CN112991224A - 基于改进小波阈值函数的图像去噪算法 - Google Patents
基于改进小波阈值函数的图像去噪算法 Download PDFInfo
- Publication number
- CN112991224A CN112991224A CN202110374549.7A CN202110374549A CN112991224A CN 112991224 A CN112991224 A CN 112991224A CN 202110374549 A CN202110374549 A CN 202110374549A CN 112991224 A CN112991224 A CN 112991224A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- threshold
- denoised
- function
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 41
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000002356 single layer Substances 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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 using 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/20064—Wavelet transform [DWT]
-
- 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]
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改进小波阈值函数的图像去噪算法，属于图像去噪技术领域，S1、将待去噪的图像信号进行小波基分解，S2、对分解层内的多层小波信号进行去噪处理，S3、通过小波阈值保留大尺度低分辨率下的全部小波系数，S4、得到修整后的小波系数，S5、对去噪后的图像进行插值对比。本发明中，保证对图像的去噪处理精度，通过多重处理优化实现对图像的精确去噪处理，相较于现有去噪算法具有较高的处理精度，同时能够通过对神经网络模型的训练学习实现对输出层输出向量的反推导实现对小波函数的阈值优化判断，继而能够有效提高对小波阈值的调节计算，从而能够确保对图像噪声优化的阀值精度调整。
Description
技术领域
本发明属于图像去噪技术领域，尤其涉及一种基于改进小波阈值函数的图像去噪算法。
背景技术
数字图像是通过数字信号实现对图像展示的技术手段，由于数字图像受到外部成像设备和外部环境干燥的多种影响，不可避免的会产生各种噪声，小波分析作为频域方法信号处理的主要途径，利用小波分析低熵性、去相关性和多分辨率分析和选基灵活的优点，实现对图像的去噪处理。
通过小波阈值函数对图像进行去噪时，函数阈值的判断是最主要的标准现有的图像去噪算法多缺乏对小波阈值函数的阈值系数的精确判断，中国专利公告号102663695A，公开了基于小波变换的DR图像去噪方法及系统，该方法将改进的阈值函数与硬阈值函数相结合，先采用改进型软阈值处理，重构后对第一层细节分量采用硬阈值方法再次处理，改善了图像的信噪比，其不足在于，在硬阈值处理单元中，硬阈值函数由于不连续带来的振荡依然可能存在，仍缺乏对大量数据的适配改进，函数阈值的处理精度不佳，导致影响到对图像的去噪精度，不能很好的满足对图像的去噪需要。
发明内容
本发明的目的在于：为了解决在硬阈值处理单元中，硬阈值函数由于不连续带来的振荡依然可能存在，仍缺乏对大量数据的适配改进，函数阈值的处理精度不佳，导致影响到对图像的去噪精度的问题，而提出的一种基于改进小波阈值函数的图像去噪算法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于改进小波阈值函数的图像去噪算法，具体包括以下步骤：
S1、将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值；
S2、对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节；
S3、通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值；
S4、得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像；
S5、对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像。
作为上述技术方案的进一步描述：
所述S2中小波阈值模型通过神经网络算法实现对阈值的调节计算，具体包括在隐藏层神经元内输入对应的小波函数因子，并通过输入层神经元内去噪数字图像的输入得到输出向量的优化数字图像，并通过数字图像的优化数值对比通过BP算法反向推导阈值公式权重因子，得到阈值的最优解。
作为上述技术方案的进一步描述：
所述S3中幅值低于该阈值的小波系数数值为0时，高于该阈值的小波系数完整保留或相应收缩。
作为上述技术方案的进一步描述：
所述S5中插值对比包括对优化后图像进行灰度处理，并通过平均灰度系数，判断边缘平滑度以及等效视数，通过边缘平滑度判断高频信息的丢失，并通过等效视数判断图像噪声水平。
作为上述技术方案的进一步描述：
所述S1中分解层数为3-5层，并在分解后对图像f(1,2,3,...)进行多尺度小波变换，确定水平细节系数Rk，垂直细节系数Nk以及对角细节系数Dk，并通过阈值对系数进行优化。
作为上述技术方案的进一步描述：
还包括神经网络算法模型的构件方法：具体包括以下步骤：
S1、选取待去噪的图像信号作为训练集和验证集，通过训练集作为输入向量进行模型训练学习，并通过验证集对输出向量以及隐藏层数据进行判断，以确定学习成果避免阈值训练过拟合；
S2、确定神经神经网络输入向量和输出向量，将训练集图像信号作为输入向量，将阈值插值函数作为隐藏层输入，将优化后的图像作为输出向量；
S3、根据输出向量确定所述神经网络神经元维数，并确定神经网络神经元输出层个数，判断隐藏层个数；
S4、通过将训练集持续对输出向量的图像作为权重判断，判断验证集与训练集的相对差异，当优化函数不符合标准时，根据权重判断赋值对隐藏层输入进行调整优化，持续循环后，算法模型获得最优的阈值插值函数。
作为上述技术方案的进一步描述：
