CN111784610A - 一种基于聚类的边窗滤波器优化方法 - Google Patents

一种基于聚类的边窗滤波器优化方法 Download PDF

Info

Publication number
CN111784610A
CN111784610A CN202010633602.6A CN202010633602A CN111784610A CN 111784610 A CN111784610 A CN 111784610A CN 202010633602 A CN202010633602 A CN 202010633602A CN 111784610 A CN111784610 A CN 111784610A
Authority
CN
China
Prior art keywords
pixel
image
side window
pixel point
filter
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.)
Pending
Application number
CN202010633602.6A
Other languages
English (en)
Inventor
罗雷
刘平
何全
刘行谋
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010633602.6A priority Critical patent/CN111784610A/zh
Publication of CN111784610A publication Critical patent/CN111784610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/10—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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

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

Abstract

本发明涉及一种基于聚类的边窗滤波器优化方法，属于图像处理及计算机视觉领域。该方法是仅对边缘一侧的像素点进行滤波，首先采用聚类算法将图像划分成若干相近的区域，从而使得边缘两侧的像素点被划分到不同的聚类中；每一个聚类分配一个唯一的标识，同一聚类中的像素共享这一标识；在每一个边窗中，与待滤波像素拥有相同标识的像素点才被用于滤波。本发明方法相比于传统边窗滤波器可以进一步提升边缘保持特性；而且本发明方法计算复杂度较低，可以达到实际应用。

