CN116091882B - 一种基于自适应双通道pcnn的偏振图像融合方法 - Google Patents
一种基于自适应双通道pcnn的偏振图像融合方法 Download PDFInfo
- Publication number
- CN116091882B CN116091882B CN202310311087.3A CN202310311087A CN116091882B CN 116091882 B CN116091882 B CN 116091882B CN 202310311087 A CN202310311087 A CN 202310311087A CN 116091882 B CN116091882 B CN 116091882B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- fused
- low
- fusion
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 54
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应双通道PCNN的偏振图像融合方法,将已配准的强度图像与偏振度图像经NSCT变换分解为高频子带和低频子带,采用权值图计算低频子带的图像特征,并将其低频部分PCNN模型的链接权重,计算融合图像的低频子带,采用MSMG算子计算高频子带的梯度特征,并将其作为高频部分PCNN模型的链接权重,计算融合图像的高频子带,最后通过逆NSCT变换得到最终的融合图像。本发明利用NSCT分解和改进型双通道自适应PCNN融合方法,能够突出的场景偏振信息,解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题,具有适用范围广、以及融合效果好等优点。
Description
技术领域
本发明涉及图像处理与光学工程技术领域,具体地指多源偏振图像融合领域,特别涉及一种基于自适应双通道PCNN的偏振图像融合方法。
背景技术
偏振成像系统能够采集到目标的强度图像和偏振度图像,其中强度图像主要用于描述反射率与透射率,而偏振度图像可以体现物体的偏振特性。强度图像和偏振度图像互补融合可以提供更多维度的光场信息,发挥不同成像探测方式的优势,弥补强度探测信息的不足,提高目标系统目标探测的能力。
现有的融合算法可以简单的分为空间域融合算法、变换域融合算法和混合融合算法,空间域融合算法容易引入伪吉斯现象,融合图像的边缘容易产生“伪影”,导致融合后图像能量缺失、细节模糊,变换域融合算法提取精度高,融合效果好,但算法也存在费事与实时性的问题。混合融合算法能吸取空间域与变换域算法的优势,弥补相互的不足,是融合算法发展的重要方向。
发明内容
针对上述目前技术存在的问题,本发明提出一种基于自适应双通道PCNN的偏振图像融合方法,能显著增强融合图像的纹理细节、图像清晰度、目标对比度以及图像像素方面的信息,同时解决了PCNN模型参数做到了自适应调节,针对不同频域的图像采用适应该部分的链接权重。
为达到上述目的,本发明的方法所采用的技术方案是:
一种基于自适应双通道PCNN的偏振图像融合方法,包括以下步骤:
步骤一:利用NSCT分解将强度图像和偏振度图像分解为高频子带和低频子带;
步骤二:构建低频子带的权值图,将低频子带的权值图作为低频融合PCNN网络的链接权重;
步骤三:利用MSMG算法计算高频子带特征图,将高频子带特征图作为高频融合PCNN网络的链接权重;
步骤四:分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频子带和低频子带进行融合;
步骤五:利用NSCT逆变换将融合的高频子带和低频子带合成融合图像。
进一步地,所述步骤一中,所述NSCT分解将强度图像和偏振度图像分解为L级,分解得到的子带为和/>,其中/>,D是一个L维向量,包含定向分解层数;/>为强度图像在/>方向的第/>级分解层的高频方向子带,/>表示强度图像的低频子带,/>被称为偏振度图像在/>方向的第/>级分解层的高频方向子带,/>表示偏振度图像的低通子带。
进一步地,所述步骤二的低频子带的权值图的构建方法如下:
①.计算图像的区域标准差:
(1)
其中,为区域尺寸,/>为待计算的图像,x、y为图像像素点的值,/>为区域像素点均值。
②.计算图像的信息熵:
(2)
③.计算图像的权值图:
(3)
(4)
(5)
其中,代表图像名称,/>用于调节权值图对源图像特征的表示程度,/>为误差参数,/>为图像的像素点,/>为权值图,/>为强度图的区域标准差,/>为强度图的区域标准差,/>为偏振度图的区域信息熵,/>为偏振度图的的区域信息熵。
