CN116894794B - 一种视频的快速去噪方法 - Google Patents
一种视频的快速去噪方法 Download PDFInfo
- Publication number
- CN116894794B CN116894794B CN202311160634.9A CN202311160634A CN116894794B CN 116894794 B CN116894794 B CN 116894794B CN 202311160634 A CN202311160634 A CN 202311160634A CN 116894794 B CN116894794 B CN 116894794B
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- value
- point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视频的快速去噪方法,方法包括步骤:输入视频当前帧图像和上一帧去噪图像;对当前帧图像和上一帧图像的进行高斯滤波,然后求取拉普拉斯梯度幅度图;计算当前帧和上一帧去噪图像的差值,得到差值图像;计算待处理像素点的差值信息;用相似度作为权重信息,空域上进行相似块融合;当差值小于阈值时,取时域上前后两帧的均值,作为去噪结果。本发明提供了一种快速的视频去噪方法,有效解去除视频中的噪声以及降低处理时间,减少视频去噪运动物体拖影的问题。
Description
技术领域
本发明属于视频处理技术领域,尤其涉及一种视频的快速去噪方法。
背景技术
图像在成像过程中,由于成像过程的复杂性,会产生各种各样的噪声,例如椒盐噪声,泊松噪声、高斯噪声、脉冲噪声等。我们很多应用领域都需要用到视频图像,监控领域,流媒体,科学研究领域等,含有噪声的图像对我们获取有效信息产生了干扰,如何去除图像噪声是需要解决的问题,历年来这个方向的研究也涌现出了很多去噪方法以及设备。
在传统去噪算法领域有VBM3D、VBM4D算法,基本流程是先在当前帧找到和待处理图像块的相似块,再在前后帧中找到相似块,把这些相似块组成一组,进行3维频域滤波,经过加权整合得到基础的估计去噪图像,然后在基础去噪图像上寻找相似块,同时在有噪声图像上寻找相似块,经过维纳滤波,加权整合后得到去噪后的图像。VBM4D算法在VBM3D的基础上加了图像patch对齐,视前后帧连续运动的块作为体,对于某段视频序列,为目标体寻找相似体,后续去噪步骤与BM3D近似:分两步对体去噪,然后加权平均,得到去噪后的目标体。这两种算法在查找相似快的部分需要花费大量时间,算法需要进行优化才能实时运行。Marc Levoy等人提出了一种基于高斯金字塔的运动估计的实时去噪算法,其中用到了DIS光流估计算法,视频降噪中运动估计或者动静判断是一个难点,错误的运动估计很容易形成去噪拖影。因此如何减少运动视频中的拖影也是视频去噪需要解决的问题。在深度学习去噪算法领域有FastDVDNet,其采用U-net式的结构来设计网络,网络输入为5帧图像,该算法没有运动补偿阶段,耗时少。EMVD,是一种基于时空融合的高效率多阶段视频降噪方法,其在解决耗时问题方面采用了递归的方法。
综上,视频去噪需要解决耗时和运动拖影问题,为此本发明提供了一种快速的视频去噪方法。
发明内容
有鉴于此,本发明所要解决的技术问题是:针对上述存在的问题,提供了一种快速的视频去噪方法,有效解去除视频中的噪声以及降低处理时间,减少视频去噪拖影的问题。
具体地,本发明公开的一种视频的快速去噪方法,包括以下步骤:
S1:输入视频当前帧图像和上一帧去噪图像;
S2:对当前帧图像和上一帧去噪图像进行高斯滤波,然后求取拉普拉斯梯度幅度图,对拉普拉斯梯度幅度图进行量化处理,把相近的梯度合为一组,得到梯度分组幅度图;
S3:计算当前帧图像的亮度图和上一帧去噪图像亮度图的差值,得到亮度差值图像;
S4:根据亮度差值图像和梯度分组幅度图计算待处理像素点的差值信息,当差值大于阈值时,在当前帧图像上寻找待处理像素点邻域块的相似块,结合梯度分组幅度图信息,在相同梯度处进行邻域块的相似比较;然后用相似度作为权重信息,空域上进行相似块融合;当差值小于阈值时,取时域上前后两帧的均值,作为去噪结果;
S5:保留去噪图像重复S1-S4步骤,得到视频去噪结果。
进一步地,当差值大于阈值时,在当前帧图像上寻找待p点邻域块的相似块,相似块的查找的步骤如下:
设置搜索窗大小为sr*sr,图像块r*r大小;
对图像u进行镜像扩张,扩张像素大小=sr/2+r/2;
获取p 点的梯度幅度值,在以像素p为中心的搜索窗内,找到所有梯度幅度值和p点一样的像素点集,分别计算集合中每个点的权重/>:
计算搜索窗内像素点集里所有像素点的加权和s;
计算归一化权重sum;
根据归一化权重和加权和计算像素p的去噪后的值 val = 。
进一步地,梯度分组幅度图的梯度分组公式为:
;
其中表示梯度分组幅度图上待处理像素点p点的值,grad(p)表示拉普拉斯梯度幅度图上点p的值,N表示梯度幅度间隔,这里取N=20,round( )表示取整运算。
进一步地,每个点的权重的计算步骤如下:
分别以q点和p点为中心,取r*r大小的图像块,计算这两个图像块的欧式距离均方值 ;
其中,j表示r*r图像块中的第j个像素点的位置;
计算q点处的权重,其中/>为高斯噪声标准差,h为过滤参数。
进一步地,搜索窗内像素点集里所有像素点的加权和s的计算公式如下:
;
其中u(q)为q点的像素值。
进一步地,归一化权重sum的计算公式如下:
。
进一步地,当差值小于阈值时,先在当前帧图像的亮度图中p点的5*5邻域里找到p点值相近的像素值,再在上一帧去噪图像的亮度图中相同位置p’点的5*5邻域里找到和p’点值相近的像素值;最后把所有找到的像素值进行求平均,得到点p的去噪值。
进一步地,把去噪后的亮度图像和Cr、Cb分量合起来进行转换到rgb颜色空间,得到彩色去噪图,保留去噪图像,重复去噪步骤,得到视频去噪结果。
有益效果
本发明根据亮度差值图像和梯度分组幅度图计算待处理像素点的差值信息,当差值大于阈值时,在当前帧图像上寻找待处理像素点邻域块的相似块,结合梯度分组幅度图信息,在相同梯度处进行邻域块的相似比较;然后用相似度作为权重信息,空域上进行相似块融合;当差值小于阈值时,取时域上前后两帧的均值,作为去噪结果,有效解去除视频中的噪声以及降低处理时间,减少视频去噪运动物体拖影的问题。
附图说明
图1为本发明的框架图;
图2为源图像;
图3为RR-DCT算法处理结果;
图4为NLM算法处理结果;
图5为MeshFlow算法处理结果;
图6为本发明算法处理结果。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
如图1所示,本发明构建了一种快速的视频去噪方法,其基本思想是利用前后帧的差值信息,区分动静像素点。再利用空间上的相似块信息进行动像素点处的去噪处理,对于静像素点采用时域上的均值处理。其中相似块的查找结合了梯度信息,用来过滤掉一些图像块,减少查找相似块阶段的耗时。
本发明公开的快速的视频去噪方法,包括如下步骤:
(1)输入视频当前帧图像和上一帧去噪图像。
(2)计算当前帧图像和上一帧图像的进行高斯滤波,然后求取拉普拉斯梯度幅度图,对梯度幅度图进行量化处理,把相近的梯度合为一组,得到梯度分组幅度图。
(3)计算当前帧和上一帧去噪图像的差值,得到差值图像。
(4)计算待处理像素点的差值信息,当差值大于阈值时,在当前帧图像上寻找待处理像素点邻域块的相似块,相似块的查找要结合梯度幅度图信息,在相同梯度处进行邻域块的相似比较。这样可以大大减少搜索时间,然后用相似度作为权重信息,空域上进行相似块融合。当差值小于阈值时,取时域上前后两帧的均值,作为去噪结果。
(5)保留去噪图像重复第一到第四步,得到视频去噪结果。
实施例1
如图1所示,本发明构建了一种快速的视频去噪方法,其基本思想是利用前后帧的差值信息,区分动静像素点。再利用空间上的相似块信息进行动像素点处的去噪处理,对于静像素点采用时域上的均值处理。其中相似块的查找结合了梯度信息,用来过滤掉一些图像块,减少查找相似块阶段的耗时。
包括如下步骤:
(1)输入视频当前帧图像和上一帧去噪图像,对图像进行颜色空间变换,由rgb颜色空间转换到YCrCb颜色空间,提取当前帧图像的Y分量和上一帧去噪图像的Y分量,即为当前帧图像的亮度图和上一帧去噪图像的亮度图。
(2)对当前帧图像的亮度图进行高斯滤波,然后求取其滤波后的拉普拉斯梯度幅度图,然后计算上一帧去噪图像的亮度图的拉普拉斯梯度幅度图。对梯度幅度图进行量化处理,把相近的梯度合为一组,得到梯度分组幅度图。梯度分组幅度图的梯度分组公式为:;
其中表示梯度分组幅度图上待处理像素点p点的值,grad(p)表示拉普拉斯梯度幅度图上点p的值,N表示梯度幅度间隔,这里取N=20,round( )表示取整运算。
(3)计算当前帧图像的亮度图和上一帧去噪图像的亮度图的差值,得到亮度差值图像。
(4)根据亮度差值图像和步骤二中的梯度幅度图,进行时空域结合去噪。具体步骤如下:
4.1.获取差值图点p的值,设置差值阈值th=10,当差值大于阈值时,在当前帧图像上寻找待p点邻域块的相似块,相似块的查找分为如下几步:
4.1.1.设置搜索窗大小为sr*sr,图像块r*r大小;
4.1.2.对图像u进行镜像扩张,扩张像素大小=sr/2+r/2;
4.1.3.获取p 点的梯度幅度值,在以像素p为中心的搜索窗内,找到所有梯度幅度值和p点一样的像素点集,分别计算集合中每个点的权重/>:
(1)分别以q点和p点为中心,取r*r大小的图像块,计算这两个图像块的欧式距离均方值 ;
其中,j表示r*r图像块中的第j个像素点的位置;
(2)计算q点处的权重,其中/>为高斯噪声标准差,h为过滤参数。
4.1.4.计算搜索窗内像素点集里所有像素点的加权和s:
;
其中u(q)为q点的像素值。
4.1.5.计算归一化权重sum:
。
4.1.6.根据步骤4.1.4和4.1.5计算像素p的去噪后的值
4.2.当差值小于阈值时,先在当前帧图像的亮度图的点p的5*5邻域里找到和自己相近像素值,再在上一帧去噪图像的亮度图的相同位置点p’的5*5邻域里找到和点p’值相近的像素值,最后把所有找到的像素值进行求平均得到点p的去噪值。
4.3.重复步骤4.1,4.2直到遍历完图像,计算出每个像素的去噪后的值。
(5)把去噪后的亮度图像和Cr、Cb分量合起来进行转换到rgb颜色空间,得到彩色去噪图,保留去噪图像重复第一到第四步,得到视频去噪结果。
如图2-图6,对NLM算法,RR-DCT,Meshflow还有本发明的算法进行了效果和时间对比,测试平台为windows,Inter Core i5-9400F CPU@2.9GHz。具体对比结果如表1所示:
表1 算法耗时结果
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反,词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即,除非另外指定或从上下文中清楚,“X使用A或B”意指自然包括排列的任意一个。即,如果X使用A;X使用B;或X使用A和B二者,则“X使用A或B”在前述任一示例中得到满足。
而且,尽管已经相对于一个或实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或系统,可以执行相应方法实施例中的存储方法。
综上所述,上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种视频的快速去噪方法,其特征在于,包括以下步骤:
S1:输入视频当前帧图像和上一帧去噪图像;
S2:对当前帧图像和上一帧去噪图像进行高斯滤波,然后求取拉普拉斯梯度幅度图,对拉普拉斯梯度幅度图进行量化处理,把相近的梯度合为一组,得到梯度分组幅度图;
S3:计算当前帧图像的亮度图和上一帧去噪图像亮度图的差值,得到亮度差值图像;
S4:根据亮度差值图像和梯度分组幅度图计算待处理像素点的差值信息,当差值大于阈值时,在当前帧图像上寻找待处理像素点邻域块的相似块,结合梯度分组幅度图信息,在相同梯度处进行邻域块的相似比较;然后用相似度作为权重信息,空域上进行相似块融合;当差值小于阈值时,取时域上前后两帧的均值,作为去噪结果;所述步骤S4中,所述相似块的查找包括以下步骤:
设置搜索窗大小为sr*sr,图像块大小r*r;
对图像u进行镜像扩张,扩张像素大小=sr/2+r/2;
获取p 点的梯度幅度值,在以p为中心的搜索窗内,找到所有梯度幅度值和p点一样的像素点集,分别计算集合中每个点的权重/>:
q点表示和p点梯度幅值一样的像素点;
计算搜索窗内像素点集里所有像素点的加权和s;
计算归一化权重sum;
根据归一化权重和加权和计算p的去噪后的值 val = ;
S5:保留去噪图像重复S1-S4步骤,得到视频去噪结果。
2.根据权利要求1所述的视频的快速去噪方法,其特征在于,所述步骤S2中梯度分组幅度图的梯度分组公式为:
;
其中表示梯度分组幅度图上待处理像素点p点的值,grad(p)表示拉普拉斯梯度幅度图上点p的值,N表示梯度幅度间隔,round( )表示取整运算。
3.根据权利要求2所述的视频的快速去噪方法,其特征在于,所述权重的计算步骤如下:
分别以q点和p点为中心,取r*r大小的图像块,计算这两个图像块的欧式距离均方值;
其中,j表示r*r图像块中的第j个像素点的位置;
计算q点处的权重,其中/>为高斯噪声标准差,h为过滤参数。
4.根据权利要求3所述的视频的快速去噪方法,其特征在于,所述加权和s的计算公式如下:
;
其中u(q)为q点的像素值。
5.根据权利要求4所述的视频的快速去噪方法,其特征在于,所述归一化权重sum的计算公式如下:
。
6.根据权利要求5所述的视频的快速去噪方法,其特征在于,当差值小于阈值时,先在当前帧图像的亮度图中p点的5*5邻域里找到p点值相近的像素值;
再在上一帧去噪图像的亮度图中相同位置p’点的5*5邻域里找到和p’点值相近的像素值;
最后把所有找到的像素值进行求平均,得到p点的去噪值。
7.根据权利要求6所述的视频的快速去噪方法,其特征在于,把去噪后的亮度图像和Cr、Cb分量合起来进行转换到rgb颜色空间,得到彩色去噪图,保留去噪图像,重复去噪步骤,得到视频去噪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160634.9A CN116894794B (zh) | 2023-09-11 | 2023-09-11 | 一种视频的快速去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160634.9A CN116894794B (zh) | 2023-09-11 | 2023-09-11 | 一种视频的快速去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894794A CN116894794A (zh) | 2023-10-17 |
CN116894794B true CN116894794B (zh) | 2023-11-21 |
Family
ID=88315213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160634.9A Active CN116894794B (zh) | 2023-09-11 | 2023-09-11 | 一种视频的快速去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894794B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012168985A1 (ja) * | 2011-06-10 | 2012-12-13 | 株式会社島津製作所 | 画像処理方法及びその装置 |
CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
CN103853724A (zh) * | 2012-11-29 | 2014-06-11 | 三星电子(中国)研发中心 | 多媒体数据分类方法及装置 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
CN107784639A (zh) * | 2017-11-02 | 2018-03-09 | 长安大学 | 一种无人机遥感图像改进多边滤波去噪方法 |
CN110520768A (zh) * | 2017-06-05 | 2019-11-29 | 上海科技大学 | 高光谱光场成像方法和系统 |
RU2754965C1 (ru) * | 2020-11-09 | 2021-09-08 | федеральное государственное бюджетное образовательное учреждение высшего образования «Донской государственный технический университет» (ДГТУ) | Устройство восстановления изображений в пространстве кватернионов с использованием анизотропного градиента и нейронной сети |
CN114070959A (zh) * | 2021-10-31 | 2022-02-18 | 南京理工大学 | 一种基于fpga的视频去噪硬件实现方法 |
CN114723783A (zh) * | 2022-04-01 | 2022-07-08 | 南京信息工程大学 | 基于运动估计的多特征卫星视频目标跟踪方法 |
WO2022262386A1 (zh) * | 2021-06-18 | 2022-12-22 | 哲库科技(上海)有限公司 | 图像处理装置与方法、处理芯片和电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7856150B2 (en) * | 2007-04-10 | 2010-12-21 | Arcsoft, Inc. | Denoise method on image pyramid |
US9123137B2 (en) * | 2011-10-27 | 2015-09-01 | Toshiba Alpine Automotive Technology Corporation | Motion vector computing device and motion vector computing method |
US9105078B2 (en) * | 2012-05-31 | 2015-08-11 | Apple Inc. | Systems and methods for local tone mapping |
US9008365B2 (en) * | 2013-04-18 | 2015-04-14 | Huawei Technologies Co., Ltd. | Systems and methods for pedestrian detection in images |
-
2023
- 2023-09-11 CN CN202311160634.9A patent/CN116894794B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012168985A1 (ja) * | 2011-06-10 | 2012-12-13 | 株式会社島津製作所 | 画像処理方法及びその装置 |
CN103853724A (zh) * | 2012-11-29 | 2014-06-11 | 三星电子(中国)研发中心 | 多媒体数据分类方法及装置 |
CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
CN110520768A (zh) * | 2017-06-05 | 2019-11-29 | 上海科技大学 | 高光谱光场成像方法和系统 |
CN107784639A (zh) * | 2017-11-02 | 2018-03-09 | 长安大学 | 一种无人机遥感图像改进多边滤波去噪方法 |
RU2754965C1 (ru) * | 2020-11-09 | 2021-09-08 | федеральное государственное бюджетное образовательное учреждение высшего образования «Донской государственный технический университет» (ДГТУ) | Устройство восстановления изображений в пространстве кватернионов с использованием анизотропного градиента и нейронной сети |
WO2022262386A1 (zh) * | 2021-06-18 | 2022-12-22 | 哲库科技(上海)有限公司 | 图像处理装置与方法、处理芯片和电子设备 |
CN114070959A (zh) * | 2021-10-31 | 2022-02-18 | 南京理工大学 | 一种基于fpga的视频去噪硬件实现方法 |
CN114723783A (zh) * | 2022-04-01 | 2022-07-08 | 南京信息工程大学 | 基于运动估计的多特征卫星视频目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116894794A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539879B (zh) | 基于深度学习的视频盲去噪方法及装置 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
CN111127336A (zh) | 一种基于自适应选择模块的图像信号处理方法 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN107133923A (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 | |
Mao et al. | Multi-directional laplacian pyramid image fusion algorithm | |
CN114445290B (zh) | 一种面向硬件的联合去噪去马赛克方法 | |
CN111179186A (zh) | 一种保护图像细节的图像去噪系统 | |
CN113436112A (zh) | 一种图像增强方法、装置及设备 | |
CN111563866A (zh) | 一种多源遥感图像融合方法 | |
KR102466061B1 (ko) | 계층적 생성 적대 네트워크를 이용한 노이즈 제거 장치 및 그 방법 | |
CN117593235A (zh) | 基于深度CNN去噪先验的Retinex变分水下图像增强方法和装置 | |
CN116894794B (zh) | 一种视频的快速去噪方法 | |
CN111429368B (zh) | 一种自适应细节增强和鬼影消除的多曝光图像融合方法 | |
Satti et al. | DIBS: Distance-and intensity-based separation filter for high-density impulse noise removal | |
CN115393406B (zh) | 一种基于孪生卷积网络的图像配准方法 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
CN116385312A (zh) | 基于相位相关的低照度图像去噪方法 | |
CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
CN116883235A (zh) | 一种面向分布式光电的图像拼接方法及装置 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
CN107230191B (zh) | 一种基于结构相似性的非局部均值去噪优化方法 | |
CN112767261B (zh) | 一种基于广义非凸张量鲁棒主成分分析模型的针对彩色图像和视频的非局部去噪框架 | |
Ehret et al. | Implementation of the vbm3d video denoising method and some variants |
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 |