CN111724318A - 基于混合高阶偏微分方程模型的图像去噪方法 - Google Patents
基于混合高阶偏微分方程模型的图像去噪方法 Download PDFInfo
- Publication number
- CN111724318A CN111724318A CN202010543346.1A CN202010543346A CN111724318A CN 111724318 A CN111724318 A CN 111724318A CN 202010543346 A CN202010543346 A CN 202010543346A CN 111724318 A CN111724318 A CN 111724318A
- Authority
- CN
- China
- Prior art keywords
- image
- order
- model
- partial differential
- differential equation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009792 diffusion process Methods 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 33
- 238000012545 processing Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 150000003624 transition metals Chemical group 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Abstract
本发明公开了一种基于混合高阶偏微分方程模型的图像去噪方法,包括如下步骤:对输入的含噪图像进行二维离散傅里叶变换,将图像从空域转换到频域,使待处理图像变换为离散化数字图像;采用有限差分法对离散化数字图像进行求解:计算每个离散化数字图像的具有二阶精度的中心差分值,并根据计算的中心差分值计算扩展图像的梯度模值和扩散张量,找到图像的边缘;根据混合高阶偏微分方程模型的边缘检测函数自适应检测扩展后图像的边缘;进行多次迭代直到结束,得到扩散图像的二维离散傅里叶变换图,即为去噪结果图像。所述方法既能够保护图像边缘信息又能够抑制区域内部的阶梯效应,图像处理效果好。
Description
技术领域
本发明涉及图像处理方法技术领域,尤其涉及一种基于混合高阶偏微分方程模型的图像去噪方法。
背景技术
数字图像是获取信息的主要来源,已经广泛应用于各类学科领域,但是图像采集信息时会受到环境背景光、CCD热噪声、读出噪声、A/D转换噪声、量化噪声的干扰,使得图像像质差、信噪比降低。因此,图像去噪是图像处理和计算机视觉中的首要问题。近年来,对噪声信号的恢复主要采用非线性手段,偏微分方程(PDE)方法是近年来的研究热点,具有很强的局域自适应性。基于Fourier变换的方法完全没有局域性,所以只能用于平稳信号的处理,不适于图像处理。基于小波变换的方法具有很好的时频域双重定域性,但是其采用的分离变量方法使得自适应能力受到限制,即便是脊小波和轮廓小波等自适应能力依旧不足。PDE是建立在连续模型之上的,仅依赖于某个像素点的邻域内,具有超强的局域自适应能力。PDE方法核心是利用图像的一个重要局部特征-梯度模值,将图像的滤波过程与图像边缘的检测过程结合起来,赋予其较线性滤波更优良的性能。
为了达到去噪并同时保护边缘的要求,Perona和Malik于1990年首先提出了扩散PDE模型,即PM模型。模型机理是传导系数依赖于图像梯度:在图像比较平坦的区域,传导系数能自动增大,使得区域中较小的不规则噪声被平滑;而在图像的边缘附近,传导系数能自动减小,使得边缘不受影响。虽然PM模型在图像处理中潜力巨大,但是数学研究表明其初值问题是病态的。Catte F等将PM模型进行了修改,引入了Gaussian函数,提出了正则化PM方程(亦称为CLMC模型)克服了PM方程的病态性质,并通过数学证明其方程是一个完全的适定问题。二阶PDE使用关于梯度模值的递减函数作为能量函数的积分。尽管这种PDE能够在去噪和保护边缘之间实现良好的折中,但往往会导致图像出现阶梯效应。
为解决这一问题,一些学者提出了高阶偏微分方程,尤其是四阶PDE法:2000年You和Kaveh提出的PDE(简称为YK)试图使成本函数最小化,从而避免了阶梯效应,其中成本函数是图像强度函数的拉普拉斯绝对值的递增函数。2002年Gilboa和Soche提出了自适应的向前向后(FABD)扩散模型,非线性扩散系数根据图像特征进行局部调整,可将扩散过程从前向模式转换为后向模式,去除局部噪声并将边缘锐化。数值实验证明:四阶模型能够避免阶梯效应。但是,图片的边缘可能会受到过度平滑的影响,使得边缘模糊。此外,在数学分析中,这些四阶非线性PDE很少开发。为了解决阶梯效应和边缘模糊问题,许多作者提出了一些混合高阶正则化模型。其中2016年,Dong和Chen提出了一个用于去噪的统一变分模型(DC模型),在目标函数的正则化项中使用了不同分数阶导数的组合,在保存图像纹理和消除阶梯效应方面取得了很好的效果,但是并没有解决所建模型解的存在性问题。