将计算出的权值图作为低频部分融合PCNN模型的链接权重,如公式(6-7)所示:
(6)
(7)
其中,为强度图像的链接权重,/>为强度图像的权值图,/>为偏振度图像的链接权重,/>为偏振度图像的权值图。
进一步地,所述步骤三中的计算方法如下:
首先多尺度结构要素的定义是:
(8)
其中,为基本结构元素,t为尺度数;
其次,利用形态学梯度算子对图像的梯度特征/>进行表征:
(9)
其中,和/>分别表示形态膨胀和腐蚀操作符,/>为像素坐标;
然后,通过计算各尺度梯度的加权和:
(10)
式中,表示梯度在t尺度上的权重,表示为:
(11)
t为尺度数。
选择计算出的图像各尺度梯度加权和作为高频部分融合PCNN模型的链接权重,如公式(13-14)所示:
(13)
(14)
其中,为强度图像的链接权重,/>为强度图像的梯度加权和,/>为偏振度图像的链接权重,/>为偏振度图像的梯度加权和。
进一步地,所述PCNN网络的模型的实现公式如下:
(15)
(16)
(17)
(18)
(19)
(20)
(21)
(22)
其中,、/>为模型第n次迭代的外部刺激,/>、/>为第一待融合图像与第二待融合图像的像素点灰度值,第一待融合图像与第二待融合图像分别为强度图像和偏振度图像;/>为模型第n次迭代的链接输入,其值由/>领域内的脉冲输出决定,、/>分别为两图像的内部活动项,/>为链接权重,计算公式如(7-8)、(11-12)所示,/>为联合内部活动项,第n次迭代后,用于生成融合图像;/>、/>分别为模型的输出和动态阈值;上标1表示第一待融合图像的参数,上标2表示第二待融合图像的参数;/>为动态阈值,/>、/>为衰减因子,三个参数由如公式(23-25)计算:
(23)
(24)
(25)
其中,为图像的标准差,/>、/>为第一待融合图像与第二待融合图像的最大灰度值,/>分别代表第一待融合图像与第二待融合图像的大津阈值。
进一步地,所述步骤四中,所述的高频子带融合和低频子带融合,PCNN网络的模型执行n次迭代后,融合高频方向子带和低频子带/>由公式(26-27)计算得到:
(26)
(27)。
本发明提出使用基于NSCT分解与改进型双通道参数自适应PCNN模型相结合的偏振图像融合方法,相对于目前已有的技术,本发明具有如下的优点和创新性:
1.本发明的多尺度NSCT分解方式保护了偏振图像和强度图像各自的图像特点,加上PCNN融合算法,得到不同尺度不同方向上子带系数的内部活动项,内部活动项相当于两类子带系数在视觉系统中的反映,利用内部活动项实现这两类图像在各子带系数上的融合,提高了融合图像的质量,保证了融合图像含有偏振图像和强度图像各自的特点。
2.本发明采用了改进型双通道参数自适应PCNN模型,该模型将两个PCNN模型简化为一个,使得模型参数减少,各参数采用自适应计算规则,针对不同的融合图像,通过计算图像特征,自适应调节参数的值,解决了PCNN模型参数设计困难的问题。
3.本发明采用的改进型双通道参数自适应PCNN模型,针对高频子带和低频子带,采用不同的链接权重,高频子带采用MSMG算子计算图像的梯度特征作为该部分的链接权重,低频子带采计算图像的权值图作为该部分的链接权重,得到了适应于不同频率部分的PCNN算法,从而保证了偏振融合图像不仅具有丰富的强度信息,而且包含了突出的场景偏振信息,解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题,具有较好的应用前景。
附图说明
图1为本发明一种基于自适应双通道PCNN的偏振图像融合方法的流程图。
图2为本发明改进型双通道参数自适应PCNN模型图。
图3为本方法实际融合结果与常用融合方法融合结果对比;其中,图(a)为强度图像,图(b)为偏振度图像,图(c)为加权平均融合图像,图(d)为区域能量融合图像,图(e)为小波融合图像,图(f)为PCNN融合图像,图(g)为本发明的融合算法图像。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明提出了一种基于自适应双通道PCNN的偏振图像融合方法,首先将已配准的强度图像与偏振度图像经NSCT变换分解为高频子带和低频子带,采用权值图计算低频子带的图像特征,并将其低频部分PCNN模型的链接权重,计算融合图像的低频子带,采用MSMG算子计算高频子带的梯度特征,并将其作为高频部分PCNN模型的链接权重,计算融合图像的高频子带,最后通过逆NSCT变换得到最终的融合图像。该方法能够突出的场景偏振信息,解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题,具有适用范围广、参数自适应、实现简单以及融合效果好等优点。
