CN116309086A - 图像降噪方法、终端设备以及计算机可读存储介质 - Google Patents
图像降噪方法、终端设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116309086A CN116309086A CN202211086297.9A CN202211086297A CN116309086A CN 116309086 A CN116309086 A CN 116309086A CN 202211086297 A CN202211086297 A CN 202211086297A CN 116309086 A CN116309086 A CN 116309086A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- image
- energy function
- function
- pixel
- 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 64
- 230000006870 function Effects 0.000 claims description 127
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 17
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000001914 filtration Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像降噪方法、终端设备以及计算机可读存储介质,该图像降噪方法包括:获取原始图像;构建第一降噪能量函数,其中,降噪能量函数包括数据项和规则项;利用原始图像对第一降噪能量函数,进行初始化,以得到第一初始化参数;基于第一初始化参数对第一降噪能量函数进行迭代计算,得到第一降噪能量函数的输出满足预设条件时的图像,作为最终的降噪图像。本申请的图像降噪方法通过规则项构建降噪能量函数,在保留降噪后图像边缘信息的同时也减少边缘锯齿,能够有效提高降噪效果。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像降噪方法、终端设备以及计算机可读存储介质。
背景技术
图像在采集、传输、接收过程,均处存在各种干扰,如光电转换过程中敏感元件灵敏度不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等都会受到噪声的影响,继而影响到输人、输出环节,噪声恶化了图像质量,使图像变得模糊,甚至淹没图像特征,从而导致图像质量下降,不止会导致图像的分辨率降低,同时图像原本精细的结构也会遭到破坏,这给后面的图像区域分割、分析判断等工作带来了困难。
图像降噪的目的是对图像进行加工,得到对更适用于后续处理的图像。噪声对于图像的后续处理极为不利,在图像的预处理阶段有效的抑制噪声、去除噪声、恢复原始图像是图像处理中的一个重要的内容,对于图像的应用有着至关重要的作用。
发明内容
本申请提出一种图像降噪方法、终端设备以及计算机可读存储介质。
本申请采用的一个技术方案是提供一种图像降噪方法,所述图像降噪方法包括:
获取原始图像;
构建第一降噪能量函数,其中,所述降噪能量函数包括数据项和规则项;
利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数;
基于所述第一初始化参数对所述第一降噪能量函数进行迭代计算,得到所述第一降噪能量函数的输出满足预设条件时的图像,作为最终的降噪图像。
其中,所述构建第一降噪能量函数,包括:
构建规则项,根据全局降噪强度将规则项和数据项进行结合,形成初始第一降噪能量函数。
其中,所述规则项包括图像像素值、图像边缘方向降噪强度控制参数及权重值;
其中,所述权重值由当前图像块的像素值与所述原始图像中其他图像块的像素值的比值决定。
其中,所述构建规则项,根据全局降噪强度将规则项和数据项进行结合,形第一降噪能量函数之后,还包括:
对所述第一降噪能量函数中的规则项进行至少一次泰勒展开,获得第二降噪能量函数。
其中,所述利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数之前,还包括:
将所述第一降噪能量函数映射成矩阵函数;
其中,所述矩阵函数包括矩阵形式的数据项和矩阵形式的规则项。
其中,所述利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数,包括:
将所述原始图像输入所述矩阵函数,进行初始化,以得到所述第一初始化参数;
