CN116563136B - 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 - Google Patents
一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 Download PDFInfo
- Publication number
- CN116563136B CN116563136B CN202310302939.2A CN202310302939A CN116563136B CN 116563136 B CN116563136 B CN 116563136B CN 202310302939 A CN202310302939 A CN 202310302939A CN 116563136 B CN116563136 B CN 116563136B
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- noise
- algorithm
- attenuation factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 239000000654 additive Substances 0.000 claims abstract description 11
- 230000000996 additive effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20024—Filtering details
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种侧扫声呐图像去噪方法、系统、存储介质和执行系统，属于图像处理领域；所述方法包括如下步骤：S1：通过对数变换将乘性噪声转换为加性噪声；S2：对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应；S3：根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，改进非局部均值去噪算法，通过改进后非局部均值去噪算法对图像数据进行去噪；S4：通过指数变换对经过滤波处理后的图像进行还原；通过改进的非局部均值去噪算法保持了纹理信息和结构信息，而且去噪性能稳定，不会随着噪声标准差的增加而快速减弱。
Description
技术领域
本公开属于图像处理领域，具体涉及一种侧扫声呐图像去噪方法、系统、存储介质和执行系统。
背景技术
作为水下探测的主要设备之一，侧扫声呐凭借其作用距离远，覆盖范围广、采集数据量大等特点，被广泛应用于海上搜救、海底地质探测、目标探测与识别等领域。但是，侧扫声呐在成像的过程中不可避免地会受到背景噪声的干扰。侧扫声呐图像中的常见噪声可以分为加性噪声和乘性噪声，其往往分布于图像的整个区域，会导致侧扫声呐图像目标轮廓模糊、海底的真实地貌不清晰等误导图像判读的情况，因此对侧扫图像去噪处理是获得精确海底信息的关键。
发明内容
针对现有技术的不足，本公开的目的在于提供一种侧扫声呐图像去噪方法、系统、存储介质和执行系统，解决了现有技术中侧扫声呐在成像过程中受背景噪声干扰导致图像目标轮廓模糊的问题。
本公开的目的可以通过以下技术方案实现：
一种侧扫声呐图像去噪系统，所述图像去噪系统包括：转换模块A、噪声估计模块、去噪模块、转换模块B。
转换模块A和转换模块B相对应，目的是针对乘性噪声，将其变换为服从高斯分布的加性噪声，其中，转换模块A进行对数变换，转换模块B对图像进行指数变换，针对加性噪声，此处不做处理。
噪声估计模块：此模块改进拉普拉斯算子噪声估计方法，对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应。
去噪模块：对图像进行对数变换后，噪声转换为加性噪声。本专利基于原始非局部均值（None-Local Means，NLM）去噪算法，提出了一种新的加权核函数，同时该算法能够根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，得到了一种改进的非局部均值去噪算法。此外，该算法利用积分图计算欧氏距离，大大提高了算法效率。
图像去噪方法主要包括：指数变换、噪声估计算法、去噪算法、对数变换。
本公开的有益效果：
本发明根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，得到了一种改进的非局部均值去噪算法，该算法利用积分图计算欧氏距离，大大提高了算法效率；
本发明通过改进的非局部均值去噪算法保持了纹理信息和结构信息，而且去噪性能稳定，不会随着噪声标准差的增加而快速减弱。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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的附图。
图1是本公开实施例的系统组成图；
图2是本公开实施例的算法组成图；
图3是本公开实施例的侧扫声呐图像；