所述S1中神经网络模型算法的待去噪数字图像信号的训练集和验证集的比为3：1。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，通过对待去噪的图像信号进行灰度值测算，实现优化后图像信号的平均灰度值快速比对判断，能够有效判断去噪后的相对差异值，并通过差异值的比重加权实现对处理图像的再优化权重调整，并且能够通过神经网络模型实现对小波阈值的阈值算法推导，并且通过精确设定的小波阈值函数的阈值实现对图像的去噪优化，保证对图像的去噪处理精度，通过多重处理优化实现对图像的精确去噪处理，相较于现有去噪算法具有较高的处理精度，同时能够通过对神经网络模型的训练学习实现对输出层输出向量的反推导实现对小波函数的阈值优化判断，继而能够有效提高对小波阈值的调节计算，从而能够确保对图像噪声优化的阀值精度调整。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于改进小波阈值函数的图像去噪算法，具体包括以下步骤：将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值，对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节，通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值，得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像，对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像，所述S3中幅值低于该阈值的小波系数数值为 0时，高于该阈值的小波系数完整保留或相应收缩，所述S1中分解层数为3-5 层，并在分解后对图像f(1,2,3,...)进行多尺度小波变换，确定水平细节系数Rk，垂直细节系数Nk以及对角细节系数Dk，并通过阈值对系数进行优化，通过在确定水平细节系数Rk，垂直细节系数Nk以及对角细节系数Dk后，经过通用阀值在各个尺度的优化，实现对单层图像的插值优化，其中，所述通用阀值的计算由式1所示：
其中，阀值为λ，但阀值在各个尺度层的上是固定不变的，但由于噪声对应的小波阈值在每一个尺度上均匀分度，并且随着尺度J的增加，其幅值有所减小，所以将阀值优化为式2：
式中υ为噪声强度，j为分解尺度，N为信号长度，随着尺度的增加，阀值之间减小，该特性与噪声在小波变换的传播特性一致，因此通过阀值在神经网络优化后，能够得到式3：
λj＝∑PJ+PJ-TlTP//PJ≥T (3)；
在式(3)中，T为等效视数，且TlTP相当于调节因子的作用，当时PJ≥T时，能够实现控制高频信息的随之，自动调节因子随着等效视数判断噪声的波动进行调节，因此能够控制图像的高频信息的损失。
实施例2
一种基于改进小波阈值函数的图像去噪算法，具体包括以下步骤：将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值，对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节，通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值，得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像，对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像，小波阈值模型通过神经网络算法实现对阈值的调节计算，神经网络算法模型的构件方法：具体包括以下步骤：
S1、选取待去噪的图像信号作为训练集和验证集，通过训练集作为输入向量进行模型训练学习，并通过验证集对输出向量以及隐藏层数据进行判断，以确定学习成果避免阈值训练过拟合；
S2、确定神经神经网络输入向量和输出向量，将训练集图像信号作为输入向量，将阈值插值函数作为隐藏层输入，将优化后的图像作为输出向量；
S3、根据输出向量确定所述神经网络神经元维数，并确定神经网络神经元输出层个数，判断隐藏层个数；
S4、通过将训练集持续对输出向量的图像作为权重判断，判断验证集与训练集的相对差异，当优化函数不符合标准时，根据权重判断赋值对隐藏层输入进行调整优化，持续循环后，算法模型获得最优的阈值插值函数；
所述S1中神经网络模型算法的待去噪数字图像信号的训练集和验证集的比为3：1，通过在输入向量输入单个数字图像的多层数据，并通过神经元向前传播公式进行推导，向前传播公式为：
根据隐藏层的函数权重阀值与输出层和输入层的图像优化数据进行对比，因此判断出该阈值对应的图像处理效果，当输出层优化满足判断标准时，隐藏层函数权重不进行调整，当输出层优化不满足标准时，判断隐藏层函数调试阀值，并且通过持续优化对算法进行学习。
实施例3
一种基于改进小波阈值函数的图像去噪算法，具体包括以下步骤：将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值，对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节，通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值，得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像，对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像，所述S5中插值对比包括对优化后图像进行灰度处理，并通过平均灰度系数，判断边缘平滑度，通过边缘平滑度判断高频信息的丢失。
实施方式具体为：灰度值差异通过灰度值方差函数进行判断，将多图层数据进行优化，并且通过方差函数实现对图层内清晰数据的比对，方差函数如式4：
D(f)＝∑y∑x|f(x，y)-μ|2 (4)；
其中，μ为整幅图像的平均灰度值，因此能够通过输入输出前平均灰度值的方差判断优化精准度，满足对图像去噪的优化标准的判断，进而能够通过对边缘平滑度的方差值的判断对优化数据的效果进行评价。
实施例4
一种基于改进小波阈值函数的图像去噪算法，具体包括以下步骤：将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值，对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节，通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值，得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像，对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像，所述S5中插值对比包括对优化后图像判断图像等效视数，并通过等效视数判断图像噪声水平，且等效视数的估算通过对图像均质性区域的协方差矩阵样本服从Wishart分布推到，得到：
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于改进小波阈值函数的图像去噪算法，其特征在于，具体包括以下步骤：
S1、将待去噪的图像信号进行小波基分解，得到分解层数，同时将待去噪的图像信号进行灰度值平均测算，得到源图像信号平均灰度值；
S2、对分解层内的多层小波信号进行去噪处理，通过小波阈值函数对分解层内图像信号的小波信号阈值进行因子修正调节；
S3、通过小波阈值保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数设定阈值；
S4、得到修整后的小波系数，对修整后的小波系数进行小波重构，得到优化后的最佳去噪后的图像；
S5、对去噪后的图像进行插值对比，判断最终优化效果，处理图像不满足时将降噪阈值发送至阈值模型进行再次判断，重复优化阈值后，输出降噪图像，当满足优化效果后，输出降噪后的图像。
2.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S2中小波阈值模型通过神经网络算法实现对阈值的调节计算，具体包括在隐藏层神经元内输入对应的小波函数因子，并通过输入层神经元内去噪数字图像的输入得到输出向量的优化数字图像，并通过数字图像的优化数值对比通过BP算法反向推导阈值公式权重因子，得到阈值的最优解。
3.根据权利要求2所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，还包括神经网络算法模型的构件方法：具体包括以下步骤：
S1、选取待去噪的图像信号作为训练集和验证集，通过训练集作为输入向量进行模型训练学习，并通过验证集对输出向量以及隐藏层数据进行判断，以确定学习成果避免阈值训练过拟合；
S2、确定神经神经网络输入向量和输出向量，将训练集图像信号作为输入向量，将阈值插值函数作为隐藏层输入，将优化后的图像作为输出向量；
S3、根据输出向量确定所述神经网络神经元维数，并确定神经网络神经元输出层个数，判断隐藏层个数；
S4、通过将训练集持续对输出向量的图像作为权重判断，判断验证集与训练集的相对差异，当优化函数不符合标准时，根据权重判断赋值对隐藏层输入进行调整优化，持续循环后，算法模型获得最优的阈值插值函数。
4.根据权利要求3所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S1中神经网络模型算法的待去噪数字图像信号的训练集和验证集的比为3：1。
5.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S3中幅值低于该阈值的小波系数数值为0时，高于该阈值的小波系数完整保留或相应收缩。
6.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S5中插值对比包括对优化后图像进行灰度处理，并通过平均灰度系数，判断边缘平滑度以及等效视数，通过边缘平滑度判断高频信息的丢失，并通过等效视数判断图像噪声水平。
7.根据权利要求1所述的一种基于改进小波阈值函数的图像去噪算法，其特征在于，所述S1中分解层数为3-5层，并在分解后对图像f(1,2,3,...)进行多尺度小波变换，确定水平细节系数Rk，垂直细节系数Nk以及对角细节系数Dk，并通过阈值对系数进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110374549.7A CN112991224A (zh) | 2021-04-07 | 2021-04-07 | 基于改进小波阈值函数的图像去噪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110374549.7A CN112991224A (zh) | 2021-04-07 | 2021-04-07 | 基于改进小波阈值函数的图像去噪算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112991224A true CN112991224A (zh) | 2021-06-18 |
Family
ID=76339415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110374549.7A Pending CN112991224A (zh) | 2021-04-07 | 2021-04-07 | 基于改进小波阈值函数的图像去噪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991224A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113952707A (zh) * | 2021-12-16 | 2022-01-21 | 广州优刻谷科技有限公司 | 基于rfid的体感游戏动作识别方法、打分方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2840087A1 (fr) * | 2002-05-22 | 2003-11-28 | Centre Nat Etd Spatiales | Depollution d'image numerique bruitee et comprimee |
| EP1942461A2 (en) * | 2007-01-05 | 2008-07-09 | Seiko Epson Corporation | Method and apparatus for reducing noise in an image using wavelet decomposition |
| CN103854264A (zh) * | 2014-03-28 | 2014-06-11 | 中国石油大学(华东) | 一种基于改进型阈值函数的小波变换图像去噪方法 |
| CN108596848A (zh) * | 2018-04-20 | 2018-09-28 | 西南交通大学 | 一种基于改进小波阈值函数的图像去噪方法 |
| CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
-
2021
- 2021-04-07 CN CN202110374549.7A patent/CN112991224A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2840087A1 (fr) * | 2002-05-22 | 2003-11-28 | Centre Nat Etd Spatiales | Depollution d'image numerique bruitee et comprimee |
