CN116912102A - 一种基于非局部均值的保边图像去噪方法和系统 - Google Patents
一种基于非局部均值的保边图像去噪方法和系统 Download PDFInfo
- Publication number
- CN116912102A CN116912102A CN202310528604.2A CN202310528604A CN116912102A CN 116912102 A CN116912102 A CN 116912102A CN 202310528604 A CN202310528604 A CN 202310528604A CN 116912102 A CN116912102 A CN 116912102A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- denoising
- pixel point
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于非局部均值的保边图像去噪方法和系统,其中,方法包括:步骤S1:对待处理图像进行基础去噪,获取基础去噪图像;步骤S2:基于待处理图像和基础去噪图像,确定非局部加权权重;步骤S3:基于非局部加权权重,对待处理图像进行处理,获取去噪图像。本发明的基于非局部均值的保边图像去噪方法,将高斯滤波等基础去噪方法与非局部均值滤波相结合,实现抑制噪声的同时保留边缘信息。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于非局部均值的保边图像去噪方法和系统。
背景技术
图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像质量降低,这将严重影响后续的图像处理过程和图像的视觉效果。随着计算机视觉的发展,高端视觉任务对图像质量提出了更高的要求,图像去噪的重要性也日益提升。基于深度学习的去噪方法在算法层面上去噪表现优秀,但因网络复杂度高、计算量大难以应用到图像信号处理器(ISP)中,传统去噪算法在实际应用中仍占据主流。去噪的研究难点主要在于平衡抑制噪声和保留边缘信息之间的矛盾,传统去噪算法中经典的双边滤波、非局部均值滤波均存在过度平滑的问题。
发明内容
本发明目的之一在于提供了一种基于非局部均值的保边图像去噪方法,将高斯滤波等基础去噪方法与非局部均值滤波相结合,实现抑制噪声的同时保留边缘信息。
本发明实施例提供的一种基于非局部均值的保边图像去噪方法,包括:
步骤S1:对待处理图像进行基础去噪,获取基础去噪图像;
步骤S2:基于待处理图像和基础去噪图像,确定非局部加权权重;
步骤S3:基于非局部加权权重,对待处理图像进行处理,获取去噪图像。
优选的,步骤S1:对待处理图像进行基础去噪,获取基础去噪图像,包括:
步骤S11:确定高斯滤波模板;其中,高斯滤波模板的系数Hi,j通过下式确定:
式中,Hi,j表示高斯滤波模板的系数;σg为所述待处理图像的各个像素点的像素值的标准差;s表示高斯滤波窗口的半径;i,j代表滤波窗口内像素点与待处理像素点的横纵距离;
步骤S12:确定所述待处理图像上各个像素点对应的第一邻域;
步骤S13:基于所述第一邻域和所述高斯滤波模板,确定所述基础去噪图像中各个像素点的像素值。
优选的,步骤S2:基于所述待处理图像和所述基础去噪图像,确定非局部加权权重,包括:
步骤S21:确定所述待处理图像上待去噪的像素点;
步骤S22:确定待去噪的像素点的搜索窗口;
步骤S23:在所述搜索窗口中确定各个参考像素点;
步骤S24:分别确定待去噪的像素点的第二邻域以及各个所述参考像素点的第三邻域;
步骤S25:分别计算所述第二邻域与各个所述第三邻域的欧式距离;
步骤S26:确定待去噪的像素点在所述基础去噪图像中的对应的第一像素点的像素值和所述参考像素点在所述基础去噪图像中的对应的第二像素的像素值;
步骤S27:基于所述欧式距离、所述第一像素点的像素值和所述第二像素点的像素值,确定各个所述参考像素点对应的非局部加权权重;其中,所述非局部加权权重计算公式如下:
式中,w(p,q)为所述搜索窗口中第q个所述参考像素点对应的加权权重;u(p)为第一像素点的像素值;u(q)为所述第二像素点的像素值;h和l是预设的滤波参数,σ为噪声标准差;d为所述欧式距离。
优选的,步骤S3:基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像,包括:
对所述搜索窗口中所有的像素点求加权平均,确定所述待去噪的像素点对应的去噪后的像素值,计算公式如下:
式中,NLv(p)为所述待去噪的像素点对应的去噪后的像素值;v(q)为待处理图像上参考像素点的像素值;C(p)为加权权重的归一化因子,即所述搜索窗口内所有像素点的非局部加权权重的和。
