CN112861874A - 一种基于多滤波器去噪结果的专家场去噪方法及系统 - Google Patents
一种基于多滤波器去噪结果的专家场去噪方法及系统 Download PDFInfo
- Publication number
- CN112861874A CN112861874A CN202110019430.8A CN202110019430A CN112861874A CN 112861874 A CN112861874 A CN 112861874A CN 202110019430 A CN202110019430 A CN 202110019430A CN 112861874 A CN112861874 A CN 112861874A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- result
- filter
- module
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
Abstract
本发明提出了一种基于多滤波器去噪结果的专家场去噪方法及系统,涉及文字图像处理技术领域。一种基于多滤波器去噪结果的专家场去噪方法包括:将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;将提取的特征通过预设的相似度计算方式找出优化训练图像。其能够通过多种相似性度量方式找到了最佳相关训练图像,为获得高质量去噪图像提供了直接支持,利用多种滤波器分别进行图像去噪,在对比过程中,挑选出最优的去噪结果。此外本发明还提出了一种基于多滤波器去噪结果的专家场去噪系统,包括:表征模块、相似度计算模块、训练模块、去噪模块、峰值信噪比计算模块以及选取结果模块。
Description
技术领域
本发明涉及文字图像处理技术领域,具体而言,涉及一种基于多滤波器去噪结果的专家场去噪方法及系统。
背景技术
随着数字媒体技术的发展,海量的文字图像已经出现在网络、媒体和个人图像中,极大地便利了我们的生活。但在文字图像的处理、存储、传输的过程中,往往会出现很多噪声,大大地降低了文字图像的可读性。如果能够精准地对文字图像进行去噪,可以显著地增加文字图像的可读性,并可以提升文字识别的精度。因此,如何对文字图像进行精准去噪已经成为了一项非常有意义的工作。
作为经典的图像去噪方法,专家场去噪方法有着非常明显的优势。一方面,去噪过程中不需要深度学习等模型中巨大的计算资源消耗,另一方面该方法具备相对较好的实验效果。然而,在实验的过程中我们发现,该方法有非常明显的局限性。它只针对与训练图像较为相似的图像有较好的去噪结果,否则,去噪的能力显著降低。与此同时,专家场去噪方法中单一的滤波器使用也降低了该模型的去噪能力。因此,如何找到一种非常有效的鲁棒性专家场文字图像去噪方法是非常有价值和意义的。
发明内容
本发明的目的在于提供一种基于多滤波器去噪结果的专家场去噪方法,其能够通过多种相似性度量方式找到了最佳相关训练图像,为获得高质量去噪图像提供了直接支持,利用多种滤波器分别进行图像去噪,在对比过程中,挑选出最优的去噪结果。
本发明的另一目的在于提供一种基于多滤波器去噪结果的专家场去噪系统,其能够运行一种基于多滤波器去噪结果的专家场去噪方法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于多滤波器去噪结果的专家场去噪方法,其包括将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;将提取的特征通过预设的相似度计算方式找出优化训练图像;根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;根据至少一种去噪后的结果计算不同结果的峰值信噪比;将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
在本发明的一些实施例中,上述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:利用欧式余弦相似度,计算待去噪的图像和图像库中图像的相似度。
在本发明的一些实施例中,上述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:利用欧式距离,计算待去噪的图像和图像库中图像的相似度。
在本发明的一些实施例中,上述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:利用皮尔逊相关系数,计算待去噪的图像和图像库中图像的相似度。
在本发明的一些实施例中,上述包括将多种相似度结果都很高的图像作为最佳相关训练图像。
在本发明的一些实施例中,上述基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果包括:利用3*3的滤波器待去噪图像进行多次迭代,从而进行去噪;利用5*5的滤波器待去噪图像进行多次迭代,从而进行去噪;利用7*7的滤波器待去噪图像进行多次迭代,从而进行去噪。
在本发明的一些实施例中,上述还包括对多个修复结果进行峰值信噪比计算,选取峰值信噪比最高的图像作为最后的去噪结果。
在本发明的一些实施例中,在上述将提取的特征通过预设的相似度计算方式找出优化训练图像之后还包括:将至少一张优化训练图像作为专家场方法的训练图像进行计算。
第二方面,本申请实施例提供一种基于多滤波器去噪结果的专家场去噪系统,其包括表征模块,用于将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;
相似度计算模块,用于将提取的特征通过预设的相似度计算方式找出优化训练图像;
训练模块,用于根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;
去噪模块,用于基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;
峰值信噪比计算模块,用于根据至少一种去噪后的结果计算不同结果的峰值信噪比;
选取结果模块,用于将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
在本发明的一些实施例中,上述包括:用于存储计算机指令的至少一个存储器;与上述存储器通讯的至少一个处理器,其中当上述至少一个处理器执行上述计算机指令时,上述至少一个处理器使上述系统执行:表征模块、相似度计算模块、训练模块、去噪模块、峰值信噪比计算模块以及选取结果模块。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