发明内容
本发明所要解决的技术问题是如何提供一种既能够保护图像边缘信息又能够抑制区域内部的阶梯效应的图像去噪方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于混合高阶偏微分方程模型的图像去噪方法,其特征在于包括如下步骤:
对输入的含噪图像进行二维离散傅里叶变换,将图像从空域转换到频域,使待处理图像变换为离散化数字图像;
采用有限差分法对离散化数字图像进行求解:分别计算每个离散化数字图像在某点沿x方向和y方向的一阶差分值以及二阶差分值,并根据计算的各阶差分值计算扩展图像的一阶梯度模值二阶梯度模值和混合高阶偏微分方程模型所用的边缘检测函数
根据混合高阶偏微分方程模型的边缘检测函数自适应检测扩展后图像的边缘;
计算模型中的参数:
式中:含噪图像为u0,并设置un=u0,α=1,2,ω1,ω2∈{0,1,2,...,m-1}分别是对应于空间变量x和y的DFT频域变量,F是二维离散傅里叶变换,表示的是对un进行二维离散傅里叶变换。
进一步的技术方案在于,所述混合高阶偏微分方程模型的边缘检测函数的构造方法如下:
模型的特殊形式是整数阶导数,相关的泛函问题是:
式中,u为图像灰度函数,表示u的梯度矢量模值即用来检测边缘:当图像存在边缘时,梯度值较大,在平滑部分,梯度值较小,对平滑区域有抑制作用;u0:Ω→R是采集到的含噪图像,是具有Lipschitz边界的有界域;λ是大于零的参数;
考虑最小化问题:
式(7)对应的欧拉-拉格朗日方程如下:
使用最速下降法,导出相关的热流,得到最小化问题:
提出混合高阶偏微分方程:
进行参数选取后修改方程为:
式中,h(x,y)是边界检测器,定义为:
式中,ε为很小的一个正数,目的是确保边缘检测器小于1。
采用上述技术方案所产生的有益效果在于:所述方法使用混合高阶偏微分方程模型的边缘检测函数对图像进行处理,混合高阶偏微分方程模型将二阶项和四阶项进行结合,在区域内部四阶项起作用,平滑的同时抑制阶梯效应,在图像边缘处二阶项起作用,去噪的同时保护边缘信息不丢失。通过弱解存在性和数值计算验证了模型的有效性,并将其应用于图像去噪中,实验结果表明:通过所述方法去噪得到的图像在主观效果和客观指标上均优于传统去噪模型,较未改进的高阶去噪模型,在评价指标:SNR、PSNR和MSSIM上分别提高了1.89%、1.31%、和1.49%。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1a-图1c是本发明实施例中三种模型对lena图像进行去噪效果的结果图;
图2是本发明实施例中不同去噪方法的PSNR值随标准差的变化曲线图;
图3a-图3i为lena通过不同模型去噪后局部放大的结果图(图3a-图3i分别为原图、加噪图、双边滤波、小波全变分去噪、PM模型去噪、YK模型去噪、AFBD模型去噪、DC模型去噪以及本申请所述方法中使用的模型的去噪结果图);
图4a-图4i为Cameraman通过不同模型去噪后局部放大的结果图(图4a-图4i分别为原图、加噪图、双边滤波、小波全变分去噪、PM模型去噪、YK模型去噪、AFBD模型去噪、DC模型去噪以及本申请所述方法中使用的模型的去噪结果图);
图5a-图5i为Barbara的纹理图(图5a-图5i分别为原图、加噪图、双边滤波、小波全变分去噪、PM模型去噪、YK模型去噪、AFBD模型去噪、DC模型去噪以及本申请所述方法中使用的模型的去噪结果图);
图6是本发明实施例所述方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,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的一部分实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图6所示,本发明实施例公开了一种基于混合高阶偏微分方程模型的图像去噪方法,包括如下步骤:
对输入的含噪图像进行二维离散傅里叶变换,将图像从空域转换到频域,使待处理图像变换为离散化数字图像;
采用有限差分法对离散化数字图像进行求解:计算每个离散化数字图像的具有二阶精度的中心差分值,并根据计算的中心差分值计算扩展图像的梯度模值和扩散张量,找到图像的边缘;
根据混合高阶偏微分方程模型的边缘检测函数自适应检测扩展后图像的边缘;
进行多次迭代直到结束,得到扩散图像的二维离散傅里叶变换图,即为去噪结果图像。
下面结合具体内容对上述方法进行详细说明:
模型的提出:
Perona-Malik类型的PDE模型与变分能量最小化问题有很强的联系,考虑图像还原的最小化问题:
式中,u为图像灰度函数,表示u的梯度矢量模值即用来检测边缘:当图像存在边缘时,梯度值较大,在平滑部分,梯度值较小。u0:Ω→R是采集到的含噪图像,是具有Lipschitz边界的有界域;λ是大于零的参数。式子前半部分为正则项,后半部分为保真项。与函数E(u)相关的形式梯度流由下式给出:
式中,是梯度向量,方向导数变化最快的方向,是以梯度向量为速度场的散度。扩散方程用于去噪的原理即:比较图像上的每一个点,若某一点的值小于周围点则增加它,否则就减小它,进而建立下列形式的自适应前后扩散方程(简称AFBD):
这是从以下最小化问题得出的:
式中K是一个自然数;Gσ表示二维高斯核Gσ=(2πσ)-1exp(-(x2+y2)/2σ2)。*代表卷积。实验结果表明上述模型通过使用梯度相关性克服了热方程众所周知的边缘拖尾效应。但是,在有噪声的情况下得到的图像也显示出阶梯效应。
现有技术提出了一个变分模型(简称DC模型),该模型使用了两个不同的分数阶导数的组合。在此,此模型的特殊形式是整数阶导数,相关的泛函问题是:
D2u表示图像u的二阶导数,即: 是具有Lipschitz边界的有界域,并且μ>0,λ>0是平衡目标函数中的参数。h1(x,y)是一个边界检测器,并由:其中K1和K2是两个正常数。上述模型的主要优点是在处理纹理方面的优势,以及消除阶梯效应。但是,并没有分析模型的解是否存在,是否是唯一存在的问题。
考虑最小化问题:
式(7)对应的欧拉-拉格朗日方程如下:
边界条件为:
使用最速下降法,能够导出相关的热流,得到最小化问题:
基于上述分析,本申请提出混合高阶偏微分方程:
进行参数选取后修改方程为:
式中,h(x,y)是边界检测器,定义为:
式中,ε为很小的一个正数,目的是确保边缘检测器小于1。为了简洁起见,省略了图像保真项,因为该值比较小在模型数学分析中影响可以忽略。
所提模型在图像区域内部,和|D2u|都比较小,边界检测函数就近似等于1,这时,四阶项起主要作用,抑制阶梯效应。在图像的边界处,和|D2u|都比较大,这时边界检测函数的值接近于0,模型的二阶项起主要作用,从而能保存图像的边缘。如图1a-图1c所示,比较了二阶模型、四阶模型和本申请所提模型对lena脸部区域图像的去噪效果:(a)为二阶模型去噪效果,图像的边缘得以保留但是出现了阶梯效应;(b)为四阶模型去噪效果,图像没有出现阶梯效应但是图像十分模糊;(c)为本申请模型去噪效果,结合了二阶和四阶的优点,既保留了图像的边缘信息又避免了阶梯效应。
弱解存在性分析:
为方程(12)添加初边值条件:
u(x,y,0)=u0(x,y)(x,y)∈Ω (14)
定义:若u∈L2(0,T;L2(Ω))∩BPV1∩BPV2∩W1,∞(0,T;[L2∩W2,1(Ω)]*) (16)
则称函数u是式(12)、(14)和(15)的弱解。并且满足:
其中,BPVk代表Banach空间,Banach空间中的常微分方程如下:
||z1,k||L∞(Ω×(0,T);R2)||≤1,||z2,k||L∞(Ω×(0,T);R2)||≤1 (19)
固定测试函数w,求式(17)与2(uk-w)的内积并对时间积分,得:
其中,
得知:
uk→u在L∞(0,T;L2(Ω))中弱*收敛,
z1,k→z1,在L∞(Ω×(0,T))中弱*收敛,
z2,k→z2,在L∞(Ω×(0,T))中弱*收敛
故,初值条件式(14)成立。
D2(Gσ*uk)=Gσ*D2uk→Gσ*D2u=D2(Gσ*u)在C([0,T];L∞(Ω))中强收敛
左右两边同时取极限即为式(17)。故测试函数v和w满足条件。
数值计算和实验结果
本申请采用有限差分法求偏微分方程定解问题的解析解,为了得到离散化数字图像,将时间[0,T]等间隔细分为tn=nΔt,Δt=T/L,n=0,...,L,其中L是一个正整数,假定原始离散图像u为m×m像素。
算子共轭由如下公式进行计算:
式中conj(·)是复共轭。
1)对输入的含噪图像进行二维离散傅里叶变换,将图像从空域转换到频域;
2)待处理图像已经是离散化数字图像,符合有限差分法的条件,所以采用有限差分法求解。分别计算每个离散化数字图像在某点沿x方向和y方向的一阶差分值以及二阶差分值,并根据计算的各阶差分值计算扩展图像的一阶梯度模值二阶梯度模值和混合高阶偏微分方程模型所用的边缘检测函数为
4)进行多次迭代直到结束,得到扩散图像的二维离散傅里叶变换图,即为去噪结果图像。
实验结果:
为了证明本申请所提混合高阶模型去噪和保持边缘的效果优势,用传统双边滤波和小波变换方法与偏微分方程方法:PM模型、YK模型、AFBD模型(式(3))、DC模型(式(6))、本申请模型(式(12))进行了去噪性能对比,使用三个评价标准对去噪后的图像进行了判定。其中信噪比(SNR)和峰值信噪比(PSNR)用来衡量图像去噪的客观指标,平均结构相似度(MSSIM)用来衡量图像去噪的视觉保真度。实验参数选取如下:Δt=1/16,K1=0.02,K2=0.02,μ=1/5,ε=10-6,高斯核为5×5。各模型中的参数选取与文献保持一致。
图2为Barbara图像加入不同噪声后,采用不同模型进行去噪得到的PSNR值变化曲线。
图3a-图3i、图4a-图4i以及图5a-图5i呈现了加入σ=25的噪声后,不同模型的去噪结果。图3a-图3i为lena通过不同模型去噪后局部放大的结果,以便更好观察细节信息。从图看出,双边滤波结果还是存在大量的噪声;小波全变分去噪过渡平滑丢失了边缘信息;PM模型能够很好的保留图像的边缘信息,但是图像会出现阶梯效应和斑点;YK模型消除了分块现象,图像更加自然,但是依旧存在孤立的斑点且理论上不适定;AFBD模型也能够很好的保留边缘,减小阶梯效应,但是还会出现轻微的阶梯效应;DC模型和本申请所提模型能够兼顾两个问题,Lena脸部没有出现阶梯效应和斑点,并且很好的保留了边缘信息。图4a-图4i为Cameraman通过不同模型去噪后局部放大的结果,PM模型和AFBD模型依然会使图像产生阶梯效应,而DC模型和本申请模型没有产生接替效应并将边界纹理很好的保留下来。图5a-图5i是Barbara的纹理图,同前者一致,本申请模型能够在去噪的同时将纹理信息保留。通过图像的视觉对比,可以看出本申请所提模型在去噪和保存纹理两方面的优势。
为更清晰地展现去噪效果对比,列出不同模型去噪的SNR、PSNR、MSSIM值结果,如表1所示。从表中数据可知本申请模型具有最高的SNR、PSNR和MSSIM值,较其他模型有很大的优越性。
综上,本申请提出了一种混合高阶偏微分方程模型,该模型将二阶项和四阶项进行结合,在区域内部四阶项起作用,平滑的同时抑制阶梯效应,在图像边缘处二阶项起作用,去噪的同时保护边缘信息不丢失。通过弱解存在性和数值计算验证了模型的有效性,并将其应用于图像去噪中,实验结果表明:本申请所述去噪模型得到的图像在主观效果和客观指标上均优于传统去噪模型,较未改进的高阶去噪模型,在评价指标:SNR、PSNR和MSSIM上分别提高了1.89%、1.31%、和1.49%。
Claims (3)
1.一种基于混合高阶偏微分方程模型的图像去噪方法,其特征在于包括如下步骤:
对输入的含噪图像u0进行二维离散傅里叶变换,将图像从空域转换到频域,使待处理图像变换为离散化数字图像;
采用有限差分法对离散化数字图像进行求解:分别计算每个离散化数字图像在某点沿x方向和y方向的一阶差分值以及二阶差分值,并根据计算的各阶差分值计算扩展图像的一阶梯度模值二阶梯度模值和混合高阶偏微分方程模型所用的边缘检测函数
根据混合高阶偏微分方程模型的边缘检测函数自适应检测扩展后图像的边缘;
计算混合高阶偏微分方程模型中的参数:
3.如权利要求1所述的基于混合高阶偏微分方程模型的图像去噪方法,其特征在于,所述混合高阶偏微分方程模型的边缘检测函数的构造方法如下:
模型的特殊形式是整数阶导数,相关的泛函问题是:
式中,u为图像灰度函数,表示u的梯度矢量模值即用来检测边缘:当图像存在边缘时,梯度值较大,在平滑部分,梯度值较小,对平滑区域有抑制作用;u0:Ω→R是采集到的含噪图像,是具有Lipschitz边界的有界域;λ是大于零的参数;
考虑最小化问题:
式(7)对应的欧拉-拉格朗日方程如下:
使用最速下降法,导出相关的热流,得到最小化问题:
提出混合高阶偏微分方程:
进行参数选取后修改方程为:
式中,h(x,y)是边界检测器,定义为:
式中,ε为很小的一个正数,目的是确保边缘检测器小于1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543346.1A CN111724318B (zh) | 2020-06-15 | 2020-06-15 | 基于混合高阶偏微分方程模型的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543346.1A CN111724318B (zh) | 2020-06-15 | 2020-06-15 | 基于混合高阶偏微分方程模型的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724318A true CN111724318A (zh) | 2020-09-29 |
CN111724318B CN111724318B (zh) | 2022-04-08 |
Family
ID=72566898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543346.1A Active CN111724318B (zh) | 2020-06-15 | 2020-06-15 | 基于混合高阶偏微分方程模型的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724318B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767272A (zh) * | 2021-01-20 | 2021-05-07 | 南京信息工程大学 | 一种权值自适应混合阶全变分图像去噪算法 |
CN113222834A (zh) * | 2021-04-22 | 2021-08-06 | 南京航空航天大学 | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247047A (zh) * | 2013-04-23 | 2013-08-14 | 重庆交通大学 | 一种基于分数阶偏微分的图像边缘检测方法 |
CN106127716A (zh) * | 2016-08-29 | 2016-11-16 | 重庆大学 | 基于数学形态的四阶偏微分方程图像去噪方法 |
US20170154413A1 (en) * | 2015-11-27 | 2017-06-01 | Toshiba Medical Systems Corporation | Dynamic image denoising using a sparse representation |
CN107067372A (zh) * | 2016-10-14 | 2017-08-18 | 南京信息工程大学 | 一种基于四阶偏微分方程的图像去噪方法 |
CN108596859A (zh) * | 2018-05-10 | 2018-09-28 | 南京邮电大学 | 一种基于高阶偏微分方程的图像去噪方法 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
-
2020
- 2020-06-15 CN CN202010543346.1A patent/CN111724318B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247047A (zh) * | 2013-04-23 | 2013-08-14 | 重庆交通大学 | 一种基于分数阶偏微分的图像边缘检测方法 |
US20170154413A1 (en) * | 2015-11-27 | 2017-06-01 | Toshiba Medical Systems Corporation | Dynamic image denoising using a sparse representation |
CN106127716A (zh) * | 2016-08-29 | 2016-11-16 | 重庆大学 | 基于数学形态的四阶偏微分方程图像去噪方法 |
CN107067372A (zh) * | 2016-10-14 | 2017-08-18 | 南京信息工程大学 | 一种基于四阶偏微分方程的图像去噪方法 |
CN108596859A (zh) * | 2018-05-10 | 2018-09-28 | 南京邮电大学 | 一种基于高阶偏微分方程的图像去噪方法 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
李睿: "基于45N度旋转梯度等模算子偏微分方程去噪模型", 《电脑编程技巧与维护》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767272A (zh) * | 2021-01-20 | 2021-05-07 | 南京信息工程大学 | 一种权值自适应混合阶全变分图像去噪算法 |
CN113222834A (zh) * | 2021-04-22 | 2021-08-06 | 南京航空航天大学 | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 |
CN113222834B (zh) * | 2021-04-22 | 2024-03-22 | 南京航空航天大学 | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111724318B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Implementation of high‐order variational models made easy for image processing | |
Yahya et al. | BM3D image denoising algorithm based on an adaptive filtering | |
Kollem et al. | Improved partial differential equation-based total variation approach to non-subsampled contourlet transform for medical image denoising | |
CN111724318B (zh) | 基于混合高阶偏微分方程模型的图像去噪方法 | |
Prasath et al. | A hybrid convex variational model for image restoration | |
Thanh et al. | An improved BPDF filter for high density salt and pepper denoising | |