优选的,所述步骤S22:确定待去噪的像素点的搜索窗口,包括:
步骤S221:获取经过预设的多种不同的去噪方法进行去噪后的基础去噪图像;
步骤S222:分别对待处理图像和各个所述基础去噪图像进行特征提取并基于提取的特征值构建特征集,获取构建的多个特征集;
步骤S223:将多个所述特征集与预设的窗口参数确定库中各个所述特征集对应的标准集进行匹配;
步骤S224:获取与多个所述特征集都分别匹配的所述标准集所共同对应关联的窗口参数集;
步骤S224:解析所述窗口参数集,确定所述待处理图像中各个待去噪的像素点对应的所述搜索窗口的窗口参数。
优选的,基于非局部均值的保边图像去噪方法,还包括:
在对于位于所述待处理图像边缘处的待去噪的像素点进行去噪的搜索窗口确定时,其中存在虚拟像素点;
当所述搜索窗口中存在虚拟像素点时,需要进行虚拟像素点的填充;
提取所有需要进行虚拟像素点的填充的搜索窗口;
依据搜索窗口中待填充的虚拟像素点数目,确定搜索窗口的填充顺序。
优选的,虚拟像素点的填充通过如下步骤进行:
将所述搜索窗口中的参考像素点的区域,参考块并基于参考块的大小构建采样窗口;
基于所述采样窗口在所述待处理图像中进行滑动采样,获取多个采样块;
计算所述参考块与所述采样块的相似度;
确定相似度大于预设的相似度阈值的采样块占采样块总数的比值;
当所述比值大于预设的比值阈值时,基于相似度最大的所述采样块,确定与搜索窗口对应的参考窗口;
基于参考窗口内除了采样块的其他像素点的像素值对所述搜索窗口中的虚拟像素点的像素值进行填充。
优选的,当所述比值小于等于预设的比值阈值时,基于所述搜索窗口中各个参考像素点的位置及像素值,构建参数集;
基于所述参数集和预设的填充参数确定库,确定填充参数集;
解析所述填充参数集,确定各个填充参数;
基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充。
优选的,所述基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充,包括:
提取一个虚拟像素点;
分别计算虚拟像素点至各个参考像素点的距离;
依照距离的从小到大对所述参数像素点的像素值进行排列;
基于排列的顺序为各个所述参考像素点的像素值和所述填充参数集中各个填充参数的顺序,确定像素值和填充参数对应关系并计算虚拟像素点的像素值,所述虚拟像素点的像素值计算公式如下:
式中,T为所述虚拟像素点的像素值;ti经过排列后的第i个参考像素点的像素值;βi为经过排列后的第i个参考像素点的像素值对应的填充参数。
本发明还提供一种基于非局部均值的保边图像去噪系统,包括:
基础去噪模块,用于对待处理图像进行基础去噪,获取基础去噪图像;
确定模块,用于基于所述待处理图像和所述基础去噪图像,确定非局部加权权重;
第二去噪模块,用于基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于非局部均值的保边图像去噪方法的示意图;
图2为包含搜索窗口的区域示意图;
图3为含噪声的图像;
图4为经过去噪后的图像。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供的一种基于非局部均值的保边图像去噪方法,包括:
步骤S1:对待处理图像进行基础去噪,获取基础去噪图像;
步骤S2:基于待处理图像和基础去噪图像,确定非局部加权权重;
步骤S3:基于非局部加权权重,对待处理图像进行处理,获取去噪图像。
首先,对噪声图像进行基础去噪,去噪方法可选,获得基础去噪图像;其次,对噪声图像进行保边非局部均值滤波,利用在先获取的基础去噪图像和原始噪声图像来计算非局部加权权重以达到保边的目的。
其中,对图像进行基础去噪,可选用高斯滤波、中值滤波、均值滤波、双边滤波、非局部均值滤波等。以高斯基础去噪为例,s代表高斯滤波窗口的半径,滤波窗口尺寸为(2s+1)×(2s+1),标准差σg;其中,高斯滤波窗口是以待处理像素点为中心构建的,i,j代表滤波窗口内像素点与待处理像素点的横纵距离。以滤波窗口的中心位置为坐标原点(i=0,j=0)进行取样,i轴水平向右,j轴竖直向上。这样,将滤波参数和各个位置的坐标带入到高斯函数中,得到的值就是高斯滤波模板的系数Hi,j,如公式(1)所示。
以尺寸7x7,标准差σg=1.4的高斯滤波模板H为例:
对于一幅含噪声的图像V={v(x)|x∈I},I表示待处理的图像,如图3所示;x表示图像I中的像素位置,v(x)为含噪声的像素值。以像素点x为中心、大小为(2s+1)×(2s+1)的图像邻域可表示为B(x,s)。将高斯滤波模板和x像素所在的邻域看成是两个矩阵,对像素点x去噪就相当于计算两个矩阵点乘的结果。对图像I中所有的像素点进行遍历和高斯去噪得到和原图尺寸一致的基础去噪图像U={u(x)|x∈I}。