所述将所述原始图像输入所述矩阵函数,进行初始化,包括:
将所述原始图像的数值初始化所述矩阵函数的数据项,并计算得到所述矩阵函数中规则项的第一初始化参数。
其中,基于所述第一初始化参数对所述第一降噪能量函数进行迭代计算,得到所述第一降噪能量函数的输出满足预设条件时的图像,包括:
对所述矩阵函数进行求导,得到降噪图像函数;
将所述规则项的第一初始化参数输入所述降噪图像函数,获得降噪图像的第一像素参数;
将所述第一像素参数输入所述矩阵函数,计算所述规则项的第二初始化参数;
将所述规则项的第二初始化参数输入所述降噪图像函数,获得降噪图像的第二像素参数;
判断所述第一像素参数与所述第二像素参数的差值是否满足预设条件;
若是,则根据所述第二像素参数得到最终的降噪图像;
若否,迭代计算所述规则项的初始化参数以及像素参数,直至相邻像素参数的差值满足所述预设条件。
其中,所述预设条件为相邻像素参数的差值的范数小于预设阈值。
本申请采用的另一个技术方案是提供一种终端设备,所述终端设备包括处理器、与所述处理器连接的存储器,其中,所述存储器存储有程序指令;所述处理器用于执行所述存储器存储的程序指令以实现如上述的图像降噪方法。
本申请采用的再一个技术方案是提供一种计算机可读存储介质,存储介质存储有程序指令,所述程序指令被执行时实现上述的图像降噪方法。
本申请的有益效果是:获取原始图像;构建第一降噪能量函数,其中,降噪能量函数包括数据项和规则项;利用原始图像对第一降噪能量函数,进行初始化,以得到第一初始化参数;基于第一初始化参数对第一降噪能量函数进行迭代计算,得到第一降噪能量函数的输出满足预设条件时的图像,作为最终的降噪图像。本申请的图像降噪方法通过规则项构建降噪能量函数,在保留降噪后图像边缘信息的同时也减少边缘锯齿,能够有效提高降噪效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对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的附图。
图1是本申请提供的图像降噪方法一实施例的流程示意图;
图2是图1中S4的子步骤的流程示意图;
图3是本申请提供的图像降噪方法另一实施例的流程示意图;
图4是本申请提供的终端设备一实施例的结构示意图;
图5是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做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。
在申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例中的步骤并不一定是按照所描述的步骤顺序进行处理,可以按照需求有选择的将步骤打乱重排,或者删除实施例中的步骤,或者增加实施例中的步骤,本申请实施例中的步骤描述只是可选的顺序组合,并不代表本申请实施例的所有步骤顺序组合,实施例中的步骤顺序不能认为是对本申请的限制。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法或设备固有的其它步骤或单元。
另外,本申请中尽管多次采用术语“第一”、“第二”等来描述各种数据(或各种应用或各种指令或各种操作)等,不过这些数据(或应用或指令或操作)不应受这些术语的限制。这些术语只是用于区分一种数据(或应用或指令或操作)和另一种数据(或应用或指令或操作)。
目前主流的图像降噪方法包括空间域图像降噪方法、频域图像降噪方法及基于学习类的图像降噪方法。
空间域的图像降噪方法主要有均值滤波、高斯滤波、中值滤波等算法,此类算法在降噪的同时容易丢失较多有用的图像信息,稍微复杂的双边滤波和非局部均值算法在克服部分上述不足的同时,仍具有对纹理保护不佳的缺点。
频域图像降噪方法主要有小波降噪、离散余弦变换(DCT)等方法,通过将图像变换到频域,并在频域进行降噪。频域图像降噪方法与空间域图像降噪方法相比,在抑制大噪声方面存在不足。
基于学习类的图像降噪方法主要有基于深度学习的降噪方法和基于字典学习类的降噪方法。基于学习类图像降噪方法使用预先采集的样本训练出降噪算法,可以在降低噪声的同时,最大限度地保留了图像信息,然而基于学习类的图像降噪方法计算量巨大,难以应用在实际场景上。
本申请提出一种用于减少降噪后图像边缘粗糙的图像降噪方法,具体请参阅图1,图1是本申请提供的图像降噪方法一实施例的流程示意图。
如图1所示,本申请实施例的图像降噪方法具体可以包括以下步骤:
S1,获取原始图像。
在一种实施例中,相机拍摄出原始的图像,传送至图像降噪终端,进行图像降噪处理。
S2,构建第一降噪能量函数。
其中,构建第一降噪能量函数的步骤可以包括:
构建规则项,根据全局降噪强度将规则项和数据项进行结合,形成初始第一降噪能量函数。
