CN111951188A - 一种基于低秩分析的图像去噪方法 - Google Patents
一种基于低秩分析的图像去噪方法 Download PDFInfo
- Publication number
- CN111951188A CN111951188A CN202010807000.8A CN202010807000A CN111951188A CN 111951188 A CN111951188 A CN 111951188A CN 202010807000 A CN202010807000 A CN 202010807000A CN 111951188 A CN111951188 A CN 111951188A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- noise
- block set
- processed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及图像处理技术领域，具体公开了一种基于低秩分析的图像去噪方法，包括以下具体步骤：步骤S100：获取待处理图像；步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。本发明实施例提供的图像去噪方法能够有效的提高降噪图像的质量。
Description
技术领域
本发明实施例涉及图像处理技术领域，具体是一种基于低秩分析的图像去噪方法。
背景技术
视觉是人类最高级的感知器官，所以，毫无疑问图像在人类感知中扮演着最重要的角色。图像处理就是对图像信息进行加工处理，以满足人的视觉和实际应用的要求。噪声可以理解为妨碍人的视觉器官或系统传感器对所接收信源信息进行理解或分析的各种因素。而实际图像在采集、获取以及传输的过程中，往往要受到噪声的污染，成为影响视觉质量的含噪图像。图像中的噪声严重影响了后续的图像处理工作，如图像分割、编码、特征提取和目标检测等。为了提高图像的质量以及后续更高层次处理的需要，对图像进行去噪就成为图像预处理中一项非常重要的工作。图像去噪的目的就是从被噪声污染的含噪图像中恢复出原始的“干净”图像，即在滤除噪声的同时尽可能的保留重要的图像特征与细节。如何在去除不想要的噪声的同时保留蕴含图像丰富信息的边缘及几何结构等，是图像去噪的重点，因此，亟需设计一种基于低秩分析的图像去噪方法。
发明内容
本发明实施例的目的在于提供一种基于低秩分析的图像去噪方法，以解决上述背景技术中提出的问题。为实现上述目的，本发明实施例提供如下技术方案：
一种基于低秩分析的图像去噪方法，包括以下具体步骤：
步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
作为本发明实施例技术方案进一步的限定，所述获取噪声块集的步骤包括：获取待处理图像的平滑块集。
作为本发明实施例技术方案进一步的限定，所述获取噪声块集的步骤还包括：将所述平滑块集中的每一平滑块减去对应的均值，得到所述噪声块集。
作为本发明实施例技术方案进一步的限定，所述去噪网络模型的构建方法包括以下具体步骤：选取判别学习方法模型。
作为本发明实施例技术方案进一步的限定，所述去噪网络模型的构建方法还包括以下具体步骤：根据所述判别学习方法模型训练图像去噪网络至收敛，获取所述去噪网络模型。
作为本发明实施例技术方案进一步的限定，所述的图像去噪方法还包括以下具体步骤：对所述第二目标图像中的物体进行轮廓提取操作，并确定物体的面积。
作为本发明实施例技术方案进一步的限定，所述的图像去噪方法还包括以下具体步骤：对面积小于预设阈值的物体进行重复步骤S300的去噪处理，得到经过去噪处理后的第三目标图像，并将第三目标图像作为去噪完成的待处理图像。
与现有技术相比，本发明的有益效果是：该图像去噪方法能够对独立的噪点、较小的噪点进行去除，还能够对较大的噪点进行去除，提高了去噪效果，使得在后续进行图像处理时，能够采用去噪效果较好的图像进行处理，能够有效的提高降噪图像的质量，在真实图像降噪任务上取得了比较理想的效果，具有较高的恢复质量，适用于医学、军事、农业等多个领域。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例。
图1为本发明实施例提供的基于低秩分析的图像去噪方法的流程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
请参阅图1，在本发明提供的实施例中，一种基于低秩分析的图像去噪方法，包括以下具体步骤：步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
实施例2
请参阅图1，在本发明提供的实施例中，一种基于低秩分析的图像去噪方法，包括以下具体步骤：步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
进一步的，在本发明提供的实施例中，所述获取噪声块集的步骤包括：获取待处理图像的平滑块集；所述获取噪声块集的步骤还包括：将所述平滑块集中的每一平滑块减去对应的均值，得到所述噪声块集。
实施例3
请参阅图1，在本发明提供的实施例中，一种基于低秩分析的图像去噪方法，包括以下具体步骤：步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
进一步的，在本发明提供的实施例中，所述获取噪声块集的步骤包括：获取待处理图像的平滑块集；所述获取噪声块集的步骤还包括：将所述平滑块集中的每一平滑块减去对应的均值，得到所述噪声块集。
更进一步的，在本发明提供的实施例中，所述去噪网络模型的构建方法包括以下具体步骤：选取判别学习方法模型；所述去噪网络模型的构建方法还包括以下具体步骤：根据所述判别学习方法模型训练图像去噪网络至收敛，获取所述去噪网络模型。
实施例4
请参阅图1，在本发明提供的实施例中，一种基于低秩分析的图像去噪方法，包括以下具体步骤：步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
进一步的，在本发明提供的实施例中，所述获取噪声块集的步骤包括：获取待处理图像的平滑块集；所述获取噪声块集的步骤还包括：将所述平滑块集中的每一平滑块减去对应的均值，得到所述噪声块集。
更进一步的，在本发明提供的实施例中，所述去噪网络模型的构建方法包括以下具体步骤：选取判别学习方法模型；所述去噪网络模型的构建方法还包括以下具体步骤：根据所述判别学习方法模型训练图像去噪网络至收敛，获取所述去噪网络模型。
更进一步的，在本发明提供的实施例中，所述的图像去噪方法还包括以下具体步骤：对所述第二目标图像中的物体进行轮廓提取操作，并确定物体的面积；所述的图像去噪方法还包括以下具体步骤：对面积小于预设阈值的物体进行重复步骤S300的去噪处理，得到经过去噪处理后的第三目标图像，并将第三目标图像作为去噪完成的待处理图像。
综上所述，在本发明实施例提供的图像去噪方法能够对独立的噪点、较小的噪点进行去除，还能够对较大的噪点进行去除，提高了去噪效果，使得在后续进行图像处理时，能够采用去噪效果较好的图像进行处理，能够有效的提高降噪图像的质量，在真实图像降噪任务上取得了比较理想的效果，具有较高的恢复质量，适用于医学、军事、农业等多个领域。
在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于低秩分析的图像去噪方法，其特征在于，包括以下具体步骤：
步骤S100：获取待处理图像；
步骤S200：构建待处理图像的噪声块集，获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构建去噪网络模型；将待处理图像输入到所述去噪网络模型，进行第一去噪处理，并获取去噪后的第一目标图像；
步骤S300：建立所述第一目标图像的去噪模型，进行块匹配操作，对每一个局部块去寻找其相似块并形成数据矩阵；对每一个形成的数据矩阵进行低秩近似，得到去噪后的图像数据矩阵；聚合所有低秩图像数据矩阵，得到去噪后的第二目标图像。
2.根据权利要求1所述的基于低秩分析的图像去噪方法，其特征在于，所述获取噪声块集的步骤包括：获取待处理图像的平滑块集。
3.根据权利要求2所述的基于低秩分析的图像去噪方法，其特征在于，所述获取噪声块集的步骤还包括：将所述平滑块集中的每一平滑块减去对应的均值，得到所述噪声块集。