对图像进行保边非局部均值去噪。图2中的除去四周边缘一排的区域是位于待处理图像I上的一个以p为中心、大小为(2r+1)×(2r+1)的邻域,被称为搜索窗口,p为待去噪的像素点。q为用于加权计算的参考像素位置,位于整个搜索窗口中。首先计算以p和q为中心的(2f+1)×(2f+1)大小的两个邻域B(p,f),B(q,f)之间的欧氏距离,计算如公式(2)所示,两个邻域分别为图2中的p点和q点外周的区块,它们被称为匹配窗口。其中,p点外周的区块位于整个搜索窗口的中心位置,q点外周的区块可在整个搜索窗口上以步长为1,从左至右、从上至下滑动。根据欧氏距离的大小和基础去噪图像中的像素值u(p)和u(q)的差值来衡量像素p和q之间的相似性,计算参考像素q对应的加权权重w(p,q),计算公式如(3)所示,其中h和l是滤波参数,σ是噪声标准差,均需手动设置。利用公式(4)对搜索窗口中所有的像素点求加权平均和得到去噪后的像素值NLv(p),其中C(p)是加权权重的归一化因子,即搜索窗口内所有参考像素权重的求和,计算方式如公式(5)所示。对图像I中所有的像素点执行去噪可得到最终的去噪图像,如图4所示。
在一个实施例中,所述步骤S22:确定待去噪的像素点的搜索窗口,包括:
步骤S221:获取经过预设的多种不同的去噪方法进行去噪后的基础去噪图像;
步骤S222:分别对待处理图像和各个所述基础去噪图像进行特征提取并基于提取的特征值构建特征集,获取构建的多个特征集;
步骤S223:将多个所述特征集与预设的窗口参数确定库中各个所述特征集对应的标准集进行匹配;
步骤S224:获取与多个所述特征集都分别匹配的所述标准集所共同对应关联的窗口参数集;
步骤S224:解析所述窗口参数集,确定所述待处理图像中各个待去噪的像素点对应的所述搜索窗口的窗口参数。
上述技术方案的工作原理及有益效果为:
综合分析待处理图像经过多种不同的去噪方法去噪后的基础去噪图像以及待处理图像的特征,进而根据预设的窗口参数确定库汇,确定适应所述待处理图像的各个位置的窗口参数;窗口参数集中收录着应用在各个位置的窗口参数,实现动态调整窗口参数,以适应各类不同的待处理图像的去噪要求。其中,窗口参数包括窗口的半径,即r的值;多种不同的去噪方法包括:高斯滤波、中值滤波、均值滤波、双边滤波、非局部均值滤波其中任意多种结合。
在一个实施例中,基于非局部均值的保边图像去噪方法,还包括:
在对于位于所述待处理图像边缘处的待去噪的像素点进行去噪的搜索窗口确定时,其中存在虚拟像素点;即为了对待处理图像靠近边缘的像素点进行去噪处理时,设置虚拟像素点并填充,保证边缘位置去噪操作的有效进行;
当所述搜索窗口中存在虚拟像素点时,需要进行虚拟像素点的填充;
提取所有需要进行虚拟像素点的填充的搜索窗口;
依据搜索窗口中待填充的虚拟像素点数目,确定搜索窗口的填充顺序。搜索窗口中虚拟像素点越少,填充顺序越靠前;在虚拟像素点填充后将其重置为参考像素点,使其参与后续的虚拟像素点的填充操作;
其中,虚拟像素点的填充通过如下步骤进行:
将所述搜索窗口中的参考像素点的区域,参考块并基于参考块的大小构建采样窗口;
基于所述采样窗口在所述待处理图像中进行滑动采样,获取多个采样块;
计算所述参考块与所述采样块的相似度;相似度的计算可以通过构建参考块或采样块对应的数据集;数据集中每个数据对应所述参考块中一个像素点的像素值,经过归一化处理后得到;将数据集之间的相似度作为所述参考块与所述采样块的相似度;其中,数据集的相似度计算公式如下:式中,XS为参考块对应的数据集和采样块对应的数据集之间的相似度;Akj为参考块对应的数据集的第k行第j列的数据;Bkj为采样块对应的数据集的第k行第j列的数据;N为数据集的总行数;M为数据集的总列数;
确定相似度大于预设的相似度阈值(例如:0.90)的采样块占采样块总数的比值;
当所述比值大于预设的比值阈值(例如:0.1)时,基于相似度最大的所述采样块,确定与搜索窗口对应的参考窗口;采样块在参考窗口中的位置与参考块在搜索窗口中的位置相对应;
基于参考窗口内除了采样块的其他像素点的像素值对所述搜索窗口中的虚拟像素点的像素值进行填充。将参考窗口内除了采样块的其他像素点的像素值一一对应填充至对应搜索窗口中的虚拟像素点上;
其中,当所述比值小于等于预设的比值阈值时,基于所述搜索窗口中各个参考像素点的位置及像素值,构建参数集;
基于所述参数集和预设的填充参数确定库,确定填充参数集;在填充参数集中填充参数集与调取集一一对应关联并且其通过大量数据经由专业人员分析构建,可以通过计算参数集与填充参数确定集中各个填充参数集所关联的调取集的相似度,提取相似度最大的所述调取集对应关联的填充参数集;
解析所述填充参数集,确定各个填充参数;
基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充。