Description

一种基于聚类的边窗滤波器优化方法
技术领域
本发明属于图像处理及计算机视觉领域，涉及一种基于聚类的图像边窗滤波器优化方法。
背景技术
图像滤波是数字图像处理及计算机视觉领域最为基础的操作，在诸多的应用处理中被采用，如图像去噪、图像去模糊、图像增强、特征提取等。在过去几十年中研究人员提出了许多的图像滤波器，最为常用的有均值滤波器(Box Filter)、高斯滤波器(GaussianFilter)、中值滤波器(Median Filter)等。
图像滤波器的关键在于保持边缘的同时去除噪声。基于这一目标，许多全局优化方法和局部优化方法被相继提出。全局优化算法的思路是将每一个像素的滤波建模为一个全局的优化问题，因此非常耗时。而局部优化算法则主要利用领域像素实现滤波优化，因此可以实时处理。当前最为经典的局部优化滤波方法包括双边滤波器(Bilateral Filter)、导向滤波器(Guided Filter)及它们的扩展。
一般地，局部滤波器通过一个滤波窗中德邻域像素点估计当前像素点的滤波值。滤波函数(除中值滤波器)一般都是滤波窗的加权平均函数：
Figure BDA0002566862670000011
其中，Fi p为像素i的滤波值，Ωi为以像素i为中心的滤波窗，
Figure BDA0002566862670000012
为权重核，pj为输入图像像素值。例如，均值滤波器的权重核是均匀的，高斯滤波器的权重值随着与滤波窗中心的距离以高斯函数递减。这些简单的权重核是与图像内容无关的，或者仅仅与像素位置相关。这些权重核均是基于图像的缓慢空间变化特性，但是这一特性在图像边缘处失效从而导致滤波造成边缘模糊。
为了保持边缘细节，滤波器在设计权重核时需要考虑图像的内容特性。双边滤波器设计了一种与像素值相关的权重用于保持边缘细节，该权重反映了滤波窗中输入像素值与被滤波像素之间的像素值差异。导向滤波器则通过考虑导向图像的内容从而生成权重核，而该权重核可以区分边缘和平坦区域。双边滤波器和导向滤波器实现了一定程度的边缘保持。但是有一个基本的核心问题依然没有被考虑到。如图1所示，只要被滤波的像素点出于滤波窗的中心，滤波操作则会跨越边缘。
为了解决以上问题，本领域研究人员最近提出了一种边窗滤波器(Side WindowFilter，SWF)。与传统的滤波器将被滤波的像素点放置在滤波窗的中心不同，边窗滤波器将被滤波的像素点与滤波窗的边或角点对齐。边窗滤波器设计了八个边窗，分别为左(L)、右(R)、上(U)、下(D)、左上(NW)、右上(NE)、左下(SW)、右下(SE)。其次，传统的滤波器被应用到每一个边窗。最后，与原始输入像素值之间的L2范数最小的边窗输出作为该像素点的滤波值。不可否认地是，边窗滤波器显著地改善了滤波的边缘保持能力，但是滤波跨越边界的情况依然无法避免。
基于上述分析可知，SWF通过将被滤波像素与滤波窗的边或角点对齐实现了边缘细节保持能力的改善。根据SWF的实现方法来看，它对于理想的垂直和水平边缘的处理是精确的，但是实际图像的边缘常常是不规则的。为了克服SWF的这一缺点，本发明提出一种基于聚类的边窗滤波器优化方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于聚类的边窗滤波器优化方法，解决传统边窗滤波器面临滤波跨越边界时导致的边缘模糊失真问题，改善滤波操作中的边缘保持特性。
为达到上述目的，本发明提供如下技术方案：
一种基于聚类的边窗滤波器优化方法，具体包括以下步骤：
S1：将一副图像从RGB颜色空间转换到YCbCr颜色空间；
S2：根据滤波核尺寸和图像像素点数确定聚类的初始中心点；
S3：对图像中每一个像素点进行迭代聚类算法，将整幅图像聚类成若干个超像素区域；
S4：初始化一个大小为N的0向量为标识向量m，其中N为图像总的像素点数；
S5：对于图像的每一个像素点pi，如果pi属于第k个超像素区域，则将mi赋值为k；
S6：根据像素点pi的邻域像素点的标识向量确定权重；
S7：根据步骤S6确定的权重对边窗集合中的每个边窗进行滤波，得到像素点pi的滤波像素值；
S8：重复步骤S6～S7，得到滤波后的图像。
进一步，所述步骤S2具体包括：给定滤波核尺寸大小S，图像总的像素点数为N，在图像中水平和垂直方向均匀间隔S个像素点取出
Figure BDA0002566862670000021
个像素点作为聚类的初始中心点Ci＝[Li,xi,yi]T，其中(xi,yi)为像素的坐标，Li为像素点在YCbCr颜色空间亮度分量的像素值。
进一步，所述步骤S3具体为：对图像中每一个像素点进行迭代k-mean聚类算法。
进一步，所述步骤S3具体包括：每次迭代将图像的每一个像素划归到离它最近的聚类中心，在每一个聚类中心周围2S×2S的区域内进行k-mean聚类，其中两个像素之间的距离测度D定义为：
Figure BDA0002566862670000031
其中，h为控制颜色相似度和空间距离相对重要性的参数；每次迭代将聚类中心更新为所有属于该聚类中心的所有像素点向量的平均值[Li,xi,yi]T，直到两次迭代得到的聚类中心收敛为止。
进一步，所述步骤S6具体包括以下步骤：
S61：在输入图像qi上获取像素点pi；
S62：获取邻域像素点的标识向量ni；
