像的去噪融合方法及装置
CN111489303A (zh) 一种低照度环境下海事图像增强方法
CN109685730B (zh) 一种基于自适应非局域均值的小波去噪方法
CN110390646B (zh) 一种细节保持图像去噪方法
CN112465727A (zh) 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
WO2019127059A1 (zh) 基于引导滤波和高通滤波的红外图像非均匀性校正方法
CN111510691A (zh) 颜色插值方法及装置、设备、存储介质
CN108665423A (zh) 基于引导滤波和高通滤波的红外图像非均匀性校正方法
Zhang et al. Convolutional neural network-based video super-resolution for action recognition
CN114445290A (zh) 一种面向硬件的联合去噪去马赛克方法
Zhao et al. A simple and robust deep convolutional approach to blind image denoising
Huang et al. Underwater image enhancement based on color restoration and dual image wavelet fusion
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN114463196A (zh) 一种基于深度学习的图像校正方法
CN113992920A (zh) 一种基于深度展开网络的视频压缩感知重建方法
Zhang et al. An underwater image enhancement method based on local white balance
CN112348754B (zh) 一种低照度彩色图像增强方法及装置
CN107230191B (zh) 一种基于结构相似性的非局部均值去噪优化方法
CN113554567B (zh) 一种基于小波变换的鲁棒去重影系统及方法
Sooknanan et al. Improving underwater visibility using vignetting correction

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