CN112785522B - 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 - Google Patents
一种基于gwo和bemd优化的自适应pcnn图像去噪方法 Download PDFInfo
- Publication number
- CN112785522B CN112785522B CN202110084686.7A CN202110084686A CN112785522B CN 112785522 B CN112785522 B CN 112785522B CN 202110084686 A CN202110084686 A CN 202110084686A CN 112785522 B CN112785522 B CN 112785522B
- Authority
- CN
- China
- Prior art keywords
- image
- pcnn
- component
- gwo
- bemd
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 241000282461 Canis lupus Species 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001629 suppression Effects 0.000 abstract 1
- 235000002566 Capsicum Nutrition 0.000 description 13
- 239000006002 Pepper Substances 0.000 description 13
- 241000722363 Piper Species 0.000 description 13
- 235000016761 Piper aduncum Nutrition 0.000 description 13
- 235000017804 Piper guineense Nutrition 0.000 description 13
- 235000008184 Piper nigrum Nutrition 0.000 description 13
- 239000002131 composite material Substances 0.000 description 5
- 235000012434 pretzels Nutrition 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，使用BEMD将原始噪声图像分解，使用GWO对PCNN参数进行优化，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像。本发明有效确定了PCNN关键参数，解决了高强度噪声的抑制问题，与现有图像去噪方法相比不仅具有更快的收敛速度而且产生了更好的去噪效果。
Description
技术领域
本发明涉及现代信息处理的图像和数据去噪技术，具体地说，是指一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。
背景技术
随着数字技术和多媒体通信的蓬勃发展，关于非线性和不稳定数据的数字图像分析方法特别是数字图像处理在数据传输、图像匹配、目标检测、遥感等许多领域中得到广泛应用。然而，图像噪声的存在不可避免地会使图像质量下降，最终导致有效像素的毛刺和失真，因此对于数字图像，为了提高有效像素的识别精度，必须通过可靠有效的图像去噪方法保证视觉像素的质量。现有图像去噪算法都存在搜索机制复杂、容易陷入局部最优、泛化能力低等问题。
发明内容
发明目的：为了解决现有图像去噪方法存在的搜索机制复杂、局部最优、保留细节信息不完整等问题，本发明提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。
技术方案：一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：
输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；
利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数αT，影响图像恢复的突触间连接强度因子βT，决定在迭代计算中仅发布一次条件的固有电压常数VT；
对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数αT、βT、VT作为最优化参数；将使用最优化参数去噪处理后的各分量进行重建得到去噪后图像。
进一步地，所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度Lij[n2]，计算3×3区域PCNN中每个神经元的信号强度Lij[n2]，并设置阈值Eij[n2]，计算神经元内部状态信息Uij[n2]：
Uij＝Fij(1+βTLij)
其中，Fij为输入信号，Uij为输入信号后神经元内部状态信息；
将Uij[n2]与阈值Eij[n2]进行比较，若Uij[n2]大于Eij[n2]，便对该PCNN的神经元进行激活，激活频率为
激活神经元后对神经元的信号强度Lij[n2]进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量。
进一步地，对原始噪声图像BEMD分解的方法为：
二维经验模态分解将原始噪声图像通过满足终止约束条件：
将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：
其中hi(x，y)代表分解的第i个分量，rm(x，y)是残差函数。
进一步地，在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：
其中t表示当前迭代，和/>分别是猎物和灰狼的位置向量，/>表示当前灰狼到猎物的距离；将指数衰减时间常数αT作为定义为猎物位置向量/>将影响图像恢复的突触间连接强度因子βT作为定义为灰狼参数向量/>将固有电压常数VT作为定义为灰狼到猎物的距离/>