在一种实施例中,图像降噪终端构建的第一降噪能量函数满足:
E(X)=g(X)+λf(X)
其中,g(X)为数据项,λ为全局降噪强度,f(X)为规则项,X为降噪后的图像。
其中,规则项包括图像像素值、图像边缘方向降噪强度控制参数及权重值。
在一种实施例中,图像降噪终端构建的规则项满足:
其中,i为图像中某个像素点的位置信息,xi为位置i上的像素值。Si为以位置i为中心的一个范围。σi为边缘方向降噪控制参数。
可选地,Si可以为3x3,5x5,7x7等。
可选地,σi可以根据不同的像素值设置不同的数值。
其中,权重值由当前图像块的像素值与所述原始图像中其他图像块的像素值的比值决定。
在一种实施例中,图像降噪终端通过图像块匹配的方式与归一化的方式进行权重值的计算。权重值的计算方式可以为:
其中,wj为xi相对于xi的权重值。
本申请通过构建规则项,使用规则项中的权重值来约束滤波的方向,使得降噪过程中能沿着边缘切线的方向进行滤波,这样即保证边缘信息,同时还能解决锯齿现象。同时引入指数运算,降低高频的降噪权重进一步保护大边缘的信息。
在一种实施例中,图像降噪终端构建的第一降噪能量函数可以为:
本申请提出的图像降噪方法,即对上述第一降噪能量函数进行优化,也就是获取使第一降噪能量函数最小的图像,即:
X=argminXE(X)
在完成第一降噪能量函数建立后,对第一降噪能量函数中的规则项进行至少一次泰勒展开,获得第二降噪能量函数。
在一种实施例中,图像降噪终端对所建立的第一降噪能量函数优化是一个非凸优化问题,针对上述问题,对第一降噪能量函数中的数据项进行第一次泰勒展开,得到初步的第二降噪能量函数为:
图像降噪终端对所获得初步的第二降噪能量函数进行求解仍然为一个非凸优化问题,图像降噪终端对初步的第二降噪能量函数再进一步进行泰勒展开,得到第二降噪能量函数:
图像降噪终端通过对第一降噪能量函数进行不少于一次的泰勒展开,获得的第二降噪能量函数是第一降噪能量函数的近似凸函数,便于求解出最终的降噪图像。
S3,利用原始图像对第一降噪能量函数,进行初始化,以得到初始参数。
在S3之前,还包括将第一降噪能量函数映射成矩阵函数,其中,矩阵函数包括矩阵形式的数据项和矩阵形式的规则项。
在一种实施例中,图像降噪终端可以对第一降噪能量函数的近似展开函数,即第二降噪能量函数映射成矩阵函数,即:
将原始图像输入矩阵函数,进行初始化,以得到第一初始化参数。
该步骤还包括:将原始图像的数值初始化矩阵函数的数据项,并计算得到矩阵函数中规则项的第一初始化参数。
在一种实施例中,图像降噪终端将X0初始化为Y,代入矩阵函数E(X)中并计算得到规则项的第一初始化参数L0,D0和H0。
S4,基于第一初始化参数对第一降噪能量函数进行迭代计算,得到第一降噪能量函数的输出满足预设条件时的图像,作为最终的降噪图像。
第一降噪能量函数进行迭代计算的具体步骤请参阅图2,图2是图1中S4的子步骤的流程示意图。
如图2所示,第一降噪能量函数进行迭代计算的具体步骤可以包括:
S41,对矩阵函数进行求导,得到降噪图像函数。
在一种实施例中,对矩阵函数E(X)进行求导,获得降噪图像函数:
Xk+1=(I+2λLk)-1(Y-λDt,k1+λHt,k1)
S42,将规则项的第一初始化参数输入降噪图像函数,获得降噪图像的第一像素参数。
在一种实施例中,图像降噪终端将规则项的第一初始化参数L0,D0和H0输入至降噪图像函数中,计算求解获得第一像素参数X1。
在另一种实施例中,图像降噪终端将规则项的第一初始化参数Lk-1,Dk-1和Hk-1输入至降噪图像函数中,计算求解获得第一像素参数Xk。
其中k=2,3,4……
S43,将第一像素参数输入矩阵函数,计算规则项的第二初始化参数。
在一种实施例中,图像降噪终端将第一像素参数X1输入至矩阵函数E(X),计算求解出规则项的第二初始化参数L1,D1和H1。
在另一种实施例中,图像降噪终端将第一像素参数Xk输入至矩阵函数E(X),计算求解出规则项的第二初始化参数Lk,Dk和Hk。
其中k=1,2,3,……
S44,将规则项的第二初始化参数输入降噪图像函数,获得降噪图像的第二像素参数。
在一种实施例中,图像降噪终端将规则项的第二初始化参数L1,D1和H1输入至降噪图像函数中,计算求解出第二像素参数X2。
在另一种实施例中,图像降噪终端将规则项的第二初始化参数Lk,Dk和Hk输入至降噪图像函数中,计算求解出第二像素参数Xk+1。
S45,判断第一像素参数与第二像素参数的差值是否满足预设条件,若是,跳转至S46;若否,跳转至S47。
其中,预设条件为相邻像素参数的差值的范数小于预设阈值。
在一种实施例中,若第一像素参数X1与第二像素参数X2差值的范数小于预设阈值,跳转至S46,即满足:
其中,ε为预设阈值。