其能够通过基于多种滤波器对待去噪文字图像进行专家场去噪。接下来,利用峰值信噪比作为对比依据,将峰值信噪比较高的图像作为最后的去噪图像。根据多种相似性度量方式找到了最佳相关训练图像,为获得高质量去噪图像提供了直接支持,利用多种滤波器分别进行图像去噪,在对比过程中,挑选出最优的去噪结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪方法步骤示意图;
图2为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪方法流程示意图;
图3为本发明实施例提供的多滤波器的专家场去噪对比流程示意图;
图4为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪系统模块示意图。
图标:10-表征模块;20-相似度计算模块;30-训练模块;40-去噪模块;50-峰值信噪比计算模块;60-选取结果模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,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”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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪方法步骤示意图,其如下所示:
步骤S100,将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;
在一些实施方式中,HOG(Histogram Of Gradient,方向梯度直方图)特征描述子就是图像的表示,抽取了有用的信息丢掉了不相关的信息。通常特征描述子会把一个w*h*3(宽*高*3,3个channel)的图像转换成一个长度为n的向量/矩阵。比如一副64*128*3的图像,经过转换后输出的图像向量长度可以是3780。
在一些实施方式中,先进行梯度计算,因为在目标边缘处灰度变化较大,因此,在边缘处灰度的梯度就较为明显,所以,梯度能够更好的表征目标的特征。计算得到梯度的幅值和梯度方向之后,建立分块直方图,得到图像的梯度大小和梯度方向后根据梯度方向对图像进行投影统计,首先将图像划分成若干个块(Block),每个块又由若干个细胞单元(cell)组成,细胞单元由更小的单位像素(Pixel)组成,然后在每个细胞单元中对内部的所有像素的梯度方向进行统计。将180度划分成9个区间,每个区间为20度,如果像素落在某个区间,就将该像素的直方图累加在该区间对应的直方图上面,例如,如果像素的梯度方向在0~20度之间,则在0~20对应的直方图上累加该像素对应的梯度幅值。这样最终每个细胞单元就会得到一个9维的特征向量,特征向量每一维对应的值是累加的梯度幅值。
为了应对光照和形变,梯度需要在局部进行归一化。这个局部的区块选择有两种,分别是矩形区块(R-HOG)和圆形区块(C-HOG)。
每个方格内对像素梯度方向进行统计可以得出一个特征向量,一个区块内有多个方格,也就有多个特征向量,例如示例区块Block内就有4个9维向量。这一步要做的就是对这4个向量进行归一化,例如,可以采用四种不同的方式对区块进行归一化,分别是L2-norm、L2-hys、L1-norm、L1-sqrt。
用SVM对前面提取的图像特征向量进行训练,寻找一个最优超平面作为决策函数,得到目标的训练模型。
步骤S110,将提取的特征通过预设的相似度计算方式找出优化训练图像;
在一些实施方式中,基于HOG特征,利用不同的相似度计算方式,找出500张左右的优化训练图像的步骤如下;
利用欧式余弦相似度,计算待去噪的图像和图像库中图像的相似度;
在一些实施方式中,通过测量两个向量的夹角的余弦值来度量它们之间的相似性。取值范围是[-1,1],相同的两个向量之间的相似度为1。将1减去余弦相似度即为余弦距离,余弦距离的取值范围为[0,2],相同的两个向量余弦距离为0。余弦相似度关注的是向量之间的角度关系,不关心它们的绝对大小关系。
利用欧式距离,计算待去噪的图像和图像库中图像的相似度;
在一些实施方式中,欧氏距离衡量的是空间各点的绝对距离,跟各个点所在的位置坐标直接相关。
利用皮尔逊相关系数,计算待去噪的图像和图像库中图像的相似度;
在一些实施方式中,皮尔逊相关系数(Pearson Correlation)是衡量向量相似度的一种方法。输出范围为-1到+1,0代表无相关性,负值为负相关,正值为正相关。
三种相似度结果都很高的图像,将其作为最佳相关训练图像。
步骤S120,根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;
在一些实施方式中,专家场模型中的图像建模所使用的势函数形式是滤波器响应的加权和,所以边缘保持算法也需要表示为滤波器形式,以便使用自然图像建模的概率统一框架。专家场的图像建模是建立在自然图像的滤波器响应存在高峰度、长拖尾的概率密度函数形式,所以为了保证改进的专家场模型的有效性,必须设计同样的符合滤波器响应为高峰度、长拖尾的概率密度函数的边缘保持算法的滤波器。
步骤S130,基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;
在一些实施方式中,将500张优化训练图像作为专家场方法的训练图像进行计算;利用上述优化训练图像,对专家场模型需要的滤波器进行计算,分别训练出多种滤波器,例如,3*3滤波器,5*5滤波器,7*7滤波器;
步骤S140,根据至少一种去噪后的结果计算不同结果的峰值信噪比;
在一些实施方式中,对于每一个去噪后的结果,计算不同结果的峰值信噪比。
步骤S150,将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
在一些实施方式中,将利用峰值信噪比最优的结果作为最优化图像的步骤如下:
利用3*3的滤波器待去噪图像进行多次迭代,从而进行去噪;
利用5*5的滤波器待去噪图像进行多次迭代,从而进行去噪;
利用7*7的滤波器待去噪图像进行多次迭代,从而进行去噪;
对多个修复结果进行峰值信噪比计算;
选取峰值信噪比最高的图像作为最后的去噪结果。
实施例2
请参阅图2,图2为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪方法流程示意图:
首先,对待去噪文字图像和海量图像库分别进行基于HOG算子的特征提取。接下来,利用多种相似度计算方法计算待去噪文字图像和海量图像库中图像的相似度,根据相似度计算结果得到优选的训练图像。再次,在此基础上训练得到多组滤波器,并基于多组滤波器用专家场去噪方法得到多个去噪结果。最后,利用多组去噪结果的对比优选出去噪图像结果。
请参阅图3,图3为本发明实施例提供的多滤波器的专家场去噪对比流程示意图,其如下所示:
首先,基于多种滤波器对待去噪文字图像进行专家场去噪。然后,通过多组滤波器用专家场去噪方法得到多个去噪结果,利用峰值信噪比作为对比依据,将峰值信噪比较高的图像作为最后的去噪图像。
实施例3
请参阅图4,图4为本发明实施例提供的一种基于多滤波器去噪结果的专家场去噪系统模块示意图。
表征模块10,用于将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;
相似度计算模块20,用于将提取的特征通过预设的相似度计算方式找出优化训练图像;
训练模块30,用于根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;
去噪模块40,用于基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;
峰值信噪比计算模块50,用于根据至少一种去噪后的结果计算不同结果的峰值信噪比;
选取结果模块60,用于将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
还包括存储器、处理器和通信接口,该存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图4所示的结构仅为示意还可包括比图3中所示更多或者更少的组件,或者具有与图4所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于多滤波器去噪结果的专家场去噪方法及系统,其能够通过基于多种滤波器对待去噪文字图像进行专家场去噪。接下来,利用峰值信噪比作为对比依据,将峰值信噪比较高的图像作为最后的去噪图像。根据多种相似性度量方式找到了最佳相关训练图像,为获得高质量去噪图像提供了直接支持,利用多种滤波器分别进行图像去噪,在对比过程中,挑选出最优的去噪结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,包括:
将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;
将提取的特征通过预设的相似度计算方式找出优化训练图像;
根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;
基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;
根据至少一种去噪后的结果计算不同结果的峰值信噪比;
将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
2.如权利要求1所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,所述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:
利用欧式余弦相似度,计算待去噪的图像和图像库中图像的相似度。
3.如权利要求1所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,所述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:
利用欧式距离,计算待去噪的图像和图像库中图像的相似度。
4.如权利要求1所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,所述将提取的特征通过预设的相似度计算方式找出优化训练图像包括:
利用皮尔逊相关系数,计算待去噪的图像和图像库中图像的相似度。
5.如权利要求2-4其中任意一项所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,包括:
将多种相似度结果都很高的图像作为最佳相关训练图像。
6.如权利要求1所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,所述基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果包括:
利用3*3的滤波器待去噪图像进行多次迭代,从而进行去噪;
利用5*5的滤波器待去噪图像进行多次迭代,从而进行去噪;
利用7*7的滤波器待去噪图像进行多次迭代,从而进行去噪。
7.如权利要求6所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,还包括:
对多个修复结果进行峰值信噪比计算,选取峰值信噪比最高的图像作为最后的去噪结果。
8.如权利要求1所述的一种基于多滤波器去噪结果的专家场去噪方法,其特征在于,在所述将提取的特征通过预设的相似度计算方式找出优化训练图像之后还包括:
将至少一张优化训练图像作为专家场方法的训练图像进行计算。
9.一种基于多滤波器去噪结果的专家场去噪系统,其特征在于,包括:
表征模块,用于将待去噪文字图像以及图像库中的图像分别通过HOG特征进行特征提取;
相似度计算模块,用于将提取的特征通过预设的相似度计算方式找出优化训练图像;
训练模块,用于根据优化训练图像对专家场模型需要的滤波器进行计算,分别训练出多种滤波器;
去噪模块,用于基于多组滤波器通过专家场对文字图像进行去噪得到至少一种结果;
峰值信噪比计算模块,用于根据至少一种去噪后的结果计算不同结果的峰值信噪比;
选取结果模块,用于将峰值信噪比最优的去噪结果作为最后的优选去噪图像结果。
10.如权利要求9所述的一种基于多滤波器去噪结果的专家场去噪系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:表征模块、相似度计算模块、训练模块、去噪模块、峰值信噪比计算模块以及选取结果模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019430.8A CN112861874B (zh) | 2021-01-07 | 2021-01-07 | 一种基于多滤波器去噪结果的专家场去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019430.8A CN112861874B (zh) | 2021-01-07 | 2021-01-07 | 一种基于多滤波器去噪结果的专家场去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861874A true CN112861874A (zh) | 2021-05-28 |
CN112861874B CN112861874B (zh) | 2024-03-08 |
Family