其中,所述基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充,包括:
提取一个虚拟像素点;
分别计算虚拟像素点至各个参考像素点的距离;
依照距离的从小到大对所述参数像素点的像素值进行排列;
基于排列的顺序为各个所述参考像素点的像素值和所述填充参数集中各个填充参数的顺序,确定像素值和填充参数对应关系并计算虚拟像素点的像素值,所述虚拟像素点的像素值计算公式如下:
式中,T为所述虚拟像素点的像素值;ti经过排列后的第i个参考像素点的像素值;βi为经过排列后的第i个参考像素点的像素值对应的填充参数。
上述技术方案的工作原理及有益效果为:
在进行虚拟像素点填充时,首先分析待处理图像中是否与待填充的虚拟像素点的搜索窗口中已有参考像素点相同或相似的区域,这个步骤主要通过对待处理图像进行采样获得的采样块与搜索窗口中已有参考像素点构成的参考块的相似度进行是否相似判断;当存在超过一定比例的采样块时,通过采样块定位对虚拟像素点进行填充的参考位置并进行虚拟像素点的填充;当不能通过待处理图像内部的像素进行参考填充时,虚拟像素点与搜索窗口内的参考像素点是邻近关系,其本身存在一定的联系,因此可以通过搜索窗口内的参考像素点对虚拟像素点进行填充;通过搜索窗口中各个参考像素点的位置及像素值、填充参数确定库,确定具体的填充参数集,实现准确的内部因素的填充处理;综合分析待处理图像整体以及搜索窗口自身,实现准确有效的填充,为待处理图像的边缘的去噪提供数据支撑,保证去噪的效果。
本发明还提供一种基于非局部均值的保边图像去噪系统,包括:
基础去噪模块,用于对待处理图像进行基础去噪,获取基础去噪图像;
确定模块,用于基于所述待处理图像和所述基础去噪图像,确定非局部加权权重;
第二去噪模块,用于基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像。
在一个实施例中,所述确定模块确定待去噪的像素点的搜索窗口,执行如下操作:
获取经过预设的多种不同的去噪方法进行去噪后的基础去噪图像;
分别对待处理图像和各个所述基础去噪图像进行特征提取并基于提取的特征值构建特征集,获取构建的多个特征集;
将多个所述特征集与预设的窗口参数确定库中各个所述特征集对应的标准集进行匹配;
获取与多个所述特征集都分别匹配的所述标准集所共同对应关联的窗口参数集;
解析所述窗口参数集,确定所述待处理图像中各个待去噪的像素点对应的所述搜索窗口的窗口参数。
在一个实施例中,基于非局部均值的保边图像去噪系统,还包括:填充模块;
在对于位于所述待处理图像边缘处的待去噪的像素点进行去噪的搜索窗口确定时,其中存在虚拟像素点;
当所述搜索窗口中存在虚拟像素点时,所述填充模块需要进行虚拟像素点的填充;
所述填充模块提取所有需要进行虚拟像素点的填充的搜索窗口;
所述填充模块依据搜索窗口中待填充的虚拟像素点数目,确定搜索窗口的填充顺序。
在一个实施例中,虚拟像素点的填充通过如下步骤进行:
将所述搜索窗口中的参考像素点的区域,参考块并基于参考块的大小构建采样窗口;
基于所述采样窗口在所述待处理图像中进行滑动采样,获取多个采样块;
计算所述参考块与所述采样块的相似度;
确定相似度大于预设的相似度阈值的采样块占采样块总数的比值;
当所述比值大于预设的比值阈值时,基于相似度最大的所述采样块,确定与搜索窗口对应的参考窗口;
基于参考窗口内除了采样块的其他像素点的像素值对所述搜索窗口中的虚拟像素点的像素值进行填充。
其中,当所述比值小于等于预设的比值阈值时,基于所述搜索窗口中各个参考像素点的位置及像素值,构建参数集;
基于所述参数集和预设的填充参数确定库,确定填充参数集;
解析所述填充参数集,确定各个填充参数;
基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充。
其中,所述基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充,包括:
提取一个虚拟像素点;
分别计算虚拟像素点至各个参考像素点的距离;
依照距离的从小到大对所述参数像素点的像素值进行排列;
基于排列的顺序为各个所述参考像素点的像素值和所述填充参数集中各个填充参数的顺序,确定像素值和填充参数对应关系并计算虚拟像素点的像素值,所述虚拟像素点的像素值计算公式如下:
式中,T为所述虚拟像素点的像素值;ti经过排列后的第i个参考像素点的像素值;βi为经过排列后的第i个参考像素点的像素值对应的填充参数。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于非局部均值的保边图像去噪方法,其特征在于,包括:
步骤S1:对待处理图像进行基础去噪,获取基础去噪图像;