4.根据权利要求1-3任一所述的基于低秩分析的图像去噪方法，其特征在于，所述去噪网络模型的构建方法包括以下具体步骤：选取判别学习方法模型。
5.根据权利要求4所述的基于低秩分析的图像去噪方法，其特征在于，所述去噪网络模型的构建方法还包括以下具体步骤：根据所述判别学习方法模型训练图像去噪网络至收敛，获取所述去噪网络模型。
6.根据权利要求5所述的基于低秩分析的图像去噪方法，其特征在于，所述的图像去噪方法还包括以下具体步骤：对所述第二目标图像中的物体进行轮廓提取操作，并确定物体的面积。
7.根据权利要求6所述的基于低秩分析的图像去噪方法，其特征在于，所述的图像去噪方法还包括以下具体步骤：对面积小于预设阈值的物体进行重复步骤S300的去噪处理，得到经过去噪处理后的第三目标图像，并将第三目标图像作为去噪完成的待处理图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807000.8A CN111951188A (zh) | 2020-08-12 | 2020-08-12 | 一种基于低秩分析的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807000.8A CN111951188A (zh) | 2020-08-12 | 2020-08-12 | 一种基于低秩分析的图像去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111951188A true CN111951188A (zh) | 2020-11-17 |
Family
ID=73332304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010807000.8A Pending CN111951188A (zh) | 2020-08-12 | 2020-08-12 | 一种基于低秩分析的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951188A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
| CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
| CN107274360A (zh) * | 2017-05-24 | 2017-10-20 | 南京师范大学 | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 |
| CN108198154A (zh) * | 2018-03-19 | 2018-06-22 | 中山大学 | 图像去噪方法、装置、设备及存储介质 |
| CN110060219A (zh) * | 2019-04-24 | 2019-07-26 | 北京理工大学 | 一种基于低秩近似的真实图降噪方法 |
| CN111445402A (zh) * | 2020-03-20 | 2020-07-24 | 上海中通吉网络技术有限公司 | 一种图像去噪方法及装置 |
-
2020
- 2020-08-12 CN CN202010807000.8A patent/CN111951188A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
| CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
| CN107274360A (zh) * | 2017-05-24 | 2017-10-20 | 南京师范大学 | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 |
| CN108198154A (zh) * | 2018-03-19 | 2018-06-22 | 中山大学 | 图像去噪方法、装置、设备及存储介质 |
| CN110060219A (zh) * | 2019-04-24 | 2019-07-26 | 北京理工大学 | 一种基于低秩近似的真实图降噪方法 |
| CN111445402A (zh) * | 2020-03-20 | 2020-07-24 | 上海中通吉网络技术有限公司 | 一种图像去噪方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| SHAOBO XIA 等: "Uncertainty Quantification for Hyperspectral Image Denoising Frameworks based on Low-rank Matrix Approximation", 《ARXIV》 * |
| 赵杰 等: "基于非局部相似和低秩矩阵逼近的SAR图像去噪", 《计算机科学》 * |
| 黄志强: "基于低秩表达的图像去噪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
| Zhang et al. | Adaptive residual networks for high-quality image restoration | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
| CN108510499B (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
| CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
| CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
| CN103049892A (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN110782413B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN111127387B (zh) | 无参考图像的质量的评价方法 | |
| CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
| CN111127354A (zh) | 一种基于多尺度字典学习的单图像去雨方法 | |
| CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
| Li et al. | A salt & pepper noise filter based on local and global image information | |
| CN104751426A (zh) | 基于三维块匹配变换去除高密度脉冲噪声的方法 | |
| CN116524269A (zh) | 一种视觉识别检测系统 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
| CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 | |
| CN112991326A (zh) | 一种清洗质量评价方法 | |
| CN111951188A (zh) | 一种基于低秩分析的图像去噪方法 | |
| Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
| Zain et al. | Hybrid singular value decomposition based alpha trimmed mean-median filter in eliminating high density salt and pepper noise from grayscale image |
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: 20201117 |
|
| RJ01 | Rejection of invention patent application after publication |