CN112465719A - 变换域图像去噪方法及系统 - Google Patents
变换域图像去噪方法及系统 Download PDFInfo
- Publication number
- CN112465719A CN112465719A CN202011354454.0A CN202011354454A CN112465719A CN 112465719 A CN112465719 A CN 112465719A CN 202011354454 A CN202011354454 A CN 202011354454A CN 112465719 A CN112465719 A CN 112465719A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- transform domain
- denoising
- mean
- 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 57
- 230000001131 transforming effect Effects 0.000 claims abstract description 11
- 230000004931 aggregating effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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
本发明公开了变换域图像去噪方法及系统，通过将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；对于任意一块局部块均进行去噪处理：计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；将去噪处理后的各个局部块聚合重构成去噪后的图像，相比现有技术，将图像划分成局部块再去噪而非全局去噪，避免了“振铃效应”的出现，由于使用重叠的局部块，避免了“块效应”的出现。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及变换域图像去噪方法及系统。
背景技术
数字图像在获取过程中不可避免地包含噪声，图像去噪的目的是在保留图像内容的同时去除图像噪声。目前的图像去噪方法可分成四类：空域方法、变换域方法、双域方法(空域或变换域结合)、深度学习方法。
传统的空域方法，如均值滤波、中值滤波等技术，在去噪的同时也平滑了图像边缘，使得图像变得模糊。改进的双边滤波、非局部均值滤波等技术，将空间距离和亮度差异同时考虑来定义自适应的滤波器核，试图在保留边缘的同时滤除图像噪声。
传统的变换域方法，如小波变换域、傅里叶变换域等技术，在保留图像细节的同时很容易引入“振铃效应”，影响图像质量。
双域方法结合空域技术和变换域技术，试图保留各自优点的同时去除各自的不足，如BM3D(Block-Matching and 3D filtering，三维块匹配算法)技术，这类技术总体上对图像质量的提升非常大，但代价是高昂的时间复杂度。
深度学习方法在图像去噪领域也取得了突破性的进展，其主要问题在于高昂的时间复杂度、大量样本集的获取，使得其实用性大打折扣。
因此，现有的图像去噪方法效率不高，去噪后的图像质量不好已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了变换域图像去噪方法及系统，用于解决的图像去噪方法去噪后的图像质量不高的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种变换域图像去噪方法，包括以下步骤：
将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；
对于任意一块局部块均进行以下去噪处理：
计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；
将去噪处理后的各个局部块聚合重构成去噪后的图像。
优选的，计算局部块的平均局部噪声方差，包括以下步骤：
计算待处理图像的全局噪声方差，并根据待处理图像的全局噪声方法分别计算待处理图像中各个像素点的局部噪声方差，
选取局部块中各个像素的局部噪声方差进行均值计算，得到局部块的平均局部噪声方差。
优选的，全局噪声方差通过以下公式计算得到：
mean_I＝f(I,R)
globalVar＝g(I-mean_I)
其中，I为待处理图像，mean_I为图像均值滤波结果，f为均值滤波函数，R为第一均值滤波器半径；g为全局方差函数；globalVar全局噪声方差；
优选的，局部噪声方差通过以下公式计算得到；
localVar＝β*globalVar*gain
其中，localVar为局部噪声方差矩阵，globalVar为全局噪声方差值，β为去噪参数，取值范围为大于0的实数，gain为去噪增益矩阵。
优选的，去噪增益矩阵通过以下公式获取得到：
mean_I＝f(I,r)
mean_II＝f(I*I,r)
var_I＝mean_II-mean_I*mean_I
其中，I为待处理图像，mean_I为图像均值滤波结果，mean_II为图像平方的均值滤波结果，f为均值滤波函数，r为均值滤波器半径，eps为一个与var_I最大值相当的参数值，该公式将var_I值调整到[0,1)区间范围，resp为归一化后的方差矩阵，var_I为局部滤波方差矩阵，θ为增益倍数。
优选的，将去噪处理后的各个局部块聚合重构成去噪后的图像，具体包括以下步骤：
将去噪处理后的各个局部块中位于待处理图像相同位置的像素值进行加权平均处理，得到待处理图像中各个像素点的去噪像素值，将待处理图像中各个像素点的去噪像素值重构成去噪后的图像。
优选的，正向变换、截断处理以及反向变换采用GPU(Graphics Processing Unit，图形处理器)并行计算框架进行处理。
优选的，变换域为傅里叶变换域或DCT(Discrete Cosine Transform，离散余弦变换)变换域。
优选的，当待处理图像为多通道图像时，对多通道图像中任意一种通道图像均进行以下步骤：
将通道图像划分成多个大小相同的，且至少部分重叠的局部块；
将多个局部块均进行正向变换，得到多个局部块的变换域；
对于任意一块局部块均进行以下去噪处理：