步骤S2:基于所述待处理图像和所述基础去噪图像,确定非局部加权权重;
步骤S3:基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像。
2.如权利要求1所述的基于非局部均值的保边图像去噪方法,其特征在于,所述步骤S1:对待处理图像进行基础去噪,获取基础去噪图像,包括:
步骤S11:确定高斯滤波模板;其中,高斯滤波模板的系数Hi,j通过下式确定:
式中,Hi,j表示高斯滤波模板的系数;σg为所述待处理图像的各个像素点的像素值的标准差;s表示高斯滤波窗口的半径;i,j代表滤波窗口内像素点与待处理像素点的横纵距离;
步骤S12:确定所述待处理图像上各个像素点对应的第一邻域;
步骤S13:基于所述第一邻域和所述高斯滤波模板,确定所述基础去噪图像中各个像素点的像素值。
3.如权利要求1所述的基于非局部均值的保边图像去噪方法,其特征在于,所述步骤S2:基于所述待处理图像和所述基础去噪图像,确定非局部加权权重,包括:
步骤S21:确定所述待处理图像上待去噪的像素点;
步骤S22:确定待去噪的像素点的搜索窗口;
步骤S23:在所述搜索窗口中确定各个参考像素点;
步骤S24:分别确定待去噪的像素点的第二邻域以及各个所述参考像素点的第三邻域;
步骤S25:分别计算所述第二邻域与各个所述第三邻域的欧式距离;
步骤S26:确定待去噪的像素点在所述基础去噪图像中的对应的第一像素点的像素值和所述参考像素点在所述基础去噪图像中的对应的第二像素的像素值;
步骤S27:基于所述欧式距离、所述第一像素点的像素值和所述第二像素点的像素值,确定各个所述参考像素点对应的非局部加权权重;其中,所述非局部加权权重计算公式如下:
式中,w(p,q)为所述搜索窗口中第q个所述参考像素点对应的加权权重;u(p)为第一像素点的像素值;u(q)为所述第二像素点的像素值;h和l是预设的滤波参数,σ为噪声标准差;d为所述欧式距离。
4.如权利要求3所述的基于非局部均值的保边图像去噪方法,其特征在于,所述步骤S3:基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像,包括:
对所述搜索窗口中所有的像素点求加权平均,确定所述待去噪的像素点对应的去噪后的像素值,计算公式如下:
式中,NLv(p)为所述待去噪的像素点对应的去噪后的像素值;v(q)为待处理图像上参考像素点的像素值;C(p)为加权权重的归一化因子,即所述搜索窗口内所有像素点的非局部加权权重的和。
5.如权利要求3所述的基于非局部均值的保边图像去噪方法,其特征在于,所述步骤S22:确定待去噪的像素点的搜索窗口,包括:
步骤S221:获取经过预设的多种不同的去噪方法进行去噪后的基础去噪图像;
步骤S222:分别对待处理图像和各个所述基础去噪图像进行特征提取并基于提取的特征值构建特征集,获取构建的多个特征集;
步骤S223:将多个所述特征集与预设的窗口参数确定库中各个所述特征集对应的标准集进行匹配;
步骤S224:获取与多个所述特征集都分别匹配的所述标准集所共同对应关联的窗口参数集;
步骤S224:解析所述窗口参数集,确定所述待处理图像中各个待去噪的像素点对应的所述搜索窗口的窗口参数。
6.如权利要求3所述的基于非局部均值的保边图像去噪方法,其特征在于,还包括:
在对于位于所述待处理图像边缘处的待去噪的像素点进行去噪的搜索窗口确定时,其中存在虚拟像素点;
当所述搜索窗口中存在虚拟像素点时,需要进行虚拟像素点的填充;
提取所有需要进行虚拟像素点的填充的搜索窗口;
依据搜索窗口中待填充的虚拟像素点数目,确定搜索窗口的填充顺序。
7.如权利要求6所述的基于非局部均值的保边图像去噪方法,其特征在于,虚拟像素点的填充通过如下步骤进行:
将所述搜索窗口中的参考像素点的区域,参考块并基于参考块的大小构建采样窗口;
基于所述采样窗口在所述待处理图像中进行滑动采样,获取多个采样块;
计算所述参考块与所述采样块的相似度;
确定相似度大于预设的相似度阈值的采样块占采样块总数的比值;
当所述比值大于预设的比值阈值时,基于相似度最大的所述采样块,确定与搜索窗口对应的参考窗口;
基于参考窗口内除了采样块的其他像素点的像素值对所述搜索窗口中的虚拟像素点的像素值进行填充。
8.如权利要求7所述的基于非局部均值的保边图像去噪方法,其特征在于,当所述比值小于等于预设的比值阈值时,基于所述搜索窗口中各个参考像素点的位置及像素值,构建参数集;
基于所述参数集和预设的填充参数确定库,确定填充参数集;
解析所述填充参数集,确定各个填充参数;
基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充。
9.如权利要求8所述的基于非局部均值的保边图像去噪方法,其特征在于,所述基于各个所述填充参数和各个参考像素点的像素值,对虚拟像素点进行填充,包括:
提取一个虚拟像素点;
分别计算虚拟像素点至各个参考像素点的距离;
依照距离的从小到大对所述参数像素点的像素值进行排列;
基于排列的顺序为各个所述参考像素点的像素值和所述填充参数集中各个填充参数的顺序,确定像素值和填充参数对应关系并计算虚拟像素点的像素值,所述虚拟像素点的像素值计算公式如下:
式中,T为所述虚拟像素点的像素值;ti经过排列后的第i个参考像素点的像素值;βi为经过排列后的第i个参考像素点的像素值对应的填充参数。
10.一种基于非局部均值的保边图像去噪系统,其特征在于,包括:
基础去噪模块,用于对待处理图像进行基础去噪,获取基础去噪图像;
确定模块,用于基于所述待处理图像和所述基础去噪图像,确定非局部加权权重;
第二去噪模块,用于基于所述非局部加权权重,对所述待处理图像进行处理,获取去噪图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528604.2A CN116912102B (zh) | 2023-05-11 | 2023-05-11 | 一种基于非局部均值的保边图像去噪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528604.2A CN116912102B (zh) | 2023-05-11 | 2023-05-11 | 一种基于非局部均值的保边图像去噪方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912102A true CN116912102A (zh) | 2023-10-20 |
CN116912102B CN116912102B (zh) | 2024-04-09 |
Family
ID=88355233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310528604.2A Active CN116912102B (zh) | 2023-05-11 | 2023-05-11 | 一种基于非局部均值的保边图像去噪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912102B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237238A (zh) * | 2023-11-13 | 2023-12-15 | 孔像汽车科技(武汉)有限公司 | 基于导向滤波的图像去噪方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103873743A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种基于结构张量和卡尔曼滤波的视频去噪方法 |
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 |
CN105574533A (zh) * | 2015-12-15 | 2016-05-11 | 徐庆 | 一种图像特征提取方法和装置 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 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 |
CN109685733A (zh) * | 2018-12-20 | 2019-04-26 | 湖南师范大学 | 一种基于气泡运动稳定性分析的铅锌浮选泡沫图像时空联合去噪方法 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
CN112767282A (zh) * | 2021-02-02 | 2021-05-07 | 武汉科技大学 | 改进加权核函数的非局部均值回转窑火焰图像去噪方法 |
CN113643201A (zh) * | 2021-07-27 | 2021-11-12 | 西安理工大学 | 一种自适应非局部均值的图像去噪方法 |
-
2023
- 2023-05-11 CN CN202310528604.2A patent/CN116912102B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103873743A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种基于结构张量和卡尔曼滤波的视频去噪方法 |
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 |