如图1所示,本发明提供的一种基于自适应双通道PCNN的偏振图像融合方法,包含以下步骤:
步骤一:利用NSCT分解将大小为10241224的强度图像和偏振度图像分解为/>级,分解得到的子波段为/>和/>,这里的/>,D是一个/>维向量,包含定向分解层数。/>被称为强度图像在/>方向的第/>级分解层的高频方向子带,而/>表示它的低通子带,/>被称为偏振度图像在/>方向的第/>级分解层的高频方向子带,而/>表示它的低通子带。本实施例选取/>,/>。
步骤二:构建低频图像的权值图,将权值图作为低频融合PCNN网络的链接权重。权值图的构建方法如下:
①.计算图像的区域标准差:
(1)
其中,为区域尺寸,/>为待计算的图像,x、y为图像像素点的值,/>为区域像素点均值。
②.计算图像的信息熵:
(2)
③.计算图像的权值图:
(3)
(4)
(5)
其中,代表图像名称,/>用于调节权值图对源图像特征的表示程度,/>,/>为误差参数,/>,防止出现除零现象,最终导致异常点的出现,/>为图像的像素点,/>为权值图,/>为强度图的区域标准差,/>为偏振度图的区域标准差,为强度图的区域信息熵,/>为偏振度图的的区域信息熵。
将计算出的权值图作为低频部分融合PCNN模型的链接权重,见公式(6-7)。
(6)
(7)
其中,为强度图像的链接权重,/>为强度图像的权值图,/>为偏振度图像的链接权重,/>为偏振度图像的权值图。
步骤三:利用MSMG算法计算高频子带图像特征图,将高频子带图像特征图作为高频融合PCNN网络的链接权重,计算方法如下:
首先多尺度结构要素的定义是:
(8)
其中,为基本结构元素,t为尺度数。结构元素的大小设置为13,t设置为7。
其次,利用形态学梯度算子对图像的梯度特征/>进行表征:
(9)
其中,和/>分别表示形态膨胀和腐蚀操作符,/>为像素坐标。然后,通过计算得到各尺度梯度的加权和/>:
(10)
式中,表示梯度在t尺度上的权重,可表示为:
(11)
t为尺度数,取值为7。
选择计算出的图像各梯度加权和作为高频部分融合PCNN模型的链接权重,见公式(13-14)。
(13)
(14)
其中,为强度图像的链接权重,/>为强度图像的梯度加权和,/>为偏振度图像的链接权重,/>为偏振度图像的梯度加权和。
步骤四:分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频部分和低频部分进行融合。所述PCNN模型如图2所示,模型实现公式如下:
(15)
(16)
(17)
(18)
(19)
(20)
(21)
(22)
其中,、/>为模型第n次迭代的外部刺激,n取值为200,/>、/>为第一待融合图像与第二待融合图像的像素点灰度值,第一待融合图像与第二待融合图像分别为强度图像和偏振度图像。/>为模型第200次迭代的链接输入,其值由8领域内的脉冲输出决定,/>、/>分别为两图像的内部活动项,/>为链接权重,计算公式见(7-8)、(11)-(12),/>为联合内部活动项,第200次迭代后,可用于生成融合图像。/>、分别为模型的输出和动态阈值。上标1表示第一待融合图像的参数,上标2表示第二待融合图像的参数。/>为动态阈值,/>、/>为衰减因子,三个参数由如下公式(23-25)计算:
(23)
(24)
(25)
其中,为图像的标准差,/>、/>为第一待融合图像与第二待融合图像的最大灰度值,/>分别代表第一待融合图像与第二待融合图像的大津阈值。
通过所述PCNN模型执行200次迭代后,融合高频方向子带和低频子带/>由公式(26-27)计算得到。
(26)
(27)
步骤五:利用NSCT逆变换将融合的高频部分和低频部分合成融合图像;
通过偏振成像系统得到强度图像和偏振度图像,将本融合方法与加权平均融合、区域能量融合、小波融合、PCNN融合和本方法的融合算法进行对比实验,融合结果如图3所示,其中,图3的图(a)为强度图像,图3的图(b)为偏振度图像,图3的图(c)为加权平均融合图像,图3的图(d)为区域能量融合图像,图3的图(e)为小波融合图像,图3的图(f)为PCNN融合图像,图3的图(g)为本发明的融合算法图像。信息熵(EN)、平均梯度(AG)、互信息(MI)、基于梯度的融合性能(Qabf)、空间频率(SF)、标准差(STD)六个客观指标结果如表1所示,本方法在信息熵(EN)和平均梯度(AG)等五个指标都表现优异,实验结果可以证明本发明的融合算法具有一定的优势。
表1实际融合结果与常用融合方法融合结果的指标对比
,
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出的替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种基于自适应双通道PCNN的偏振图像融合方法,其特征在于,包括以下步骤:
步骤一:利用NSCT分解将强度图像和偏振度图像分解为高频子带和低频子带,所述NSCT分解将强度图像和偏振度图像分解为L级,分解得到的子带为和/>其中,l∈[1,L]、d∈D,D是一个L维向量,包含定向分解层数;/>为强度图像在d方向的第l级分解层的高频方向子带,L1表示强度图像的低频子带,/>被称为偏振度图像在d方向的第l级分解层的高频方向子带,L2表示偏振度图像的低通子带;
步骤二:构建低频子带的权值图,将低频子带的权值图作为低频融合PCNN网络的链接权重,所述低频子带的权值图的构建方法如下:
①.计算图像的区域标准差STD(x,y):
其中,M、N为区域尺寸,f为待计算的图像,x、y为图像像素点的值,μ为区域像素点均值;
②.计算图像的信息熵EN(x,y):
③.计算图像的权值图:
wλ=dλ(x,y)×eλ(x,y) (5)
其中,λ代表图像名称,α用于调节权值图对源图像特征的表示程度,∈为误差参数,(x,y)为图像的像素点,wλ为权值图,STD1为强度图的区域标准差,STD2为强度图的区域标准差,EN1为偏振度图的区域信息熵,EN2为偏振度图的的区域信息熵;
将计算出的权值图作为低频部分融合PCNN模型的链接权重,如公式(6)-公式(7)所示:
其中,为强度图像的链接权重,/>为强度图像的权值图,/>为偏振度图像的链接权重,/>为偏振度图像的权值图;
步骤三:利用MSMG算法计算高频子带特征图,将高频子带特征图作为高频融合PCNN网络的链接权重,计算方法如下:
首先多尺度结构要素的定义是:
其中,SE1为基本结构元素,t为尺度数;
其次,利用形态学梯度算子对图像f的梯度特征Gt进行表征:
其中,和/>分别表示形态膨胀和腐蚀操作符,(x,y)为像素坐标;
然后,通过计算各尺度梯度的加权和M:
式中,wt表示梯度在t尺度上的权重,表示为:
式中,t为尺度数;
选择计算出的图像各尺度梯度加权和M作为高频部分融合PCNN模型的链接权重,如公式(13)-(14)所示:
其中,为强度图像的链接权重,/>为强度图像的梯度加权和,/>为偏振度图像的链接权重,/>为偏振度图像的梯度加权和;
步骤四:分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频子带和低频子带进行融合,所述的高频子带融合和低频子带融合,PCNN网络的模型执行n次迭代后,融合高频方向子带和低频子带LF由公式(26)-公式(27)计算得到:
所述PCNN网络的模型的实现公式如下:
其中,为模型第n次迭代的外部刺激,/>为第一待融合图像与第二待融合图像的像素点灰度值,第一待融合图像与第二待融合图像分别为强度图像和偏振度图像;Lij[n]为模型第n次迭代的链接输入,其值由N领域内的脉冲输出决定,/> 分别为两图像的内部活动项,β为链接权重,计算公式如(7)-公式(8)、公式(11)-公式(12)所示,Uxj[n]为联合内部活动项,第n次迭代后,用于生成融合图像;Yij[n]、Eij[n]分别为模型的输出和动态阈值;上标1表示第一待融合图像的参数,上标2表示第二待融合图像的参数;CE为动态阈值,αE、αu为衰减因子,三个参数由如公式(23)-公式(25)计算:
其中,σ为图像的标准差,为第一待融合图像与第二待融合图像的最大灰度值,/>分别代表第一待融合图像与第二待融合图像的大津阈值;
步骤五:利用NSCT逆变换将融合的高频子带和低频子带合成融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310311087.3A CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310311087.3A CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091882A CN116091882A (zh) | 2023-05-09 |
CN116091882B true CN116091882B (zh) | 2023-12-22 |
Family
ID=86204801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310311087.3A Active CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091882B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455990A (zh) * | 2013-03-04 | 2013-12-18 | 深圳信息职业技术学院 | 结合视觉注意机制和pcnn的图像融合方法 |
CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
-
2023
- 2023-03-28 CN CN202310311087.3A patent/CN116091882B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455990A (zh) * | 2013-03-04 | 2013-12-18 | 深圳信息职业技术学院 | 结合视觉注意机制和pcnn的图像融合方法 |
CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
Non-Patent Citations (1)
Title |
---|
"基于非下采样剪切波变换的医学图像融合算法研究";张瑞;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;正文第26-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116091882A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204467B (zh) | 一种基于级联残差神经网络的图像去噪方法 | |
CN107644401A (zh) | 基于深度神经网络的乘性噪声去除方法 | |
KR20170058277A (ko) | 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치 | |
CN111368710A (zh) | 一种联合深度学习的地震数据随机噪声压制方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
CN112882115A (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
CN110830043A (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN113917540B (zh) | 基于稀疏约束的抗假频射线束进行地震数据去噪的方法 | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
Liu et al. | SAR image specle reduction based on a generative adversarial network | |
CN116091882B (zh) | 一种基于自适应双通道pcnn的偏振图像融合方法 | |
CN110634112A (zh) | 一种双域分解的矿井下含噪声图像的增强方法 | |
Balodi et al. | Comparison of despeckle filters for ultrasound images | |
CN105096274A (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
Zhang et al. | An adaptive total variational despeckling model based on gray level indicator frame | |
CN112731327A (zh) | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 | |
CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
CN109212590B (zh) | 一种保幅的逆时偏移低频噪音压制方法及系统 | |
CN113012069B (zh) | 小波变换域下结合深度学习的光学遥感图像质量提升方法 | |
Ga’fer et al. | Slantlet Transform based Video Denoising | |
Nikitha et al. | Implementation of Hybrid Median Filtering using Modified Data Comparator | |
CN117115452B (zh) | 可控的医学超声图像去噪方法、系统及计算机存储介质 |
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 |