若第一像素参数X1与第二像素参数X2差值的范数大于等于预设阈值,跳转至S47。
在另一种实施例中,若第一像素参数Xk与第二像素参数Xk+1范数小于预设阈值,跳转至S46,即满足:
其中,ε为预设阈值,k=1,2,3,……
若第一像素参数Xk与第二像素参数Xk+1范数大于等于预设阈值,跳转至S47。
S46,根据第二像素参数得到最终的降噪图像。
在一种实施例中,图像降噪终端根据第二像素参数Xk+1获得最终的降噪图像,即X=Xk+1。其中k=1,2,3,……
S47,迭代计算规则项的初始化参数以及像素参数,直至相邻像素参数的差值满足预设条件。
在一种实施例中,图像降噪终端计算规则项的初始化参数,依次求出L2、D2、H2,将上述初始化参数L2、D2、H2带入降噪图像函数获得X3。
若不满足:
则迭代计算规则项的初始化参数以及像素参数,直到满足:
其中,k=1,2,3,……
请参阅图3,图3是本申请提供的图像降噪方法另一实施例的流程示意图。
如图3所示,本申请提供的图像降噪方法另一实施例的步骤可以包括:
S100,提出规则项。
在一种实施例中,图像降噪终端构建的规则项满足:
其中,i为图像中某个像素点的位置信息,xi为位置i上的像素值。Si为以位置i为中心的一个范围。σi为边缘方向降噪控制参数。
可选地,Si可以为3x3,5x5,7x7等。
可选地,σi可以根据不同的像素值设置不同的数值。
其中,权重值由当前图像块的像素值与所述原始图像中其他图像块的像素值的比值决定。
在一种实施例中,图像降噪终端通过图像块匹配的方式与归一化的方式进行权重值的计算。权重值的计算方式可以为:
其中,wj为xi相对于xi的权重值。
本申请通过构建规则项,使用规则项中的权重值来约束滤波的方向,使得降噪过程中能沿着边缘切线的方向进行滤波,这样即保证边缘信息,同时还能解决锯齿现象。同时引入指数运算,降低高频的降噪权重进一步保护大边缘的信息。
S200,建立初步降噪优化能量函数。
在一种实施例中,图像降噪终端构建的降噪优化能量函数可以为:
本申请提出的图像降噪方法,即对上述降噪优化能量函数进行优化,也就是获取使初步降噪优化能量函数最小的图像,即:
X=argminXE(X)
图像降噪终端对所建立的降噪优化能量函数优化是一个非凸优化问题,针对上述问题,对降噪优化能量函数中的数据项进行第一次泰勒展开,得到初步降噪优化能量函数为:
S300,建立最终降噪优化能量函数。
图像降噪终端对所获得初步降噪优化能量函数进行求解仍然为一个非凸优化问题,图像降噪终端对初步降噪优化能量函数再进一步进行泰勒展开,得到最终降噪优化能量函数:
图像降噪终端对最终降噪优化能量函数映射成矩阵函数,即:
S400,迭代优化。
图像降噪终端对矩阵函数求导,获得降噪图像函数:
Xk+1=(I+2λLk)-1(Y-λDt,k1+λHt,k1)
图像降噪终端将X0初始化为Y代入矩阵函数E(X),求出L0,D0和H0,再将L0,D0和H0代入降噪图像函数中,求得X1;
图像降噪终端将X1代入矩阵函数E(X),求出L1,D1和H1,再将L1,D1和H1代入降噪图像函数中,求得X2;
不断迭代,直到满足:
其中,ε为预设阈值,k=1,2,3,……
X=Xk+1即为最终的降噪图像。
请继续参阅图4,图4是本申请提供的终端设备一实施例的结构示意图。本申请实施例的终端设备500包括处理器51和存储器52。
该处理器51、存储器52分别与总线相连,该存储器52中存储有程序数据,处理器51用于执行程序数据以实现上述实施例所述的图像降噪方法。
在本申请实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现场可编程门阵列(FPGA,FieldProgrammable Gate Array)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,请继续参阅图5,图5是本申请提供的计算机存储介质一实施例的结构示意图,该计算机存储介质600中存储有程序数据61,该程序数据61在被处理器执行时,用以实现上述实施例的图像降噪方法。
本申请的实施例以软件功能单元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全部或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)或处理器(processor)执行本申请各个实施方式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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,方式利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种图像降噪方法,其特征在于,所述图像降噪方法包括:
获取原始图像;
构建第一降噪能量函数,其中,所述降噪能量函数包括数据项和规则项;
利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数;
基于所述第一初始化参数对所述第一降噪能量函数进行迭代计算,得到所述第一降噪能量函数的输出满足预设条件时的图像,作为最终的降噪图像。
2.根据权利要求1所述的图像降噪方法,其特征在于,
所述构建第一降噪能量函数,包括:
构建规则项,根据全局降噪强度将规则项和数据项进行结合,形成初始第一降噪能量函数。
3.根据权利要求2所述的图像降噪方法,其特征在于,
所述规则项包括图像像素值、图像边缘方向降噪强度控制参数及权重值;
其中,所述权重值由当前图像块的像素值与所述原始图像中其他图像块的像素值的比值决定。
4.根据权利要求2所述的图像降噪方法,其特征在于,
所述构建规则项,根据全局降噪强度将规则项和数据项进行结合,形第一降噪能量函数之后,还包括:
对所述第一降噪能量函数中的规则项进行至少一次泰勒展开,获得第二降噪能量函数。
5.根据权利要求1所述的图像降噪方法,其特征在于,
所述利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数之前,还包括:
将所述第一降噪能量函数映射成矩阵函数;
其中,所述矩阵函数包括矩阵形式的数据项和矩阵形式的规则项。
6.根据权利要求5所述的图像降噪方法,其特征在于,
所述利用所述原始图像对所述第一降噪能量函数,进行初始化,以得到第一初始化参数,包括:
将所述原始图像输入所述矩阵函数,进行初始化,以得到所述第一初始化参数;
所述将所述原始图像输入所述矩阵函数,进行初始化,包括:
将所述原始图像的数值初始化所述矩阵函数的数据项,并计算得到所述矩阵函数中规则项的第一初始化参数。
7.根据权利要求6所述的图像降噪方法,其特征在于,
基于所述第一初始化参数对所述第一降噪能量函数进行迭代计算,得到所述第一降噪能量函数的输出满足预设条件时的图像,包括:
对所述矩阵函数进行求导,得到降噪图像函数;
将所述规则项的第一初始化参数输入所述降噪图像函数,获得降噪图像的第一像素参数;
将所述第一像素参数输入所述矩阵函数,计算所述规则项的第二初始化参数;
将所述规则项的第二初始化参数输入所述降噪图像函数,获得降噪图像的第二像素参数;
判断所述第一像素参数与所述第二像素参数的差值是否满足预设条件;
若是,则根据所述第二像素参数得到最终的降噪图像;
若否,迭代计算所述规则项的初始化参数以及像素参数,直至相邻像素参数的差值满足所述预设条件。
8.根据权利要求7所述的图像降噪方法,其特征在于,
所述预设条件为相邻像素参数的差值的范数小于预设阈值。
9.一种终端设备,其特征在于,所述终端设备包括处理器、与所述处理器连接的存储器,其中,
所述存储器存储有程序指令;
所述处理器用于执行所述存储器存储的程序指令以实现如权利要求1至8任一项所述的图像降噪方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序指令,所述程序指令被执行时实现如权利要求1至8任一项所述的图像降噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086297.9A CN116309086A (zh) | 2022-09-06 | 2022-09-06 | 图像降噪方法、终端设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086297.9A CN116309086A (zh) | 2022-09-06 | 2022-09-06 | 图像降噪方法、终端设备以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309086A true CN116309086A (zh) | 2023-06-23 |
Family
ID=86819067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211086297.9A Pending CN116309086A (zh) | 2022-09-06 | 2022-09-06 | 图像降噪方法、终端设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309086A (zh) |
-
2022