计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；
将去噪处理后的各个局部块聚合重构成去噪后的通道图像；
将去噪后的多种通道图像进行合并，得到去噪后的多通道图像。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
1、本发明中的变换域图像去噪方法及系统，通过将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；对于任意一块局部块均进行去噪处理：计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；将去噪处理后的各个局部块聚合重构成去噪后的图像，相比现有技术，将图像划分成局部块再去噪而非全局去噪，避免了“振铃效应”的出现，由于使用重叠的局部块，避免了“块效应”的出现。由于使用每个局部块的平均局部噪声方差对每个局部块的变换域中的各个像素点的变换域系数进行截断处理，能准确去除待处理图像各个区域的噪声，并保留各个区域的细节，从而提高图像的质量。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明中的变换域图像去噪方法的流程图；
图2是本发明中优选实施例中未采用变换域图像去噪方法去噪的图像；
图3是本发明优选实施例中的采用变换域图像去噪方法去噪后的图像。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一：
如图1所示,本发明公开了一种变换域图像去噪方法，包括以下步骤：
将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；
对于任意一块局部块均进行以下去噪处理：
计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；
将去噪处理后的各个局部块聚合重构成去噪后的图像。
另外，在本实施例中，本发明还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明中的变换域图像去噪方法及系统，通过将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；对于任意一块局部块均进行去噪处理：计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块；将去噪处理后的各个局部块聚合重构成去噪后的图像，相比现有技术，由于使用每个局部块的平均局部噪声方差对每个局部块的变换域中的各个像素点的变换域系数进行截断处理，能准确去除待处理图像各个区域的噪声，并保留各个区域的细节，从而提高图像的质量。
实施例二：
实施例二是实施例的拓展实施例，其与实施例一的不同之处在于，对变换域图像去噪方法的具体步骤进行了细化。
在本实施例中，公开了一种变换域图像去噪方法，具体包括以下步骤：
一、噪声方差估计
1、全局噪声方差估计：
全局噪声方差估计公式如下，其中，I为待处理图像，mean_I为图像均值滤波结果，f为均值滤波函数，R为第一均值滤波器半径；g为全局方差函数；globalVar全局噪声方差值；
mean_I＝f(I,R)
globalVar＝g(I-mean_I)
通过以上公式计算出来的全局噪声方差一个标量，代表图像的整体噪声级别。
2、局部噪声方差估计：
由于图像噪声不仅与成像过程有关，还与场景内容有关。在细节丰富的区域，可以少去除一些噪声，以便防止目标被淹没。在平坦区域可以多去除一些噪声，以增加图像画质。因此在估计了全局噪声方差之后，以该全局值为基础，再一次估计每个像素点的局部噪声方差。计算公式如下所示：
mean_I＝f(I,r)
mean_II＝f(I*I,r)
var_I＝mean_II-mean_I*mean_I
localVar＝β*globalVar*gain
其中，I为待处理图像，mean_I为图像均值滤波结果，mean_II为图像平方的均值滤波结果，f为均值滤波函数，r为均值滤波器半径，eps为一个与var_I最大值相当的参数值，该公式将var_I值调整到[0,1)区间范围，resp为归一化后的方差矩阵，归一化的目的是为了避免求var_I方差矩阵的最大值，var_I为局部滤波方差矩阵，θ为增益倍数，增益倍数取值范围为大于1或等于1的实数，在本实施例总优选为1。localVar为局部噪声方差矩阵，方差值大的区域，一般细节丰富，应该尽量保留细节。方差值小的区域，信噪比会比较低，应该加大去噪力度。globalVar为全局噪声方差值，β为去噪参数，取值范围为大于0的实数，gain为去噪增益矩阵。
通过上述公式计算得到为与待处理图像同大小的局部方差矩阵。
二、分块局部变换域：
如果直接截断某个高频部分，则在去除噪声的同时，也去除了图像的高频信息，因为场景内容也可能处于高频部分。为此提出分块局部变换域去噪方法，具体流程如下：
1、将图像划分成8*8像素或16*16像素的重叠的局部块。重叠的程度依赖于对速度和图像质量要求的平衡。当滑动步长为1个像素时，效果达到最佳，时间复杂度最高。
2、首先计算每个局部块的变换域，每个局部块的变换域必定与局部块同尺寸。计算局部块的平均局部噪声方差，计算局部块的变换域，使用平均局部噪声方差对变换域中对应像素点的变换域系数进行截断处理；将局部块的变换域反向变换至空间域中，得到去噪后的局部块，经过该操作，局部块的尺寸是不变的。
3、对图像上所有位置，分别使用步骤2的结果，以加权平均的方式，将局部块聚合以重构去噪后的图像，即将去噪处理后的各个局部块中位于待处理图像相同位置的像素值进行加权平均处理，得到待处理图像中各个像素点的去噪像素值，将待处理图像中各个像素点的去噪像素值重构成去噪后的图像。
此外，如果是多通道图像，则对图像的每个通道分别执行上述处理。其中的变换域可以是傅里叶变换域、DCT变换域等。
三、GPU并行计算技术实现该变换域图像去噪方法：
该变换域图像去噪方法的主要计算量来自步骤二中的第2步。由于各局部块的正向变换、系数截断及反向变换是相互独立的，且局部块的数量巨大，因此特别适合现代主流GPU的并行计算框架。因为现代GPU拥有可快速切换的硬件级线程和巨大的并行计算能力。
由图2和图3可知，其中，图2为未去噪的图像，图3为采用变换域图像去噪方法去噪后的图像，本发明中的变换域图像去噪方法及系统，由于使用每个局部块的平均局部噪声方差对每个局部块的变换域中的各个像素点的变换域系数进行截断处理，能准确去除待处理图像各个区域的噪声，并保留各个区域的细节，从而提高图像的质量。