CN105574533A (zh) * | 2015-12-15 | 2016-05-11 | 徐庆 | 一种图像特征提取方法和装置 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 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 |
CN109685733A (zh) * | 2018-12-20 | 2019-04-26 | 湖南师范大学 | 一种基于气泡运动稳定性分析的铅锌浮选泡沫图像时空联合去噪方法 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
CN112767282A (zh) * | 2021-02-02 | 2021-05-07 | 武汉科技大学 | 改进加权核函数的非局部均值回转窑火焰图像去噪方法 |
CN113643201A (zh) * | 2021-07-27 | 2021-11-12 | 西安理工大学 | 一种自适应非局部均值的图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
肖鹏;刘平平;陈幼平;: "基于梯度信息的快速非局部均值图像去噪算法", 机械与电子, no. 11, pages 3 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237238A (zh) * | 2023-11-13 | 2023-12-15 | 孔像汽车科技(武汉)有限公司 | 基于导向滤波的图像去噪方法、系统、设备及存储介质 |
CN117237238B (zh) * | 2023-11-13 | 2024-03-29 | 孔像汽车科技(上海)有限公司 | 基于导向滤波的图像去噪方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116912102B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
CN109671029B (zh) | 基于伽马范数最小化的图像去噪方法 | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
CN111340716B (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN116912102B (zh) | 一种基于非局部均值的保边图像去噪方法和系统 | |
CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN111339862B (zh) | 一种基于通道注意力机制的遥感场景分类方法及装置 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN114881861B (zh) | 基于双采样纹理感知蒸馏学习的不均衡图像超分方法 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
CN114677525A (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
Jebur et al. | Image denoising techniques: An overview | |
Wu et al. | Bi-lateral filtering based edge detection on hexagonal architecture | |
CN113484913B (zh) | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 | |
He et al. | Bilateral edge detection on a virtual hexagonal structure | |
CN115063315A (zh) | 基于滑动划分及小面积噪声填充的太赫兹图像预处理方法 | |
CN113538290A (zh) | 基于人工智能的农业航拍图像处理方法及系统 | |
CN113627468B (zh) | 基于无监督学习的非局部神经网络图像处理方法及系统 | |
CN114359417B (zh) | 一种针对jpeg图像压缩质量因子的检测方法 | |
CN112836708B (zh) | 一种基于Gram矩阵和F范数的图像特征检测方法 | |
CN117935177B (zh) | 基于注意力神经网络的道路车辆危险行为识别方法及系统 |
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 |