- 2022-09-06 CN CN202211086297.9A patent/CN116309086A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Motion blur kernel estimation via deep learning | |
Pimpalkhute et al. | Digital image noise estimation using DWT coefficients | |
Chen et al. | Structure-adaptive fuzzy estimation for random-valued impulse noise suppression | |
Yang et al. | Image denoising using nonsubsampled shearlet transform and twin support vector machines | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
Karnati et al. | Fast non-local algorithm for image denoising | |
EP2927864B1 (en) | Image processing device and image processing method | |
Zeng et al. | A generalized DAMRF image modeling for superresolution of license plates | |
Gong et al. | Combining sparse representation and local rank constraint for single image super resolution | |
Hu et al. | Hyperspectral image restoration using adaptive anisotropy total variation and nuclear norms | |
Huang et al. | Two-step approach for the restoration of images corrupted by multiplicative noise | |
Noori et al. | A bilateral image inpainting | |
Zhu et al. | Self‐guided filter for image denoising | |
WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Song et al. | Bayesian non-parametric gradient histogram estimation for texture-enhanced image deblurring | |
Ding et al. | An improved image mixed noise removal algorithm based on super-resolution algorithm and CNN | |
Li et al. | Underwater imaging formation model-embedded multiscale deep neural network for underwater image enhancement | |
CN111861931A (zh) | 模型训练、图像增强方法和装置、电子设备及存储介质 | |
Getreuer | Contour stencils for edge-adaptive image interpolation | |
Khan et al. | Multi‐scale GAN with residual image learning for removing heterogeneous blur | |
Zin et al. | Local image denoising using RAISR | |
Keren et al. | Denoising color images using regularization and “correlation terms” | |
Singh et al. | Single-image super-resolution using orthogonal rotation invariant moments | |
CN116309086A (zh) | 图像降噪方法、终端设备以及计算机可读存储介质 |
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 |