图4是图3的横向切片原图像和噪声图像灰度值分布图；
图5是本公开实施例的核函数对比图；
图6是本公开去噪试验的原图像；
图7是本公开去噪试验的标准差分别为0.1、0.2、0.3的噪声图像；
图8是本公开实施例的NLM去噪效果图；
图9是本公开实施例的FNLM去噪效果图；
图10是本公开实施例的本专利算法去噪效果图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
实施例1，如图1、图2所示，一种基于侧扫声呐的图像去噪系统，所述图像去噪系统包括如下模块：
转换模块A：通过对数变换将乘性噪声转换为了加性噪声；
噪声估计模块：对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应；
去噪模块：根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，改进非局部均值去噪算法对图像数据进行去噪；
转换模块B：通过指数变换对经过滤波处理后的图像进行还原。
在一些公开中，所述转换模块A，具体工作方式如下：
在乘性噪声的情况下，假设原始图像I受到乘性噪声影响，噪声图像为，噪声模型表示为：
式中，I（x、y）为原始无噪图像像素处的灰度值，n（x、y）为像素（x、y）处的散射因子，In（x、y）为噪声图像中对应的（x、y）处像素。
对式（1）进行对数变换，如下式：
式中，g为图像灰度值经对数变换后的值，即经对数变换后的图像灰度值参数。
由于图像像素的灰度值范围为0~255，而对于像素值为0的点，对数变换后该像素点值就为负无穷，这显然是没有意义。所以调整图像的值对图像各个像素值都进行加1处理，使对数变换后图像都处于正数范围，以方便后续的处理。
综上，将乘性噪声转换为了加性噪声。
在一些更公开中，所述噪声估计模块通过改进拉普拉斯算子噪声估计方法对图像的噪声方差进行估计；
进一步地，所述改进拉普拉斯算子噪声估计方法具体如下：
现有的拉普拉斯算子估计噪声方差：
其中，σn 2为噪声方差，W和H为图像的宽和高，I（x、y）为像素值，M为拉普拉斯算子。
本专利提出一种改进的拉普拉斯算子噪声估计方法，该方法根据梯度信息，对每个像素点设定权值，减弱对比度强的图像边缘和复杂纹理造成的影响，如下式：
其中，Z为每一个像素点的权值，它根据梯度信息进行计算得到，如下：
Zn、Zs、Zw、Ze分别为图像中像素点东、西、南、北4个方向梯度值，Zm是方向梯度值的最大值，通过设定像素点权值Z，抑制拉普拉斯算子对噪声的过估计。
在一些公开中，所述去噪模块的去噪算法相具体如下：
非局部均值滤波在图像全局区域比较各像素点的灰度值，根据图像的相似性对每一个像素点分配权重，该算法能较好地提升去噪效果，并有效地保留图像细节和边缘。
噪声图像模型表示为：
其中，X（i）表示原始图像，N（i）为均值为0、方差为的加性噪声，V（i）表示噪声图像。对于给定的一个噪声图像：
其中，I表示图像域，V（i）表示图像域中的某点灰度值。对I中任意像素点，NLM算法通过计算图像中所有像素点灰度值的加权平均，从而得到去噪后该点的灰度值，如下式所示：
NLM[V（i）]表示经过非局部均值滤波后的灰度值，w（i，j）表示权值，满足：0≤w(i,j)≤1和。w（i，j）通过像素i和j之间的相似性来确定，相似性取决于灰度矩阵v（Ni）与v（Nj）的相似度，其中Ni表示以像素i为中心点的图像块，Nj表示以像素j为中心点的图像块，计算公式如下：
其中，Z（i）为归一化项，d（i，j）为标准差为a的高斯加权欧氏距离。h表示指数函数的衰减因子，h越大去噪效果越好，但是图像越模糊。
NLM 算法和FNLM算法的加权核函数采用的是指数型函数，高斯加权的欧氏距离与权重系数的关系表示如下：
基于原算法，本文提出改进后新核函数的表达式如下：
其中，fk为权重系数。
两个函数都为减函数，但指数型核函数具有加权不足的特点，相似度从高到低的过渡阶段中，改进核函数的权重系数迅速衰减，减少了低相似度的领域图像块对像素点估计值的影响。改进的加权型核函数比原函数更符合理想核函数的四个条件，弥补了指数型核函数的加权不足的缺点，两种函数的曲线图，如图5所示。
同时新提出的算法能够根据噪声方差和相似窗口自适应地选择衰减因子数h，并且控制高低相似度的分解点，从而可以提高去噪性能。计算公式如下：
其中， N为相似窗口大小；σn 2 为噪声方差，由噪声估计模块求得，σn 2的估计对衰减因子h的确定至关重要。
在一些公开中，所述转换模块B，具体方式如下：
经过滤波处理后的图像为g（x，y）’，为了还原图像，对其进行指数变换，如下式：
其中，J（x，y）为降噪后的图像。
实施例2；如图1、图2所示，一种基于侧扫声呐的图像去噪系统，所述系统包括以下模块；
转换模块A：通过对数变换将乘性噪声转换为加性噪声；
噪声估计模块：用于对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应；
去噪模块：用于根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，改进非局部均值去噪算法，通过改进后非局部均值去噪算法对图像数据进行去噪；
转换模块B：通过指数变换对经过滤波处理后的图像进行还原；
所述改进后非局部均值去噪算法，新核函数具体如下：
所述d（i，j）为标准差为a的高斯加权欧氏距离，h表示指数函数的衰减因子。
如图3、图4所示，通过噪声对侧扫声呐图像的影响的仿真；对侧扫声呐假彩色图像添加散射因子σ=0.06的瑞利噪声后做横向切片，通过切片上灰度值分布确定在瑞利噪声的影响下，噪声图像灰度值高于原，噪声图像在高亮度区域灰度值超出灰度值范围上界，被统一计算为255。故实际图像的灰度值分布在噪声的影响下会发生溢出灰度级范围或者分布畸形的现象，造成噪声估计结果和去噪效果产生偏差。噪声溢出现象与图像的具体噪声类型和图像特征有关，需要根据噪声类型和图像特征进行具体分析；故根据侧扫声呐图像特点和噪声类型，进行去噪处理是有必要的。
如图6所示，为了验证去噪模块提出算法的有效性，现做出如下验证，选取一幅侧扫声呐海底沉船图像进行去噪试验，向图像中添加均值为0、标准差分别为0.1、0.2、0.3的高斯白噪声，得到噪声图像如图7所述；
用经典的NLM算法、FNLM算法、文中算法分别对噪声图像进行去噪处理，实验过程中，三种算法均采用的是相似窗口2*2，搜索窗口5*5；实验环境为Intel Core i5-11260H，2.60 GHz，内存16 GB，操作系统为64位Windows 10，程序采用R2012a版Matlab实现。
如图8、图9、图10所示，视觉效果对比：通过对比以下效果图可知，NLM和FNLM算法的去噪效果相差不大，本专利算法的去噪效果更明显，并且保护了图像的边缘和结构信息。
本方案去噪效果对比数据：
为了进一步验证本算法的性能，采用峰值信噪比（Peak Signal to Noise Ratio，PSNR）和结构相似性（Structure Similarity，SSIM）评定算法的去噪效果和纹理细节保持能力，如下表所示。
通过以上两个表格可以看出，本专利算法的PSNR比NLM算法平均提高6.357dB，比FNLM算法平均提高6.426dB，且SSIM也有所提高，即在不同噪声水平下，本算法的去噪性能稳定，且优于NLM算法和FNLM算法。
本方案计算耗时对比数据：
从表3可以看出，本专利算法同FNLM算法都通过积分图方法进行了加速，故远远快于NLM算法，尽管速度略慢于FNLM算法，但本文算法可以获得更好的去噪效果。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种侧扫声呐图像去噪方法，其特征在于，所述方法包括如下步骤：
S1：通过对数变换将乘性噪声转换为加性噪声；
S2：对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应；
S3：根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，改进非局部均值去噪算法，通过改进后非局部均值去噪算法对图像数据进行去噪；
S4：通过指数变换对经过滤波处理后的图像进行还原；
所述改进后非局部均值去噪算法，新核函数具体如下：
所述d(i,j)为标准差为a的高斯加权欧氏距离,h表示指数函数的衰减因子；
所述对数变换时对图像各个像素值都进行加1处理；
所述去噪算法根据噪声方差和相似窗口自适应地选择衰减因子数h，同时控制高低相似度的分解点，从而可以提高去噪性能，计算公式如下：
其中,N为相似窗口大小；为噪声方差；
所述噪声方差估计的具体步骤包括：根据梯度信息，对每个像素点设定权值，减弱对比度强的图像边缘和复杂纹理造成的影响，如下式：
其中，为噪声方差，W和H为图像的宽和高，I(x,y)为像素值，M为拉普拉斯算子；
所述Z为每一个像素点的权值，它根据梯度信息进行计算得到，如下：
Zm＝max(Zn,Zs,Zw,Ze)
其中，Zn、Zs、Zw、Ze分别为图像中像素点东、西、南、北4个方向梯度值，Zm是方向梯度值的最大值。
2.根据权利要求1所述的一种侧扫声呐图像去噪方法，其特征在于，所述指数变换公式如下：
J(x,y)＝10g(x,y)′-1
其中，g(x,y)'为经过滤波处理后的图像，J(x,y)为降噪后的图像。
3.一种侧扫声呐图像去噪系统，其特征在于，所述系统包括以下模块；
转换模块A：通过对数变换将乘性噪声转换为加性噪声；
噪声估计模块：用于对图像的噪声方差进行估计，并根据估计的方差实现后续去噪模块中衰减因子h的自适应；
去噪模块：用于根据相似窗口和噪声估计模块中计算得到的噪声方差自适应地选择衰减因子h，改进非局部均值去噪算法，通过改进后非局部均值去噪算法对图像数据进行去噪；
转换模块B：通过指数变换对经过滤波处理后的图像进行还原；
所述改进后非局部均值去噪算法，新核函数具体如下：
所述d(i,j)为标准差为a的高斯加权欧氏距离,h表示指数函数的衰减因子；
所述去噪算法根据噪声方差和相似窗口自适应地选择衰减因子数h，同时控制高低相似度的分解点，从而可以提高去噪性能，计算公式如下：
其中,N为相似窗口大小；为噪声方差；
所述噪声方差估计的具体步骤包括：根据梯度信息，对每个像素点设定权值，减弱对比度强的图像边缘和复杂纹理造成的影响，如下式：
其中，为噪声方差，W和H为图像的宽和高，I(x,y)为像素值，M为拉普拉斯算子；
所述Z为每一个像素点的权值，它根据梯度信息进行计算得到，如下：
Zm＝max(Zn,Zs,Zw,Ze)
其中，Zn、Zs、Zw、Ze分别为图像中像素点东、西、南、北4个方向梯度值，Zm是方向梯度值的最大值。
4.一种存储介质，其特征在于，所述存储介质记录有权利要求1-2其中之一所述的一种侧扫声呐图像去噪方法。
5.一种计算执行系统，其特征在于，所述计算执行系统用于计算权利要求1-2其中之一所述的一种侧扫声呐图像去噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302939.2A CN116563136B (zh) | 2023-03-27 | 2023-03-27 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302939.2A CN116563136B (zh) | 2023-03-27 | 2023-03-27 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116563136A CN116563136A (zh) | 2023-08-08 |
| CN116563136B true CN116563136B (zh) | 2024-03-15 |
Family
ID=87490550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310302939.2A Active CN116563136B (zh) | 2023-03-27 | 2023-03-27 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563136B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408694A (zh) * | 2014-11-27 | 2015-03-11 | 北京理工大学 | 基于软阈值的非局域平均图像去噪方法 |
| CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
| KR102060656B1 (ko) * | 2018-07-17 | 2019-12-30 | 국방과학연구소 | 소나 영상의 잡음을 제거하는 장치 및 방법 |
| CN113269687A (zh) * | 2021-05-17 | 2021-08-17 | 武汉博宇光电系统有限责任公司 | 一种基于参数优化的非局部平均红外图像去噪方法 |
| CN114895312A (zh) * | 2022-05-09 | 2022-08-12 | 山东科技大学 | 一种基于侧扫声呐的大坝水下裂缝检测方法 |
| CN115526785A (zh) * | 2021-12-27 | 2022-12-27 | 山东建筑大学 | 一种基于fcfds改进nlm的oct图像去噪方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200434B (zh) * | 2014-08-28 | 2017-04-12 | 哈尔滨工程大学 | 一种基于噪声方差估计的非局部均值图像去噪方法 |
| US9799126B2 (en) * | 2015-10-02 | 2017-10-24 | Toshiba Medical Systems Corporation | Apparatus and method for robust non-local means filtering of tomographic images |
| CN108921800B (zh) * | 2018-06-26 | 2021-01-22 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
-
2023
- 2023-03-27 CN CN202310302939.2A patent/CN116563136B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408694A (zh) * | 2014-11-27 | 2015-03-11 | 北京理工大学 | 基于软阈值的非局域平均图像去噪方法 |
| CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
| KR102060656B1 (ko) * | 2018-07-17 | 2019-12-30 | 국방과학연구소 | 소나 영상의 잡음을 제거하는 장치 및 방법 |
| CN113269687A (zh) * | 2021-05-17 | 2021-08-17 | 武汉博宇光电系统有限责任公司 | 一种基于参数优化的非局部平均红外图像去噪方法 |
| CN115526785A (zh) * | 2021-12-27 | 2022-12-27 | 山东建筑大学 | 一种基于fcfds改进nlm的oct图像去噪方法 |
| CN114895312A (zh) * | 2022-05-09 | 2022-08-12 | 山东科技大学 | 一种基于侧扫声呐的大坝水下裂缝检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Intelligent Noise Reduction Algorithm to Evaluate the Correlation between Human Fat Deposits and Uterine Fibroids under Ultrasound Imaging;Yan L et al.;Journal of healthcare engineering;第1-14页 * |
| 基于低秩分解和改进的非局部平均的SAR图像相干斑抑制;沈荻帆;信号处理;第36卷(第03期);第463-470页 * |
| 基于小波域的非局部均值医学图像降噪研究;孙畅;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)(第01期);第E080-2页 * |
| 基于弱纹理块的噪声估计方法在侧扫声呐图像去噪中的应用;张家发等;海岸工程;第37卷(第01期);第17-25页 * |
| 基于非局部均值滤波的图像去噪算法;王银杰;中国优秀硕士学位论文全文数据库 (信息科技辑)(第08期);第I135-192页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116563136A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
| CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
| CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
| CN110246106B (zh) | 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法 | |
| CN111681174A (zh) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 | |
| CN109785260B (zh) | 一种针对侧扫声呐图像的非线性增强方法 | |
| CN102968770A (zh) | 噪声消除方法及装置 | |
| CN107292834B (zh) | 红外图像细节增强方法 | |
| CN104182945A (zh) | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 | |
| CN113436124B (zh) | 一种应用于海洋雾天环境下的单图像去雾方法 | |
| CN107194896A (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
| CN112395944A (zh) | 基于加权的多尺度比差联合对比度红外小目标检测方法 | |
| CN115937231A (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
| CN109658340A (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
| CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
| CN103793889B (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
| CN114240990A (zh) | Sar图像点目标分割方法 | |
| CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
| Han et al. | A novel sonar image denoising algorithm based on block matching | |
| CN116563136B (zh) | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 | |
| CN104867120B (zh) | 基于比值分布的sar图像非局部降斑方法 | |
| Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
| CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 | |
| CN114529518A (zh) | 一种基于图像金字塔与nlm的冷冻电镜图像增强方法 | |
| CN112734666A (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 |
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 |