进一步地，函数适应度的计算公式为：
其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量的大小和去噪后图像分量的大小。
有益效果：本发明提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，相比较现有技术，该方法通过BEMD将原始噪声图像分解成多个二维固有模态函数(BIMFs)分量和一个残余分量r，使用GWO对PCNN参数进行优化后，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像，实现了更好的去噪效果；
通过GWO连续层级筛选和多次迭代后准确地全局优化PCNN参数，这样不仅有效解决PCNN模型关键参数设置问题，而且大大加快了整个模型运算速度；
通过BEMD将原始噪声图像自适应地分解成多个频率高低不同的BIMFs和一个残余分量r，用GWO优化后的PCNN针对不同频率的BIMFs和r分别进行去噪处理，最终消除了高强度噪声并使整个去噪过程更加有效，产生更好的去噪效果。
附图说明
图1是PCNN结构示意图；
图2是基于GWO优化和BEMD分解的自适应PCNN复合图像去噪方法流程图；
图3(a)是原始Pepper图像；
图3(b)是含有椒盐噪声的Pepper图像；
图3(c-e)是原始Pepper图像频率不同的二维本征模函数分量
图4是GWO和其余两种方法的收敛曲线图；
图5(a-c)是GWO优化的PCNN对Pepper图像分解的各个分量去噪效果图；
图5(d-h)是BEMD-GWO-PCNN以及其他图像去噪方法去噪后重建的Pepper图像对比。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
本实施例使用PCNN模型，如图1所示，PCNN模型结构完全不需要训练，但是其参数优化问题对图像去噪效果至关重要。本实施例中所有PCNN模型的神经元都采用相同连接方式，并将每个像素的亮度信息输入到相应的神经元。每个神经元将与3×3个相邻区域的神经元相连，每个神经元(i，j)的输入区Fij[n2]对应于像素点的高光，连接区Lij[n2]等于L通道中3×3个相邻神经元的输出响应之和，神经元内部状态Uij[n2]的阈值Eij[n2]代表通常设置为零的动态阈值，得到激活函数Yij[n2]，并作为神经元的反馈函数。
如图2所示，一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：
步骤一：输入原始噪声图像，为了更有利于提取源图像的各种细节和边缘，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量BIMF1分量、BIMF2分量和一个残差函数分量r，如图3(c)-(e)。
二维经验模态分解将原始噪声图像通过满足终止约束条件：
将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：
其中hi(x，y)代表分解的第i个分量，rm(x，y)是残差函数。
表1为各分量分别对应的αT、βT和VT。
表1 BEMD分解的含有椒盐噪声Lena和Pepper图像的各个分量
由图3可以看出，由于噪声干扰无法清晰地区分图像的原始轮廓和细节，其中BIMF1和BIMF2还包含有不规则黑白点云的很多噪声点，而残余分量r中则包含大量图像轮廓和原始细节信息；
本实施例中，图3(a)为原始Pepper图像，图3(b)为与浓度δ＝0.05(即包含噪声值的图像区域的百分比)椒盐噪声叠加后的噪声图像。
步骤二：使用GWO算法对PCNN参数进行优化，用优化后的PCNN参数对各个分量进行去噪处理。
(1)GWO优化PcNN参数，所述PCNN参数包括指数衰减时间常数αT，影响图像恢复的突触间连接强度因子βT，决定在迭代计算中仅发布一次条件的固有电压常数VT；
在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：
其中t表示当前迭代，和/>分别是猎物和灰狼的位置向量，/>表示当前灰狼到猎物的距离。式中的系数/>与/>可以用式(5)、(6)计算。
其中参数r1与r2的元素取值为[0，1]中的随机数，参数a的取值随着迭代次数的增加从2逐渐减少到0，则系数中元素的最大取值范围为[-2，2]。将指数衰减时间常数αT定义为猎物的位置向量，影响图像恢复的突触间连接强度因子βT定义为灰狼的位置向量，将固有电压常数VT定义为灰狼到猎物的距离。
(2)噪声检测和处理。计算3×3区域PCNN中每个神经元的Lij[n2]的值，即激发PCNN的信号强度，并调整Eij[n2]的阈值，计算神经元内部Uij[n2]：
Uij＝Fij(1+βTLij) (7)
与Eij[n2]的阈值进行比较来对PCNN进行激活，激活频率为
激活函数为：
激活后进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量；
(3)计算灰狼函数适应度，更新搜索灰狼的位置向量，输出优化参数αT、βT、VT。函数适应度的计算公式为：
其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量和去噪后图像分量的大小。
本实施例中，为了验证GWO算法的收敛速度，给出一个测试拟合函数F(x1，x2)对应三维表面图的整个搜索空间，并将迭代次数设置为500。图4为GWO与遗传蚁群算法(GACA)和粒子群算法(PSO)收敛曲线的效果对比图。
图5(d-h)将本发明提出的图像去噪方法(BEMD-GWO-PCNN)与其他图像去噪方法如COR-PCNN(常规随机PCNN)、中值滤波器(Median filter)、PSO-PCNN(粒子群优化的PCNN)、GACA-PCNN(遗传蚁群算法优化的PCNN)进行对比。
步骤三：将去噪后的各分量进行重建得到去噪后图像。