S63：获取当前像素点的标识mi；
S64：如果mi不等于
Figure BDA0002566862670000032
则将权重
Figure BDA0002566862670000033
置为0，其中j表示第j个领域像素点。
进一步，所述步骤S7具体包括以下步骤：
S71：对于边窗集合中的每一个边窗g，进行如下滤波操作：
Figure BDA0002566862670000034
S72：得到像素点pi的滤波像素值为：
Figure BDA0002566862670000035
其中，G表示边窗集合。
进一步，在滤波过程中只使用不跨越边缘的像素。
本发明的有益效果在于：本发明提出的基于聚类的边窗滤波器优化方法相比于传统的边窗滤波器，提升了滤波操作中的边缘保持特性。此外，本发明的优化方法计算复杂度较低，可以达到实际应用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为传统滤波器的滤波窗及滤波缺陷；
图2为本发明方法的流程图；
图3为本发明与传统滤波器的图像平滑对比结果；
图4为本发明与传统滤波器的图像去噪对比结果；
图5为本发明与传统滤波器的图像增强对比结果。
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。需要说明的是，以下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，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图2～图5，图2所示的为一种基于聚类的边窗滤波器优化方法，在滤波过程中仅仅利用边缘一侧的像素点进行滤波。首先采用聚类算法将图像划分成若干相近的区域，从而使得边缘两侧的像素点被划分到不同的聚类中；每一个聚类分配一个唯一的标识，同一聚类中的像素共享这一标识。在每一个边窗中，与待滤波像素拥有相同标识的像素点才被用于滤波。该方法具体包括以下步骤：
步骤1：将一副图像从RGB颜色空间转换到YCbCr颜色空间。
步骤2：给定滤波核尺寸大小S，图像总的像素点数为N，在图像中水平和垂直方向均匀间隔S个像素点取出
Figure BDA0002566862670000041
个像素点作为聚类的初始中心点Ci＝[Li,xi,yi]T，其中(xi,yi)为像素的坐标，Li为像素点在YCbCr颜色空间亮度分量的像素值。
步骤3：对图像中每一个像素点进行迭代k-mean聚类算法，具体为：每次迭代将图像的每一个像素划归到离它最近的聚类中心，在每一个聚类中心周围2S×2S的区域内进行k-mean聚类，其中两个像素之间的距离测度D定义为：
Figure BDA0002566862670000051
其中，h为控制颜色相似度和空间距离相对重要性的参数；每次迭代将聚类中心更新为所有属于该聚类中心的所有像素点向量的平均值[Li,xi,yi]T，直到两次迭代得到的聚类中心收敛为止。
步骤4：经过步骤3之后，整幅图像被聚类成若干个超像素区域，初始化一个大小为N的0向量为标识向量m；
步骤5：对于图像的每一个像素点pi，如果pi属于第k个超像素区域，则将mi赋值为k；
步骤6：对于图像的每一个像素点pi，重复如下操作：
步骤6-1：获取邻域像素点qi；
步骤6-2：获取邻域像素点的标识向量ni；
步骤6-3：获取当前像素点的标识mi；
步骤6-4：如果mi不等于
Figure BDA0002566862670000052
则将权重
Figure BDA0002566862670000053
置为0，其中j表示第j个领域像素点。
步骤6-5：对于边窗集合{L；R；U；D；NW；NE；SW；SE}中的每一个边窗g，进行如下滤波操作：
Figure BDA0002566862670000054
步骤6-6：最终的滤波像素值由如下式取得：
Figure BDA0002566862670000055
其中，G表示边窗集合。
下面结合实例来详细阐述本发明的基于聚类的图像边窗滤波器优化方法的具体实施方式及效果，并与典型的滤波算法以及边窗滤波算法进行对比。
本实施例采用三个图像处理的应用来说明，如图3～图5，分别是图像平滑、图像去噪及图像增强。其中，需要指出的是，所有实施例中式(1)中m的取值均为10，采用通用的图像质量评价指标PSNR和SSIM对滤波图像的结果进行质量对比，采用通用测试图像进行测试，符号简记如下表1所示：
表1各种滤波器符号简记表
BOX 均值滤波器
GAU 高斯滤波器
MED 中值滤波器
BIL 双边滤波器
GUI 导向滤波器
S-BOX 边窗均值滤波器
S-GAU 边窗高斯滤波器
S-MED 边窗中值滤波器
S-BIL 边窗双边滤波器
S-GUI 边窗导向滤波器
SP-BOX 本发明优化的边窗均值滤波器
SP-GAU 本发明优化的边窗高斯滤波器
SP-MED 本发明优化的边窗中值滤波器
SP-BIL 本发明优化的边窗双边滤波器
SP-GUI 本发明优化的边窗导向滤波器
图像平滑：设定滤波尺寸大小S为15，高斯滤波器参数为σ＝4，双边滤波器参数σr＝0.15，导向滤波器参数ε＝0.04，滤波次数为5次，根据前述发明内容的步骤实行，各种滤波器的对比结果如图3所示。可以看出，本发明提出的方法在边窗滤波器的基础上进一部提高了边缘细节的保护能力，即是说保护边缘不被平滑模糊掉，此外PSNR和SSIM指标也表明本发明的方法优于传统滤波器及边窗滤波器。