综上可知，本技术方案中的变换域图像去噪方法及系统具有以下优势：
1、通过调节步长，能够方便地迅速地在图像去噪效果和速度上取得平衡，可在不同计算力平台快速部署使用，且达到实时性。
2、去噪后的图像比未去噪的图像信噪比高，进而变相地提高了视场中目标的显著性，从而对目标检测效果有一定的提升。
3、无需先验知识和设置关键参数，方法中的关键参数均采用自适应方式计算得到。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.一种变换域图像去噪方法，其特征在于，包括以下步骤：
将待处理图像划分成多个大小相同的，且至少部分重叠的局部块；
对于任意一块局部块均进行以下去噪处理：
计算所述局部块的平均局部噪声方差，计算所述局部块的变换域，使用所述平均局部噪声方差对所述变换域中对应像素点的变换域系数进行截断处理；将所述局部块的变换域反向变换至空间域中，得到去噪后的所述局部块；
将去噪处理后的各个局部块聚合重构成去噪后的图像。
2.根据权利要求1所述的变换域图像去噪方法，其特征在于，计算所述局部块的平均局部噪声方差，包括以下步骤：
计算待处理图像的全局噪声方差，并根据待处理图像的全局噪声方法分别计算待处理图像中各个像素点的局部噪声方差，
选取所述局部块中各个像素的局部噪声方差进行均值计算，得到所述局部块的平均局部噪声方差。
3.根据权利要求2所述的变换域图像去噪方法，其特征在于，所述全局噪声方差通过以下公式计算得到：
mean_I＝f(I,R)
globalVar＝g(I-mean_I)
其中，I为待处理图像，mean_I为图像均值滤波结果，f为均值滤波函数，R为第一均值滤波器半径；g为全局方差函数；globalVar全局噪声方差值。
4.根据权利要求2所述的变换域图像去噪方法，其特征在于，局部噪声方差矩阵通过以下公式计算得到；
localVar＝β*globalVar*gain
其中，localVar为局部噪声方差矩阵，globalVar为全局噪声方差值，β为去噪参数，取值范围为大于0的实数，gain为去噪增益矩阵。
5.根据权利要求4所述的变换域图像去噪方法，其特征在于，所述去噪增益矩阵通过以下公式获取得到：
mean_I＝f(I,r)
mean_II＝f(I*I,r)
var_I＝mean_II-mean_I*mean_I
其中，I为待处理图像，mean_I为图像均值滤波结果，mean_II为图像平方的均值滤波结果，f为均值滤波函数，r为均值滤波器半径，eps为一个与var_I最大值相当的参数值，该公式将var_I值调整到[0,1)区间范围，resp为归一化后的方差矩阵，var_I为局部滤波方差矩阵，θ为增益倍数。
6.根据权利要求5所述的变换域图像去噪方法，其特征在于，将去噪处理后的各个局部块聚合重构成去噪后的图像，具体包括以下步骤：
将去噪处理后的各个局部块中位于待处理图像相同位置的像素值进行加权平均处理，得到待处理图像中各个像素点的去噪像素值，将待处理图像中各个像素点的去噪像素值重构成去噪后的图像。
7.根据权利要求6所述的变换域图像去噪方法，其特征在于，所述正向变换、截断处理以及反向变换采用GPU并行计算框架进行处理。
8.根据权利要求7所述的变换域图像去噪方法，其特征在于，所述变换域为傅里叶变换域或DCT变换域。
9.根据权利要求1-8中任意一项所述的变换域图像去噪方法，其特征在于，当待处理图像为多通道图像时，对多通道图像中任意一种通道图像均进行以下步骤：
将通道图像划分成多个大小相同的，且至少部分重叠的局部块；
将多个局部块均进行正向变换，得到多个局部块的变换域；
对于任意一块局部块均进行以下去噪处理：
计算所述局部块的平均局部噪声方差，计算所述局部块的变换域，使用所述平均局部噪声方差对所述变换域中对应像素点的变换域系数进行截断处理；将所述局部块的变换域反向变换至空间域中，得到去噪后的所述局部块；
将去噪处理后的各个局部块聚合重构成去噪后的通道图像；
将去噪后的多种通道图像进行合并，得到去噪后的多通道图像。
10.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354454.0A CN112465719A (zh) | 2020-11-27 | 2020-11-27 | 变换域图像去噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354454.0A CN112465719A (zh) | 2020-11-27 | 2020-11-27 | 变换域图像去噪方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465719A true CN112465719A (zh) | 2021-03-09 |
Family
ID=74809716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011354454.0A Pending CN112465719A (zh) | 2020-11-27 | 2020-11-27 | 变换域图像去噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465719A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222853A (zh) * | 2021-05-26 | 2021-08-06 | 武汉博宇光电系统有限责任公司 | 一种基于噪声估计的渐进式红外图像降噪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080008396A1 (en) * | 2006-07-04 | 2008-01-10 | Pavel Kisilev | Context-aware image processing |
| US20110019094A1 (en) * | 2009-07-21 | 2011-01-27 | Francois Rossignol | System and method for random noise estimation in a sequence of images |