Prasath et al. | Regularization parameter selection in image restoration with inverse gradient: Single scale or multiscale? | |
Diwakar et al. | CT image denoising based on complex wavelet transform using local adaptive thresholding and Bilateral filtering | |
Chen et al. | A convex nonlocal total variation regularization algorithm for multiplicative noise removal | |
US9721329B2 (en) | Image de-noising method | |
Ben Said et al. | Total variation for image denoising based on a novel smart edge detector: an application to medical images | |
Zhang et al. | MRI denoising by NeighShrink based on chi-square unbiased risk estimation | |
Liu et al. | A modified convex variational model for multiplicative noise removal | |
CN113763267A (zh) | 一种基于nsct图像融合的强散射环境下图像复原方法 | |
Jin et al. | An image denoising approach based on adaptive nonlocal total variation | |
Rameshan et al. | High dynamic range imaging under noisy observations | |
Xiao et al. | Image variational denoising using gradient fidelity on curvelet shrinkage | |
Kumar et al. | Enhancement of image sharpness with bilateral and adaptive filter | |
CN109191391B (zh) | 一种衰减参数自适应非局部均值的图像降噪方法 | |
Kumar et al. | Edge preservation based CT image denoising using wavelet and curvelet transforms | |
Panigrahi et al. | Joint bilateral filter for signal recovery from phase preserved curvelet coefficients for image denoising | |
Gupta et al. | Suppression of speckle noise in ultrasound images using bilateral filter | |
Nawaz et al. | Variational regularization for multi-channel image denoising | |
Xiao et al. | Comments on “staircase effect alleviation by coupling gradient fidelity term” | |
Deng | Mathematical approaches to digital color image denoising |
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 |
Effective date of registration: 20230524 Address after: Zone A, No. 28 Huayuan Road, Economic and Technological Development Zone, Langfang City, Hebei Province, 065000 Patentee after: LANGWEI XINSIWEI SCIENCE & TECHNOLOGY CO.,LTD. Address before: 050000 17 North East Ring Road, Shijiazhuang, Hebei Patentee before: SHIJIAZHUANG TIEDAO University |
|
TR01 | Transfer of patent right |