图像去噪：设定滤波尺寸大小S为15，高斯滤波器参数为σ＝4，双边滤波器参数σr＝0.01，导向滤波器参数ε＝0.01，滤波次数为5次，根据前述发明内容的步骤实行，各种滤波器的对比结果如图4所示。可以看出，本发明提出的方法在图像去噪任务中也实现了最优的边缘保持特性，同时PSNR和SSIM指标也表明本发明的方法优于传统滤波器及边窗滤波器。
图像增强：设定滤波尺寸大小S为15，高斯滤波器参数为σ＝4，双边滤波器参数σr＝0.3，导向滤波器参数ε＝0.1，滤波次数为5次，增强图像为Enh＝q+α×(q-I′)，其中α＝5，q为原始图像，I′为滤波图像。根据前述发明内容的步骤实行，各种滤波器的对比结果如图5所示。可以看出，本发明提出的方法在图像增强任务中也实现了最优的边缘保持特性，边窗滤波器在边缘附近呈现出一些噪声，而本发明所提出的方法则保持了干净的边缘，同时PSNR和SSIM指标也表明本发明的方法优于传统滤波器及边窗滤波器。
此外，本发明的方法与传统滤波器方法及边窗滤波器的计算时间对比如下表2所示。
表2各种滤波器的计算时间对比表
方法 BOX GAU MED BIL GUI
SWF 0.0121 0.0121 0.0519 0.0366 0.0850
本发明方法 0.0156 0.0158 0.0378 0.0399 0.1252
比率 1.30 1.30 0.72 1.09 1.47
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于聚类的边窗滤波器优化方法，其特征在于，该方法具体包括以下步骤：
S1：将一副图像从RGB颜色空间转换到YCbCr颜色空间；
S2：根据滤波核尺寸和图像像素点数确定聚类的初始中心点；
S3：对图像中每一个像素点进行迭代聚类算法，将整幅图像聚类成若干个超像素区域；
S4：初始化一个大小为N的0向量为标识向量m，其中N为图像总的像素点数；
S5：对于图像的每一个像素点pi，如果pi属于第k个超像素区域，则将mi赋值为k；
S6：根据像素点pi的邻域像素点的标识向量确定权重；
S7：根据步骤S6确定的权重对边窗集合中的每个边窗进行滤波，得到像素点pi的滤波像素值；
S8：重复步骤S6～S7，得到滤波后的图像。
2.根据权利要求1所述的边窗滤波器优化方法，其特征在于，所述步骤S2具体包括：给定滤波核尺寸大小S，图像总的像素点数为N，在图像中水平和垂直方向均匀间隔S个像素点取出
Figure FDA0002566862660000011
个像素点作为聚类的初始中心点Ci＝[Li,xi,yi]T，其中(xi,yi)为像素的坐标，Li为像素点在YCbCr颜色空间亮度分量的像素值。
3.根据权利要求2所述的边窗滤波器优化方法，其特征在于，所述步骤S3具体为：对图像中每一个像素点进行迭代k-mean聚类算法。
4.根据权利要求3所述的边窗滤波器优化方法，其特征在于，所述步骤S3具体包括：每次迭代将图像的每一个像素划归到离它最近的聚类中心，在每一个聚类中心周围2S×2S的区域内进行k-mean聚类，其中两个像素之间的距离测度D定义为：
Figure FDA0002566862660000012
其中，h为控制颜色相似度和空间距离相对重要性的参数；每次迭代将聚类中心更新为所有属于该聚类中心的所有像素点向量的平均值[Li,xi,yi]T，直到两次迭代得到的聚类中心收敛为止。
5.根据权利要求4所述的边窗滤波器优化方法，其特征在于，所述步骤S6具体包括以下步骤：
S61：在输入图像qi上获取像素点pi；
S62：获取邻域像素点的标识向量ni；
S63：获取当前像素点的标识mi；
S64：如果mi不等于
Figure FDA0002566862660000021
则将权重
Figure FDA0002566862660000022
置为0，其中j表示第j个领域像素点。
6.根据权利要求5所述的边窗滤波器优化方法，其特征在于，所述步骤S7具体包括以下步骤：
S71：对于边窗集合中的每一个边窗g，进行如下滤波操作：
Figure FDA0002566862660000023
S72：得到像素点pi的滤波像素值为：
Figure FDA0002566862660000024
其中，G表示边窗集合。
7.根据权利要求1～6中任意一项所述的边窗滤波器优化方法，其特征在于，在滤波过程中只使用不跨越边缘的像素。
CN202010633602.6A 2020-07-02 2020-07-02 一种基于聚类的边窗滤波器优化方法 Pending CN111784610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633602.6A CN111784610A (zh) 2020-07-02 2020-07-02 一种基于聚类的边窗滤波器优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633602.6A CN111784610A (zh) 2020-07-02 2020-07-02 一种基于聚类的边窗滤波器优化方法