| CN103208097A (zh) * | 2013-01-29 | 2013-07-17 | 南京理工大学 | 图像多方向形态结构分组的主分量分析协同滤波方法 |
| US20140219552A1 (en) * | 2013-02-07 | 2014-08-07 | Mitsubishi Electric Research Laboratories, Inc. | Denoising of Images with Nonstationary Noise |
-
2020
- 2020-11-27 CN CN202011354454.0A patent/CN112465719A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080008396A1 (en) * | 2006-07-04 | 2008-01-10 | Pavel Kisilev | Context-aware image processing |
| US20110019094A1 (en) * | 2009-07-21 | 2011-01-27 | Francois Rossignol | System and method for random noise estimation in a sequence of images |
| CN103208097A (zh) * | 2013-01-29 | 2013-07-17 | 南京理工大学 | 图像多方向形态结构分组的主分量分析协同滤波方法 |
| US20140219552A1 (en) * | 2013-02-07 | 2014-08-07 | Mitsubishi Electric Research Laboratories, Inc. | Denoising of Images with Nonstationary Noise |
Non-Patent Citations (1)
| Title |
|---|
| 李权等: "几种图像去噪算法研究", 《商丘师范学院学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222853A (zh) * | 2021-05-26 | 2021-08-06 | 武汉博宇光电系统有限责任公司 | 一种基于噪声估计的渐进式红外图像降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108205804B (zh) | 图像处理方法、装置及电子设备 | |
| Dabov et al. | Image restoration by sparse 3D transform-domain collaborative filtering | |
| CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
| JP4862897B2 (ja) | 画像処理方法 | |
| CN108109123B (zh) | 一种图像去噪方法 | |
| Hossain et al. | Medical image enhancement based on nonlinear technique and logarithmic transform coefficient histogram matching | |
| Biswas et al. | A new soft-thresholding image denoising method | |
| CN112465719A (zh) | 变换域图像去噪方法及系统 | |
| CN108629740B (zh) | 一种图像去噪的处理方法及装置 | |
| Murugan et al. | Hybrid filtering approach for retrieval of MRI image | |
| Gao et al. | Image denoising based on edge detection and prethresholding Wiener filtering of multi-wavelets fusion | |
| CN109698892B (zh) | 一种视频图像锐化方法和图像处理设备 | |
| CN111652810A (zh) | 一种基于小波域奇异值差分模型的图像去噪方法 | |
| Abu-Ein | A novel methodology for digital removal of periodic noise using 2D fast Fourier transforms | |
| CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
| CN112334942A (zh) | 图像处理方法和装置 | |
| CN113269681B (zh) | 一种基于多算法融合的水下实时图像增强方法 | |
| Hu et al. | Maritime video defogging based on spatial-temporal information fusion and an improved dark channel prior | |
| CN113487505A (zh) | 一种基于噪声识别的红外图像混合降噪方法 | |
| Jebur et al. | Image denoising techniques: An overview | |
| CN112541873A (zh) | 一种基于双边滤波器的图像处理方法 | |
| CN108665419B (zh) | 一种图像去噪的方法及装置 | |
| Tun et al. | Joint Training of Noisy Image Patch and Impulse Response of Low-Pass Filter in CNN for Image Denoising | |
| Wang et al. | Design of wavelet denoising and image enhancement algorithm based on MATLAB | |
| CN111242856B (zh) | 一种基于剪切波的双重图像去噪方法 |
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: 20210309 |