CN112288643A - 图像去噪方法及系统 - Google Patents

图像去噪方法及系统 Download PDF

Info

Publication number
CN112288643A
CN112288643A CN202011013418.8A CN202011013418A CN112288643A CN 112288643 A CN112288643 A CN 112288643A CN 202011013418 A CN202011013418 A CN 202011013418A CN 112288643 A CN112288643 A CN 112288643A
Authority
CN
China
Prior art keywords
image
pixel point
processed
neighborhood
denoising
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
CN202011013418.8A
Other languages
English (en)
Inventor
毛井
陈小丽
高雅
刘松林
余冬宏
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.)
Hubei University
Original Assignee
Hubei University
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 Hubei University filed Critical Hubei University
Priority to CN202011013418.8A priority Critical patent/CN112288643A/zh
Publication of CN112288643A publication Critical patent/CN112288643A/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
    • G06T5/70—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
    • G06T2207/20172—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)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明涉及一种图像去噪方法及系统，属于图像处理技术领域，本发明的系统包括：第一去噪模块，利用全变分图像去噪算法(TV算法)预处理图像的椒盐及部分高斯混合噪声；第二去噪模块，利用基于非局部均值的NL‑Means算法再次去除图像中的高斯噪声。本发明相对于传统的滤波方法，两个去噪模块的结合将呈现出更好的去噪效果及有利于保护图像的细节；并且其处理的力度不同，更具有分类处理的特点，滤波效果更佳。

Description

图像去噪方法及系统
技术领域
本发明涉及图像处理方法领域，具体涉及一种图像去噪方法及系统。
背景技术
日常生活中，人们使用和传输的图像往往会受到外界的干扰而产生噪 声，使原本的图像质量下降变成带有噪声的图像。图像噪声包含的种类有很 多，最常见的是椒盐噪声和高斯噪声。往往图像会受到这两种噪声的干扰， 变成带有椒盐噪声、高斯噪声或是二者混合噪声的图像，这种带有噪声图像 的图像会影响人们对于图像的识别和使用。所以，在数字图像的处理中，过 滤噪声、改善图像的细节，对于提升图像的识别度和使用度有着重要的意义。
对于椒盐噪声和高斯噪声两种噪声，前人提出了很多处理方式。对于处 理椒盐噪声，比较具有代表性的方式有中值滤波法，即采用像素点邻域的灰 度值中值代替该像素点的灰度值，优点是方便快捷简单高效，缺点是需要对 每个像素点进行处理，会影响原本正常灰度值的像素点，容易丢失细节。对 于高斯噪声，比较有代表性的处理方式是取均值降方差，即对多幅图像进行 均值处理，使得图像噪声的方差变为原来的1/N，这种处理方式影响了后来 很多的高斯噪声处理方法，但其本身处理效果一般，不能很好地除去大面积 高斯噪声。
发明内容
本发明的目的是针对上述问题提供一种不仅能去除噪声，而且同时能更 好的还原图像本身细节特点的图像去噪方法及系统。
本发明解决上述技术问题的技术方案如下：
图像去噪方法，包括以下步骤：
步骤1、输入待处理图像，对待处理图像进行预处理，得到预处理图像；
步骤2、利用全变分图像去噪算法将预处理图像去噪转化成一个求能量 函数的最小化问题模型，使得图像达到平滑状态，引入各向异性扩散方程用 于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平滑噪声的同时使 图像边缘得到保持，得到第一处理图像；
步骤3、利用非局部平均的NL-Means算法对第一处理图像进行第二次处 理，寻找第一处理图像中每个待处理像素点邻域附近相似度接近的邻域，并 计算相似度接近的邻域中心像素点的权重，计算出各个权重值与对应像素点 灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度值，完成对待处 理像素点的处理，对第一处理图像中每个像素点进行处理，最后得到去噪完 成的图像。
进一步的，所述步骤2中具体包括以下步骤：
步骤2.1、利用输入的待处理噪声图片的具体参数，建立全变分去噪模 型：
Figure BDA0002698276370000021
其中，f为待处理去噪图像，Ω为图像的定义域，(x，y)为定义域Ω内 的像素点坐标；
此模型同时需满足约束条件：
Figure BDA0002698276370000022
其中，f0为原始不含噪声图像；
步骤2.2、步骤2.1中的minTV(f)最小化模型可等价为，
Figure BDA0002698276370000023
其中，第1项为数据保真项，第2项为正则化项，参数λ为规整参数；
由上式导出的欧拉一拉格朗日方程为：
Figure BDA0002698276370000031
步骤2.3、在步骤2.2的基础上使用最陡下降法实现TV去噪，其扩散项 为：
Figure BDA0002698276370000032
用差商代替偏导数，可得离散迭代格式为：
Figure BDA0002698276370000033
其中fi,j表示图像f在像素点xi＝iH,yj＝jH的灰度值，Δt为时间步长， H为空间步长，p为迭代次数，迭代p次后，得到第一处理图像。
进一步的，所述步骤3中的非局部平均的NL-Means算法包括以下步骤：
步骤3.1、在第一处理图像中选择像素点x，将第一处理图像进行大小 分块处理，小块为以像素点X为中心的(2n+1)×(2n+1)邻域，大块为以像素点 X为中心的(2N+1)×(2N+1)邻域，N＞n,即大邻域涵盖前面小块邻域 (2n+1)×(2n+1)的范围；
步骤3.2、在大块邻域中选取以像素点Y为中心的(2n+1)×(2n+1)的邻域 V(Y)，V(Y)不能包括像素点X，且V(Y)在大块邻域范围内，判别像素点X的 (2n+1)×(2n+1)邻域V(X)与V(Y)的相似度：
Figure BDA0002698276370000034
其中，ω(X,Y)为相似度，Z(X)为归一化系数，h为平滑参数，V(X)和 V(Y)分别代表以X像素点和以Y像素点为中心的(2n+1)×(2n+1)矩形邻域， ||V(X)-V(Y)||2为X,Y两个邻域的高斯加权欧式距离；求取的结果ω(X,Y)作为 像素点Y的权重取值；
步骤3.3、对大块邻域中每个符合要求的像素点Y计算权重取值，将每 个已计算权重的像素点Y的灰度值与其对应的权重取值相乘，得到每个像素 点Y对应的灰度值权重，然后对大块邻域中所有每个符合要求的像素点Y的 灰度值权重进行求和，得到替换灰度值，将像素点X的灰度值用替换灰度值 进行替换；
步骤3.4、对图像中的所有像素点进行上述步骤3.1-3.3的处理，直到对 所有像素点处理完成，得到处理完成的图像。
图像去噪系统，包括预处理模块、第一处理模块和第二处理模块，所述 预处理模块用于对待处理的该图像进行预处理，得到预处理图像；
所述第一处理模块用于利用全变分图像去噪算法将预处理图像去噪转 化成一个求能量函数的最小化问题模型，使得图像达到平滑状态，引入各向 异性扩散方程用于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平 滑噪声的同时使图像边缘得到保持，得到第一处理图像；
所述第二处理模块用于利用非局部平均的NL-Means算法对第一处理图像 进行第二次处理，寻找第一处理图像中每个待处理像素点邻域附近相似度接 近的邻域，并计算相似度接近的邻域中心像素点的权重，计算出各个权重值 与对应像素点灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度 值，完成对待处理像素点的处理，对第一处理图像中每个像素点进行处理， 最后得到去噪完成的图像。
本发明的有益效果为：1)相对于传统的图像去噪处理方法，本发明去噪 的效果更好，能够更好的还原图像本身的特点和细节；2)先对图像噪声进行 预处理，对进一步的去噪处理更有帮助，预处理覆盖性广，使进一步的去噪 更具有针对性，最后得到的去噪效果更好。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的系统示意图；
图3为本发明的方法与常用去噪方法对加入混合高斯噪声和椒盐噪声进 行去噪处理后的结果对比图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本 发明，并非用于限定本发明的范围。
图像去噪方法，包括以下步骤：
步骤1、输入待处理图像，对待处理图像进行预处理，得到预处理图像；
步骤2、利用全变分图像去噪算法将预处理图像去噪转化成一个求能量 函数的最小化问题模型，使得图像达到平滑状态，引入各向异性扩散方程用 于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平滑噪声的同时使 图像边缘得到保持，得到第一处理图像；
步骤3、利用非局部平均的NL-Means算法对第一处理图像进行第二次处 理，寻找第一处理图像中每个待处理像素点邻域附近相似度接近的邻域，并 计算相似度接近的邻域中心像素点的权重，计算出各个权重值与对应像素点 灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度值，完成对待处 理像素点的处理，对第一处理图像中每个像素点进行处理，最后得到去噪完 成的图像。
作为一种实施方式，所述步骤2中具体包括以下步骤：
步骤2.1、利用输入的待处理噪声图片的具体参数，建立全变分去噪模 型：
Figure BDA0002698276370000051
其中，f为待处理去噪图像，Ω为图像的定义域，(x，y)为定义域Ω内 的像素点坐标；
此模型同时需满足约束条件：
Figure BDA0002698276370000052
其中，f0为原始不含噪声图像；
步骤2.2、步骤2.1中的minTV(f)最小化模型可等价为，
Figure BDA0002698276370000061
其中，第1项为数据保真项，第2项为正则化项，参数λ为规整参数；
由上式导出的欧拉一拉格朗日方程为：
Figure BDA0002698276370000062
步骤2.3、在步骤2.2的基础上使用最陡下降法实现TV去噪，其扩散项 为：
Figure BDA0002698276370000063
用差商代替偏导数，可得离散迭代格式为：
Figure BDA0002698276370000064
其中fi,j表示图像f在像素点xi＝iH,yj＝jH的灰度值，Δt为时间步长，H 为空间步长，p为迭代次数，迭代p次后，得到第一处理图像。
作为一种实施方式，所述步骤3中的非局部平均的NL-Means算法包括 以下步骤：
步骤3.1、在第一处理图像中选择像素点x，将第一处理图像进行大小 分块处理，小块为以像素点X为中心的(2n+1)×(2n+1)邻域，大块为以像素点 X为中心的(2N+1)×(2N+1)邻域，N＞n,即大邻域涵盖前面小块邻域 (2n+1)×(2n+1)的范围；
步骤3.2、在大块邻域中选取以像素点Y为中心的(2n+1)×(2n+1)的邻域 V(Y)，V(Y)不能包括像素点X，且V(Y)在大块邻域范围内，判别像素点X的 (2n+1)×(2n+1)邻域V(X)与V(Y)的相似度：
Figure BDA0002698276370000071
其中，ω(X,Y)为相似度，Z(X)为归一化系数，h为平滑参数，V(X)和 V(Y)分别代表以X像素点和以Y像素点为中心的(2n+1)×(2n+1)矩形邻域， ||V(X)-V(Y)||2为X,Y两个邻域的高斯加权欧式距离；求取的结果ω(X,Y)作为 像素点Y的权重取值；
步骤3.3、对大块邻域中每个符合要求的像素点Y计算权重取值，将每 个已计算权重的像素点Y的灰度值与其对应的权重取值相乘，得到每个像素 点Y对应的灰度值权重，然后对大块邻域中所有每个符合要求的像素点Y的 灰度值权重进行求和，得到替换灰度值，将像素点X的灰度值用替换灰度值 进行替换；
步骤3.4、对图像中的所有像素点进行上述步骤3.1-3.3的处理，直到对 所有像素点处理完成，得到处理完成的图像。
图像去噪系统，包括预处理模块、第一处理模块和第二处理模块，所述 预处理模块用于对待处理的该图像进行预处理，得到预处理图像；
所述第一处理模块用于利用全变分图像去噪算法将预处理图像去噪转 化成一个求能量函数的最小化问题模型，使得图像达到平滑状态，引入各向 异性扩散方程用于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平 滑噪声的同时使图像边缘得到保持，得到第一处理图像；
所述第二处理模块用于利用非局部平均的NL-Means算法对第一处理图 像进行第二次处理，寻找第一处理图像中每个待处理像素点邻域附近相似度 接近的邻域，并计算相似度接近的邻域中心像素点的权重，计算出各个权重 值与对应像素点灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度 值，完成对待处理像素点的处理，对第一处理图像中每个像素点进行处理， 最后得到去噪完成的图像。
图3为本发明与常用去噪方法对加入混合高斯噪声和椒盐噪声进行去噪 处理后的结果对比图(混合噪声强度为0.1)，其中图(a)为原图，图(b)为对 图(a)加入混合噪声后的图像，图(c)为利用均值滤波法对图(b)进行滤波的 结果图，图(d)为利用中值滤波法对图(b)进行处理的结果图，图(e)为利用 本发明对图(b)进行处理的结果图。
对比不同噪声处理方式的结果可知，本发明拥有更好的去噪效果并且能 够更好的保护图像的细节。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发 明的保护范围之内。

Claims (4)

1.图像去噪方法，其特征在于，包括以下步骤：
步骤1、输入待处理图像，对待处理图像进行预处理，得到预处理图像；
步骤2、利用全变分图像去噪算法将预处理图像去噪转化成一个求能量函数的最小化问题模型，使得图像达到平滑状态，引入各向异性扩散方程用于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平滑噪声的同时使图像边缘得到保持，得到第一处理图像；
步骤3、利用非局部平均的NL-Means算法对第一处理图像进行第二次处理，寻找第一处理图像中每个待处理像素点邻域附近相似度接近的邻域，并计算相似度接近的邻域中心像素点的权重，计算出各个权重值与对应像素点灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度值，完成对待处理像素点的处理，对第一处理图像中每个像素点进行处理，最后得到去噪完成的图像。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤2中具体包括以下步骤：
步骤2.1、利用输入的待处理噪声图片的具体参数，建立全变分去噪模型：
Figure FDA0002698276360000011
其中，f为待处理去噪图像，Ω为图像的定义域，(x，y)为定义域Ω内的像素点坐标；
此模型同时需满足约束条件：
Figure FDA0002698276360000012
其中，f0为原始不含噪声图像；
步骤2.2、步骤2.1中的minTV(f)最小化模型可等价为，
Figure FDA0002698276360000021
其中，第1项为数据保真项，第2项为正则化项，参数λ为规整参数；
由上式导出的欧拉一拉格朗日方程为：
Figure FDA0002698276360000022
步骤2.3、在步骤2.2的基础上使用最陡下降法实现TV去噪，其扩散项为：
Figure FDA0002698276360000023
用差商代替偏导数，可得离散迭代格式为：
Figure FDA0002698276360000024
其中fi,j表示图像f在像素点xi＝iH,yj＝jH的灰度值，Δt为时间步长，H为空间步长，p为迭代次数，迭代p次后，得到第一处理图像。
3.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤3中的非局部平均的NL-Means算法包括以下步骤：
步骤3.1、在第一处理图像中选择像素点x，将第一处理图像进行大小分块处理，小块为以像素点X为中心的(2n+1)×(2n+1)邻域，大块为以像素点X为中心的(2N+1)×(2N+1)邻域，N＞n,即大邻域涵盖前面小块邻域(2n+1)×(2n+1)的范围；
步骤3.2、在大块邻域中选取以像素点Y为中心的(2n+1)×(2n+1)的邻域V(Y)，V(Y)不能包括像素点X，且V(Y)在大块邻域范围内，判别像素点X的(2n+1)×(2n+1)邻域V(X)与V(Y)的相似度：
Figure FDA0002698276360000025
其中，ω(X,Y)为相似度，Z(X)为归一化系数，h为平滑参数，V(X)和V(Y)分别代表以X像素点和以Y像素点为中心的(2n+1)×(2n+1)矩形邻域，||V(X)-V(Y)||2为X,Y两个邻域的高斯加权欧式距离；求取的结果ω(X,Y)作为像素点Y的权重取值；
步骤3.3、对大块邻域中每个符合要求的像素点Y计算权重取值，将每个已计算权重的像素点Y的灰度值与其对应的权重取值相乘，得到每个像素点Y对应的灰度值权重，然后对大块邻域中所有每个符合要求的像素点Y的灰度值权重进行求和，得到替换灰度值，将像素点X的灰度值用替换灰度值进行替换；
步骤3.4、对图像中的所有像素点进行上述步骤3.1-3.3的处理，直到对所有像素点处理完成，得到处理完成的图像。
4.图像去噪系统，其特征在于，包括预处理模块、第一处理模块和第二处理模块，所述预处理模块用于对待处理的该图像进行预处理，得到预处理图像；
所述第一处理模块用于利用全变分图像去噪算法将预处理图像去噪转化成一个求能量函数的最小化问题模型，使得图像达到平滑状态，引入各向异性扩散方程用于图像去噪，预处理图像的椒盐及部分高斯混合噪声，在平滑噪声的同时使图像边缘得到保持，得到第一处理图像；
所述第二处理模块用于利用非局部平均的NL-Means算法对第一处理图像进行第二次处理，寻找第一处理图像中每个待处理像素点邻域附近相似度接近的邻域，并计算相似度接近的邻域中心像素点的权重，计算出各个权重值与对应像素点灰度值的乘积，然后将各乘积相加作为待处理像素点的灰度值，完成对待处理像素点的处理，对第一处理图像中每个像素点进行处理，最后得到去噪完成的图像。
CN202011013418.8A 2020-09-24 2020-09-24 图像去噪方法及系统 Pending CN112288643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011013418.8A CN112288643A (zh) 2020-09-24 2020-09-24 图像去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011013418.8A CN112288643A (zh) 2020-09-24 2020-09-24 图像去噪方法及系统

Publications (1)

Publication Number Publication Date
CN112288643A true CN112288643A (zh) 2021-01-29

Family

ID=74422175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011013418.8A Pending CN112288643A (zh) 2020-09-24 2020-09-24 图像去噪方法及系统

Country Status (1)

Country Link
CN (1) CN112288643A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091345A (zh) * 2022-12-23 2023-05-09 重庆大学 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020911A (zh) * 2012-12-12 2013-04-03 中国航空工业集团公司洛阳电光设备研究所 一种用于去除混合噪声的图像处理方法
CN103093441A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于变换域的非局部均值和双变量模型的图像去噪方法
CN106204462A (zh) * 2015-05-04 2016-12-07 南京邮电大学 基于图像多特征融合的非局部均值去噪方法
CN111179186A (zh) * 2019-12-12 2020-05-19 南京理工大学 一种保护图像细节的图像去噪系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020911A (zh) * 2012-12-12 2013-04-03 中国航空工业集团公司洛阳电光设备研究所 一种用于去除混合噪声的图像处理方法
CN103093441A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于变换域的非局部均值和双变量模型的图像去噪方法
CN106204462A (zh) * 2015-05-04 2016-12-07 南京邮电大学 基于图像多特征融合的非局部均值去噪方法
CN111179186A (zh) * 2019-12-12 2020-05-19 南京理工大学 一种保护图像细节的图像去噪系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋海英，荀月凤: ""全变分图像去噪的研究"", 《成都电子机械高等专科学校学报》 *
柳杨, 北京邮电大学出版社 *
王众豪: ""基于非局部均值和全变分模型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)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091345A (zh) * 2022-12-23 2023-05-09 重庆大学 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质
CN116091345B (zh) * 2022-12-23 2023-10-03 重庆大学 一种基于局部熵和保真项的各向异性扩散医学图像去噪方法、系统及存储介质

Similar Documents

Publication Publication Date Title
TWI390466B (zh) 影像雜訊濾除方法
US10810709B1 (en) Systems and methods for improving the quality of text documents using artificial intelligence
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
Lee et al. Two-stage false contour detection using directional contrast and its application to adaptive false contour reduction
CN106530254A (zh) 一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法
Liu et al. Ensemble of CNN and rich model for steganalysis
CN115239594A (zh) 一种基于全变差模型的文档图像去噪方法
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN112288643A (zh) 图像去噪方法及系统
CN117036352B (zh) 一种基于人工智能的视频分析方法及系统
Thaipanich et al. Adaptive nonlocal means algorithm for image denoising
Kim et al. Hybrid deep learning framework for reduction of mixed noise via low rank noise estimation
CN116862809A (zh) 一种低曝光条件下的图像增强方法
Krupiński et al. Binarization of degraded document images with generalized Gaussian distribution
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
Charmouti et al. Extended median filter for salt and pepper noise in image
CN115829967A (zh) 一种工业金属表面缺陷图像去噪和增强方法
Mohan et al. Image denoising with a convolution neural network using Gaussian filtered residuals
CN115147311A (zh) 基于HSV与AM-RetinexNet图像增强方法
Xiao et al. Video denoising algorithm based on improved dual‐domain filtering and 3D block matching
Hong et al. Distance-based mean filter for image denoising
CN109934190B (zh) 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法
CN108038828B (zh) 一种基于自适应加权全变差的图像去噪方法
CN113781333A (zh) 一种基于引导滤波的gan网络对水下图像进行处理的方法
CN108921886B (zh) 一种纹理信息融合多尺度结构化森林数字图像半色调方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129