Publications (1)

Publication Number Publication Date
CN111784610A true CN111784610A (zh) 2020-10-16

Family

ID=72758481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633602.6A Pending CN111784610A (zh) 2020-07-02 2020-07-02 一种基于聚类的边窗滤波器优化方法

Country Status (1)

Country Link
CN (1) CN111784610A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258424A (zh) * 2020-11-18 2021-01-22 西安邮电大学 各向异性高斯边窗核约束的图像引导滤波方法
CN112419981A (zh) * 2020-12-01 2021-02-26 重庆邮电大学 一种amoled像素驱动电路及驱动方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765440A (zh) * 2018-05-31 2018-11-06 大连海事大学 一种单极化sar图像的线引导超像素海岸线提取方法
CN110796250A (zh) * 2019-10-11 2020-02-14 浪潮电子信息产业股份有限公司 应用于卷积神经网络的卷积处理方法、系统及相关组件

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765440A (zh) * 2018-05-31 2018-11-06 大连海事大学 一种单极化sar图像的线引导超像素海岸线提取方法
CN110796250A (zh) * 2019-10-11 2020-02-14 浪潮电子信息产业股份有限公司 应用于卷积神经网络的卷积处理方法、系统及相关组件

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258424A (zh) * 2020-11-18 2021-01-22 西安邮电大学 各向异性高斯边窗核约束的图像引导滤波方法
CN112419981A (zh) * 2020-12-01 2021-02-26 重庆邮电大学 一种amoled像素驱动电路及驱动方法

Similar Documents

Publication Publication Date Title
CN107527332B (zh) 基于改进Retinex的低照度图像色彩保持增强方法
CN108921800B (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
Harwood et al. A new class of edge-preserving smoothing filters
CN107292842B (zh) 基于先验约束和离群值抑制的图像去模糊方法
CN108765325A (zh) 一种小型无人机模糊图像复原方法
CN109377450B (zh) 一种边缘保护的去噪方法
CN109003233B (zh) 一种基于自适应权重全变分模型的图像去噪方法
CN116823686B (zh) 一种基于图像增强的夜间红外与可见光图像融合方法
CN106920222A (zh) 一种图像平滑方法及装置
CN111784610A (zh) 一种基于聚类的边窗滤波器优化方法
CN104881847A (zh) 一种基于小波分析和伪彩色处理的比赛视频图像增强方法
CN114820352A (zh) 一种高光谱图像去噪方法、装置及存储介质
CN114359076A (zh) 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法
CN104616259B (zh) 一种噪声强度自适应的非局部均值图像去噪方法
CN109635809B (zh) 一种面向视觉退化图像的超像素分割方法
CN115937019A (zh) 一种lsd二次分割和深度学习相结合的不均匀去雾方法
CN114708165A (zh) 一种联合超像素的边缘感知纹理滤波方法
CN111563866A (zh) 一种多源遥感图像融合方法
CN114037618B (zh) 基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质
CN104952071A (zh) 一种基于灰度空间相关的最大类间方差图像分割算法
CN104766287A (zh) 一种基于显著性检测的模糊图像盲复原方法
CN111932472B (zh) 一种基于软聚类的图像保边滤波方法
Trinh et al. Medical image denoising using kernel ridge regression
CN115965552B (zh) 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN110378354B (zh) 一种基于组织滤波算法的提花织物图片颜色提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication