CN114612340A - 一种分步对比增强的图像数据去噪方法和系统 - Google Patents
一种分步对比增强的图像数据去噪方法和系统 Download PDFInfo
- Publication number
- CN114612340A CN114612340A CN202210305010.0A CN202210305010A CN114612340A CN 114612340 A CN114612340 A CN 114612340A CN 202210305010 A CN202210305010 A CN 202210305010A CN 114612340 A CN114612340 A CN 114612340A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- denoising
- improved
- obtaining
- 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
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004075 alteration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 14
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 235000013399 edible fruits Nutrition 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 11
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T2207/10024—Color 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)
Abstract
本发明提出了一种基于分步对比度增强的图像数据去噪方法,包括:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;遍历整幅图像,统计图像(i,j)位置上领域梯度矢量角度的同向性,作为f(di,j,θi,i)的值,构成图像中的控制逸散矩阵f(d,θ);利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;将去噪后的图像利用泊松方程得到灰度图像;对灰度图像使用改进后的CLAHE算法模型得到中间图像;对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像;本发明提出的方法,在不需要进行颜色转换的情况下,通过引入控制逸散矩阵,去除去噪过程中存在的阶梯效应,且通过改进后的CLAHE算法模型提供图像的对比度增强效果。
Description
技术领域
本发明图像处理领域,特别是指一种基于分步对比度增强的图像数据去噪方法和系统。
背景技术
图像去噪与反差增强是图像处理领域重要的课题,而由于去噪与增强存在着矛盾性,往往不能获得理想结果。先去噪后增强,如果噪声去除得不够彻底,则在增强步骤中将会增加剩余噪声的影响,先增强后去噪,往往会先放大噪声,为去噪步骤增加处理难度。
现有技术中有通过构建神经网络模型实现滤波去噪,但该方法需要训练且处理速度较慢;也有在去噪过程中先把图像进行颜色空间的转换或转化为灰度图像,但都不可避免地在去噪过程中损失原始彩色信息。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于分步对比度增强的图像数据去噪方法,在不需要进行颜色转换的情况下,通过引入控制逸散矩阵,去除去噪过程中存在的阶梯效应,且通过改进后的CLAHE算法模型提供图像的对比度增强效果。
本发明采用如下技术方案:
一种基于分步对比度增强的图像数据去噪方法,包括如下步骤:
计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
将去噪后的图像利用泊松方程得到灰度图像;
对灰度图像使用改进后的CLAHE算法模型得到中间图像;
对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
具体地,所述计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j,具体为:
其中,dxi,j为(i,j)位置上x方向的梯度,dyi,j为(i,j)位置上y方向的梯度,i和j为整数。
具体地,所述利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,具体为:
具体地,对灰度图像使用改进后的CLAHE算法模型得到中间图像,所述改进后的的CLAHE算法模型,具体为:
F(Ik(x,y,t))=aHw(Ik(x,y,t))+(1-α)HB(Ik(x,y,t))
其中,F(*)为分块直方图均衡化的融合函数,Hw与HB分别为图像块内和块外归一化内直方图,k为分块编号,L为图像分块数目。
本发明实施例另一方面公开了一种基于分步对比度增强的图像数据去噪系统,包括:
计算梯度单元:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
控制逸散矩阵获取单元:遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
去噪单元:利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
灰度图像获取单元:将去噪后的图像利用泊松方程得到灰度图像;
中间图像获取单元:对灰度图像使用改进后的CLAHE算法模型得到中间图像;
彩色增强图像获取单元:对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
具体地,所述计算梯度单元中,所述计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j,具体为:
其中,dxi,j为(i,j)位置上x方向的梯度,dyi,j为(i,j)位置上y方向的梯度,i和j为整数。
具体地,所述控制逸散矩阵获取单元中,利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,具体为:
具体地,所述中间图像获取单元中,对灰度图像使用改进后的CLAHE算法模型得到中间图像,所述改进后的的CLAHE算法模型,具体为:
F(Ik(x,y,t))=αHw(Ik(x,y,t))+(1-α)HB(Ik(x,y,t))
其中,F(*)为分块直方图均衡化的融合函数,Hw与HB分别为图像块内和块外归一化内直方图,k为分块编号,L为图像分块数目。
本发明再一方面提供一种电子设备,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述一种基于分步对比度增强的图像数据去噪方法步骤。
本发明又一方面提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于分步对比度增强的图像数据去噪方法步骤。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提出了一种基于分步对比度增强的图像数据去噪方法,包括:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;遍历整幅图像,统计图像(i,j)位置上领域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;将去噪后的图像利用泊松方程得到灰度图像;对灰度图像使用改进后的CLAHE算法模型得到中间图像;对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像;本发明提出的方法,在不需要进行颜色转换的情况下,通过引入控制逸散矩阵,去除去噪过程中存在的阶梯效应,且通过改进后的CLAHE算法模型提供图像的对比度增强效果。
(2)本发明引入控制逸散矩阵,利用图像噪声区域与边缘区域的梯度矢量结构特点,可以很好地保留图像中的边缘信息,去除去噪过程中存在的阶梯效应。
(3)本发明提出改进后的CLAHE算法,将传统的CLAHE算法进行微分化,能够实现在解决局部细节区域增强的问题的同时,整体提高图像的对比度。
附图说明
图1为本发明实施例提供的一种基于分步对比度增强的图像数据去噪方法流程图;
图2为本发明实施例提供的处理图像的示例图,其中图2(a)为原图,图2(b)为加入噪声后的图,图2(c)为先增强后去噪的图,图2(d)为先去噪后增强的图,图2(e)为传统增强去噪处理的图,图2(f)为本发明方法处理的图;
图3为本发明实施例提供的一种基于大数据的产业运营优化系统的结构图;
图4为本发明实施例提供的一种电子设备的实施例示意图;
图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明提出了一种基于分步对比度增强的图像数据去噪方法,在不需要进行颜色转换的情况下,通过引入控制逸散矩阵,去除去噪过程中存在的阶梯效应,且通过改进后的CLAHE算法模型提供图像的对比度增强效果。
如图1为本发明方案一种基于分步对比度增强的图像数据去噪方法流程图;具体包括如下步骤:
S101:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
具体地,所述计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j,具体为:
其中,dxi,j为(i,j)位置上x方向的梯度,dyi,j为(i,j)位置上y方向的梯度,i和j为整数。
通过这种方法描述彩色图像信息,得到的梯度矢量描述,可以更好地描彩色图像的梯度信息。
S102:遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,即:
f(di,j,θi,j)=di,j*sinθi,j*sinθi+1,j+1
从而构成图像中的控制逸散矩阵f(d,θ),用于根据梯度矢量的同向性结构调整逸散系数,进而更好地完成滤波,根据边缘区域梯度矢量与噪声区域梯度矢量方向一致性规律对逸散进行控制。
S103:利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
具体地,所述利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,具体为:
S104:将去噪后的图像利用泊松方程得到灰度图像;
S105:对灰度图像使用改进后的CLAHE算法模型得到中间图像;
具体地,对灰度图像使用改进后的CLAHE算法模型得到中间图像,所述改进后的的CLAHE算法模型,具体为:
F(Ik(x,y,t))=αHw(Ik(x,y,t))+(1-α)HB(Ik(x,y,t))
其中,F(*)为分块直方图均衡化的融合函数,Hw与HB分别为图像块内和块外归一化内直方图,k为分块编号,L为图像分块数目。
S106:对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
所谓色差,简单说来就是表示两种颜色的差异程度,鉴于RGB色彩模型与设备的相关性问题,在RGB的基础上,进一步制定了LAB色彩空间规范及有光色差的计算公式;
ΔL=L-L标准明度差异;
Δa=a-a标准红/绿差异;
Δb=b-L标准黄/蓝差异;
由于任何一种颜色都是由三种颜色组成,当计算出色差分量,就可以得出各颜色的组成分量,从而得到彩色增强后的图像。
如图2,图2(a)~图2(f)是一组人物类图像的处理结果对比。图2(b)为图2(a)加入噪声的结果。图2(c)为先增强后去噪的处理结果。可见,噪声在增强的过程中被放大,去噪后的图像受到了放大噪声的影响,且处理结果中存在较多“斑块”。图2(d)为先去噪后增强的实验结果,由于在去噪的过程中不均效应,而增强算法会将其放大,导致处理结果存在较大的颜色失真。图2(e)为采用传统方法实现同步增强去噪处理结果。与图2(f)的本发明算法处理结果相比,存在较多的“斑块”。可以看出,图本发明算法由于较好地解决了去噪过程的不均匀效应,且增强了对比度,因此处理效果更好。
如图3,本发明实施例另一方面公开了一种基于分步对比度增强的图像数据去噪系统,包括:
计算梯度单元301:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
具体地,所述计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j,具体为:
其中,dxi,j为(i,j)位置上x方向的梯度,dyi,j为(i,j)位置上y方向的梯度,i和j为整数。
通过这种方法描述彩色图像信息,得到的梯度矢量描述,可以更好地描彩色图像的梯度信息。
控制逸散矩阵获取单元302:遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,即:
f(di,j,θi,j)=di,j*sinθi,j*sinθi+1,j+1
从而构成图像中的控制逸散矩阵f(d,θ),用于根据梯度矢量的同向性结构调整逸散系数,进而更好地完成滤波,根据边缘区域梯度矢量与噪声区域梯度矢量方向一致性规律对逸散进行控制。
去噪单元303:利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
具体地,所述利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,具体为:
灰度图像获取单元304:将去噪后的图像利用泊松方程得到灰度图像;
中间图像获取单元305:对灰度图像使用改进后的CLAHE算法模型得到中间图像;
具体地,对灰度图像使用改进后的CLAHE算法模型得到中间图像,所述改进后的的CLAHE算法模型,具体为:
F(Ik(x,y,t))=αHw(Ik(x,y,t))+(1-α)HB(Ik(x,y,t))
其中,F(*)为分块直方图均衡化的融合函数,Hw与HB分别为图像块内和块外归一化内直方图,k为分块编号,L为图像分块数目
彩色增强图像获取单元306:对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
所谓色差,简单说来就是表示两种颜色的差异程度,鉴于RGB色彩模型与设备的相关性问题,在RGB的基础上,进一步制定了LAB色彩空间规范及有光色差的计算公式;
ΔL=L-L标准明度差异;
Δa=a-a标准红/绿差异;
Δb=b-L标准黄/蓝差异;
由于任何一种颜色都是由三种颜色组成,当计算出色差分量,就可以得出各颜色的组成分量,从而得到彩色增强后的图像。
如图4所示,本发明实施例提供了一种电子设备400,包括存储器410、处理器420及存储在存储器420上并可在处理器420上运行的计算机程序411,处理器420执行计算机程序411时实现本发明实施例提供的一种基于分步对比度增强的图像数据去噪方法。
在具体实施过程中,处理器420执行计算机程序411时,可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种数据处理装置所采用的设备,故而基于本发明实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍,只要本领域所属技术人员实施本发明实施例中的方法所采用的设备,都属于本发明所欲保护的范围。
请参阅图5,图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图5所示,本实施例提供了一种计算机可读存储介质500,其上存储有计算机程序511,该计算机程序511被处理器执行时实现本发明实施例提供的一种基于分步对比度增强的图像数据去噪方法;
在具体实施过程中,该计算机程序511被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提出了一种基于分步对比度增强的图像数据去噪方法,包括:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;遍历整幅图像,统计图像(i,j)位置上领域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;将去噪后的图像利用泊松方程得到灰度图像;对灰度图像使用改进后的CLAHE算法模型得到中间图像;对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像;本发明提出的方法,在不需要进行颜色转换的情况下,通过引入控制逸散矩阵,去除去噪过程中存在的阶梯效应,且通过改进后的CLAHE算法模型提供图像的对比度增强效果。
本发明引入控制逸散矩阵,利用图像噪声区域与边缘区域的梯度矢量结构特点,可以很好地保留图像中的边缘信息,去除去噪过程中存在的阶梯效应。
本发明提出改进后的CLAHE算法,将传统的CLAHE算法进行微分化,能够实现在解决局部细节区域增强的问题的同时,整体提高图像的对比度。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种基于分步对比度增强的图像数据去噪方法,其特征在于,包括如下步骤:
计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
将去噪后的图像利用泊松方程得到灰度图像;
对灰度图像使用改进后的CLAHE算法模型得到中间图像;
对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
5.一种基于分步对比度增强的图像数据去噪系统,其特征在于,包括:
计算梯度单元:计算图像RGB空间下的图像梯度模值di,j与图像梯度方向θi,j;
控制逸散矩阵获取单元:遍历整幅图像,统计图像(i,j)位置上邻域梯度矢量角度的同向性,作为f(di,j,θi,j)的值,构成图像中的控制逸散矩阵f(d,θ);
去噪单元:利用控制逸散矩阵f(d,θ)得到改进后的边缘去噪函数,对图像进行去噪,得到去噪后的图像;
灰度图像获取单元:将去噪后的图像利用泊松方程得到灰度图像;
中间图像获取单元:对灰度图像使用改进后的CLAHE算法模型得到中间图像;
彩色增强图像获取单元:对中间图像重新标定色差分量并进行彩色逆变,得到彩色增强后的图像。
9.一种电子设备,其特征在于,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现权利要求1至4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305010.0A CN114612340A (zh) | 2022-03-25 | 2022-03-25 | 一种分步对比增强的图像数据去噪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305010.0A CN114612340A (zh) | 2022-03-25 | 2022-03-25 | 一种分步对比增强的图像数据去噪方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612340A true CN114612340A (zh) | 2022-06-10 |
Family
ID=81866353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305010.0A Pending CN114612340A (zh) | 2022-03-25 | 2022-03-25 | 一种分步对比增强的图像数据去噪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612340A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN109949247A (zh) * | 2019-03-26 | 2019-06-28 | 常州工学院 | 一种基于yiq空间光学成像模型的梯度域自适应增益水下图像增强方法 |
CN109961415A (zh) * | 2019-03-26 | 2019-07-02 | 常州工学院 | 一种基于hsi空间光学成像模型的自适应增益水下图像增强方法 |
-
2022
- 2022-03-25 CN CN202210305010.0A patent/CN114612340A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN109949247A (zh) * | 2019-03-26 | 2019-06-28 | 常州工学院 | 一种基于yiq空间光学成像模型的梯度域自适应增益水下图像增强方法 |
CN109961415A (zh) * | 2019-03-26 | 2019-07-02 | 常州工学院 | 一种基于hsi空间光学成像模型的自适应增益水下图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
JP4858610B2 (ja) | 画像処理方法 | |
US9842382B2 (en) | Method and device for removing haze in single image | |
US8248492B2 (en) | Edge preserving and tone correcting image processing apparatus and method | |
JP5144202B2 (ja) | 画像処理装置およびプログラム | |
JP4858609B2 (ja) | ノイズ低減装置、ノイズ低減方法、及びノイズ低減プログラム | |
JPH03206572A (ja) | 階調変換自動化装置 | |
KR101225056B1 (ko) | 이미지 센서 노이즈 저감 장치 및 방법 | |
CN107610093B (zh) | 基于相似性特征融合的全参考型图像质量评价方法 | |
CN115731146B (zh) | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Kwok et al. | Design of unsharp masking filter kernel and gain using particle swarm optimization | |
CN105678718B (zh) | 图像去噪方法和装置 | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
JP5614550B2 (ja) | 画像処理方法、画像処理装置及びプログラム | |
CN110545414B (zh) | 一种图像锐化方法 | |
CN110136085B (zh) | 一种图像的降噪方法及装置 | |
KR101101434B1 (ko) | 이미지 선명도 향상 장치 | |
CN114612340A (zh) | 一种分步对比增强的图像数据去噪方法和系统 | |
JP5203159B2 (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
JP4202395B2 (ja) | 画像変換方法、変換画像生成方法、および画像補正装置 | |
CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
CN112837230B (zh) | 图像处理装置、图像处理方法和计算机可读介质 | |
WO2020241337A1 (ja) | 画像処理装置 | |
JP4104475B2 (ja) | 輪郭補正装置 |
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: 20220610 |