ID=76004989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110019430.8A Active CN112861874B (zh) | 2021-01-07 | 2021-01-07 | 一种基于多滤波器去噪结果的专家场去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861874B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372269A (zh) * | 2023-12-04 | 2024-01-09 | 珠海燧景科技有限公司 | 一种基于学习的拜耳图像去锯齿方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8891711B1 (en) * | 2012-12-11 | 2014-11-18 | Amazon Technologies, Inc. | Adaptive de-noise filtering |
CN106023274A (zh) * | 2016-01-16 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种结合专家场滤波器稀疏约束的压缩感知图像重建方法 |
CN109726719A (zh) * | 2017-10-31 | 2019-05-07 | 比亚迪股份有限公司 | 基于自动编码器的文字识别方法、装置及计算机设备 |
-
2021
- 2021-01-07 CN CN202110019430.8A patent/CN112861874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8891711B1 (en) * | 2012-12-11 | 2014-11-18 | Amazon Technologies, Inc. | Adaptive de-noise filtering |
CN106023274A (zh) * | 2016-01-16 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种结合专家场滤波器稀疏约束的压缩感知图像重建方法 |
CN109726719A (zh) * | 2017-10-31 | 2019-05-07 | 比亚迪股份有限公司 | 基于自动编码器的文字识别方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
张志;王润生;: "边缘保持专家场模型的自然图像复原", 自然科学进展, no. 09 * |
闫涵;张旭秀;丁鸣艳;: "一种改进的非局部均值去噪算法", 电子测量技术, no. 22 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372269A (zh) * | 2023-12-04 | 2024-01-09 | 珠海燧景科技有限公司 | 一种基于学习的拜耳图像去锯齿方法、装置和存储介质 |
CN117372269B (zh) * | 2023-12-04 | 2024-03-22 | 珠海燧景科技有限公司 | 一种基于学习的拜耳图像去锯齿方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112861874B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN109859204B (zh) | 卷积神经网络模型检验方法及装置 | |
CN110909712B (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
CN109726195B (zh) | 一种数据增强方法及装置 | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN112215248A (zh) | 深度学习模型训练方法、装置、电子设备及存储介质 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN111899243A (zh) | 一种图像清晰度评价方法、设备和计算机可读存储介质 | |
CN114596441A (zh) | 一种面向网络直播社交大数据的海量图像去噪方法及系统 | |
CN115019374A (zh) | 基于人工智能的智慧课堂学生专注度低耗检测方法及系统 | |
Zhou et al. | Improved estimation of motion blur parameters for restoration from a single image | |
CN116562991B (zh) | 面向元宇宙电商平台的商品大数据信息识别方法及系统 | |
CN112861874B (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
Oga et al. | River state classification combining patch-based processing and CNN | |
Pooja et al. | Adaptive sparsity through hybrid regularization for effective image deblurring | |
Hu et al. | Perceptual quality evaluation for motion deblurring | |
CN115830351B (zh) | 图像处理方法、设备以及存储介质 | |
Khanzadi et al. | A novel metric for digital image quality assessment using entropy-based image complexity | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
Maji et al. | Edges, transitions and criticality | |
CN113034419A (zh) | 面向机器视觉任务的雷达点云客观质量评价方法及装置 | |
CN115393617A (zh) | 一种基于多卷积核检验的模仿式商标快速检测方法及系统 | |
CN113468905B (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
CN115170824A (zh) | 基于空间自适应和特征增强暹罗网络的变化检测方法 | |
CN110852102B (zh) | 一种中文的词性标注方法、装置、存储介质及电子设备 |
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 |