| EP1942461A2 (en) * | 2007-01-05 | 2008-07-09 | Seiko Epson Corporation | Method and apparatus for reducing noise in an image using wavelet decomposition |
| CN103854264A (zh) * | 2014-03-28 | 2014-06-11 | 中国石油大学(华东) | 一种基于改进型阈值函数的小波变换图像去噪方法 |
| CN108596848A (zh) * | 2018-04-20 | 2018-09-28 | 西南交通大学 | 一种基于改进小波阈值函数的图像去噪方法 |
| CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 于笃发;邵建华;张晶如;: "基于小波自适应阈值图像去噪方法的研究", 计算机技术与发展, no. 08 * |
| 王琼;公丽颖;任伟建;霍凤财;高飞;: "基于改进小波阈值法的图像去噪算法", 自动化技术与应用, no. 11 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113952707A (zh) * | 2021-12-16 | 2022-01-21 | 广州优刻谷科技有限公司 | 基于rfid的体感游戏动作识别方法、打分方法及系统 |
| CN113952707B (zh) * | 2021-12-16 | 2022-03-22 | 广州优刻谷科技有限公司 | 基于rfid的体感游戏动作识别方法、打分方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Low-light image enhancement via the absorption light scattering model | |
| CN113313641B (zh) | 一种自适应中值滤波的ct图像去噪方法 | |
| CN103049892B (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
| CN106991661B (zh) | 融合kl变换与灰色关联度的非局部均值去噪方法 | |
| CN110910317B (zh) | 一种舌象图像增强方法 | |
| CN113808036B (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
| CN111696061A (zh) | 空间域与变换域相融合的噪声图像重构方法 | |
| CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
| CN112991224A (zh) | 基于改进小波阈值函数的图像去噪算法 | |
| Jiang et al. | A new nonlocal means based framework for mixed noise removal | |
| CN110599422A (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪算法 | |
| CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
| Liang et al. | Underwater image quality improvement via color, detail, and contrast restoration | |
| CN107292844B (zh) | 全变差正则化变分随机共振自适应暗图像滤波增强方法 | |
| CN111563858A (zh) | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 | |
| Lv et al. | Image denoising via fast and fuzzy non-local means algorithm | |
| Li et al. | Brain image enhancement approach based on singular value decomposition in nonsubsampled shearlet transform domain | |
| Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
| CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
| CN114240990A (zh) | Sar图像点目标分割方法 | |
| CN114359083A (zh) | 一种面向干扰环境的高动态热红外图像自适应预处理方法 | |
| Feng et al. | A non-local bilateral filter for image denoising | |
| CN112734666A (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
| Gao et al. | Image Dehazing Based on Multi-scale Retinex and Guided Filtering | |
| CN115082438B (zh) | 一种基于计算机视觉的拉深零件质检系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240516 Address after: 528000, Room 2321, Building 2, Poly Dongrui Plaza, No. 109 Yuhe Road, Foshan New City, Dongping Community, Lecong Town, Shunde District, Foshan City, Guangdong Province (Residence Declaration) Applicant after: Foshan Puxin Guanglian Information Technology Co.,Ltd. Country or region after: China Address before: 710000 South Campus of Xi'an University of Electronic Science and technology, Chang'an District, Xi'an City, Shaanxi Province Applicant before: Li Jie Country or region before: China |