本实施例中，图5(d-h)表明虽然各种图像去噪方法对椒盐噪声可以进行有效抑制并使图像轮廓和边缘恢复良好，但是本实施例提出的BEMD-GWO-PCNN复合图像去噪方法整体效果明显优于其他方法。
为了更进一步验证本文提出的BEMD-GWO-PCNN复合图像去噪方法对高强度噪声的去噪性能，分别将不同浓度的δ＝0.1/0.2/0.3椒盐噪声添加到Pepper图像中，然后通过本文提出的BEMD-GWO-PCNN复合图像去噪方法与其他图像去噪方法如COR-PCNN、Medianfilter、PSO-PCNN、GACA-PCNN对原始和添加重椒盐噪声的Pepper图像进行处理，利用交互信息(MI)、结构相似度(SSIM)、峰值信噪比(PSNR)和标准差(STD)等指标进行定量计算和分析对比，结果如表2所示：
表2各种图像去噪方法对高强度噪声的Pepper图像去噪效果对比图
该BEMD-GWO-PCNN复合图像去噪方法中STD、MI、SSIM和PSNR值均高于其他图像去噪方法，较高的PSNR和STD值很好地反映了去噪后图像质量显著提高，较高的MI和SSIM值很好地描述了图像细节恢复程度。
本方法中，通过筛选和迭代将GWO应用于全局优化解决了PCNN参数优化和收敛速度的关键问题，通过BEMD自适应分解方法将原始噪声图像分解成多层图像分量和残余分量，使得GWO优化后的PCNN更有针对性地对分层后的图像进行隔离噪声像素点，最终不仅使图像细节信息得以完整保留而且更能有效抑制高强度噪声。
Claims (3)
1.一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，包括以下步骤：
输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；
利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数αT，影响图像恢复的突触间连接强度因子βT，决定在迭代计算中仅发布一次条件的固有电压常数VT；
在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：
其中t表示当前迭代，和/>分别是猎物和灰狼的位置向量，/>表示当前灰狼到猎物的距离；将指数衰减时间常数αT作为定义为猎物位置向量，将影响图像恢复的突触间连接强度因子βT作为定义为灰狼参数向量/>将固有电压常数VT作为定义为灰狼到猎物的距离/>式中的系数/>与系数/>计算公式为：
其中参数r1与r2的元素取值为[0，1]中的随机数，参数a的取值随着迭代次数的增加从2逐渐减少到0；
对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，
所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度Lij[n2]计算3×3区域PCNN中每个神经元的信号强度Lij[n2]，并设置阈值Eij[n2]，计算神经元内部状态信息Uij[n2]：
Uij＝Fij(1+βTLij)
其中，Fij为输入信号，Uij为输入信号后神经元内部状态信息；
将Uij[n2]与阈值Eij[n2]进行比较，若Uij[n2]大于Eij[n2]，便对该PCNN的神经元进行激活，激活频率为
激活神经元后对神经元的信号强度Lij[n2]进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量；
输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数αT、βT、VT作为最优化参数；将使用最优化参数去噪处理后的各分量进行重建得到去噪后图像。
2.根据权利要求1所述的基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，对原始噪声图像BEMD分解的方法为：
二维经验模态分解将原始噪声图像通过满足终止约束条件：
将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：
其中hi(x，y)代表分解的第i个分量，rm(x，y)是第m个残差函数。
3.根据权利要求1或2所述的基于GWO和BEMD的自适应脉冲耦合神经网络图像去噪方法，其特征在于，函数适应度的计算公式为：
其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数，p＝2，M和N分别是原始噪声图像分量的大小和去噪后图像分量的大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110084686.7A CN112785522B (zh) | 2021-01-21 | 2021-01-21 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110084686.7A CN112785522B (zh) | 2021-01-21 | 2021-01-21 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785522A CN112785522A (zh) | 2021-05-11 |
| CN112785522B true CN112785522B (zh) | 2024-02-20 |
Family
ID=75758399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110084686.7A Active CN112785522B (zh) | 2021-01-21 | 2021-01-21 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785522B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101571949A (zh) * | 2009-05-05 | 2009-11-04 | 南京信息工程大学 | 基于pcnn的小波域超声医学图像去噪方法 |
| CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
| CN111986100A (zh) * | 2020-07-04 | 2020-11-24 | 国网山西省电力公司电力科学研究院 | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971908B (zh) * | 2014-05-06 | 2016-03-09 | 国家电网公司 | 一种变压器噪声抑制方法 |
-
2021
- 2021-01-21 CN CN202110084686.7A patent/CN112785522B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101571949A (zh) * | 2009-05-05 | 2009-11-04 | 南京信息工程大学 | 基于pcnn的小波域超声医学图像去噪方法 |
| CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
| CN111986100A (zh) * | 2020-07-04 | 2020-11-24 | 国网山西省电力公司电力科学研究院 | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于PCNN神经网络的图像去噪算法研究;邹文洁;;计算机仿真(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785522A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | Underwater image de-scattering and enhancing using dehazenet and HWD | |
| Vasamsetti et al. | Wavelet based perspective on variational enhancement technique for underwater imagery | |
| CN111047541B (zh) | 一种基于小波变换注意力模型的图像修复方法 | |
| Gastal et al. | Domain transform for edge-aware image and video processing | |
| Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
| CN111368710A (zh) | 一种联合深度学习的地震数据随机噪声压制方法 | |
| CN111210395A (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
| CN115861083B (zh) | 一种多尺度和全局特征的高光谱与多光谱遥感融合方法 | |
| CN114820352A (zh) | 一种高光谱图像去噪方法、装置及存储介质 | |
| CN113808042A (zh) | 一种基于小波变换和生成对抗网络的sar图像去噪方法 | |
| Das et al. | A comparative study of single image fog removal methods | |
| CN111861939A (zh) | 一种基于无监督学习的单张图像去雾方法 | |
| Jiang et al. | A new nonlocal means based framework for mixed noise removal | |
| Nnolim | Single image de-hazing via multiscale wavelet decomposition and estimation with fractional gradient-anisotropic diffusion fusion | |
| CN112785522B (zh) | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 | |
| Panchaxri et al. | Image denoising using adaptive NL means filtering with method noise thresholding | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| CN116883259A (zh) | 一种基于去噪扩散概率模型的水下图像增强方法 | |
| Guan et al. | DiffWater: Underwater image enhancement based on conditional denoising diffusion probabilistic model | |
| Rout et al. | Multiresolution visual enhancement of hazy underwater scene | |
| CN115689958A (zh) | 一种基于深度学习的合成雷达图像去噪方法 | |
| Huang et al. | Fast color-guided depth denoising for RGB-D images by graph filtering | |
| CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
| CN113538290A (zh) | 基于人工智能的农业航拍图像处理方法及系统 | |
| Annam et al. | Correlative analysis of denoising methods in spectral images embedded with different noises |
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 |