CN117011192A - 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 - Google Patents
基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 Download PDFInfo
- Publication number
- CN117011192A CN117011192A CN202311215138.9A CN202311215138A CN117011192A CN 117011192 A CN117011192 A CN 117011192A CN 202311215138 A CN202311215138 A CN 202311215138A CN 117011192 A CN117011192 A CN 117011192A
- Authority
- CN
- China
- Prior art keywords
- image
- bilateral filtering
- nsct
- domain
- frequency subband
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 63
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 59
- 230000007935 neutral effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20048—Transform domain processing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
基于中性集合与双边滤波的NSCT域声呐图像去噪方法及设备,属于声呐图像去噪技术领域。为了解决现有图像去噪方法的去噪效果差、保持边缘能力不足和运算效率低的问题,本发明首先利用基于非下采样轮廓波变换对含噪图像进行分解,然后将高频子带图像转换至中性集合域,用真子集、假集和不确定集表示,对真子集的图像进行β增强,并将增强后的真子集图像进行双边滤波处理;同时将低频子带图像转换至中性集合域,提取真子集图像作为联合双边滤波的引导图,指导联合双边滤波对低频子带图像进行平滑处理;利用NSCT逆变换对双边滤波处理后的高频子带图像和联合双边滤波处理后的低频子带图像进行重构,得到最终去噪后的图像。
Description
技术领域
本发明属于声呐图像去噪技术领域,具体涉及一种声呐图像去噪方法及设备。
背景技术
声呐是反馈海洋信息的最主要方式,由于受海风、洋流、水温、杂质以及成像设备等影响,使用声呐探测技术得到的图像所受的噪声干扰远比光学图像更严重,通常包含着各种类型的噪声,主要表现为颗粒状的斑点。斑点噪声是乘性噪声,因此导致图像质量严重下降,图像模糊,边缘细节丢失等,对后续的图像分割,图像识别等产生不利影响。
近几年对于声呐图像去噪处理常使用的算法有:小波变换、contourlet变换等,小波去噪并不能很好的得到边缘及轮廓特征,脊波变换只能表示直线奇异特征,无法有效描述信号中的曲线奇异特征;曲波变换结构复杂,运算量大等,这些方法导致去噪时图像细节特征无法得到准确捕捉、去噪效率低的问题。当前,光学图像去噪算法多种多样,例如偏微分方程降噪,全变差去噪,数学形态学去噪等,忽略了像素本身固有的特性,会导致图像模糊或者细节丢失情况。
综上所述,现有的声呐图像去噪方法存在去噪效果不明显、边缘保持能力差以及运算效率低的问题,所以,如何在噪声干扰严重的情况下有效去除声呐图像中的噪声、提高边缘保持能力和运算效率是亟需解决的问题。
发明内容
本发明为了解决现有图像去噪方法的去噪效果差、保持边缘能力不足和运算效率低的问题,进而提出一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,包括以下步骤:
步骤一、针对水下声呐图像,利用基于非下采样轮廓波变换,即NSCT,对含噪图像进行分解,获取多张高频子带图像和一张低频子带图像;
步骤二、利用基于中性集合的聚类方式,将每一张高频子带图像进行聚类处理,即将高频子带图像转换至中性集合域,用真子集、假集和不确定集表示;
对真子集的图像T(x,y)进行β增强得到增强后的真子集的图像Tβ';
步骤三、针对步骤二得到增强后的真子集的图像和假集图像、不确定集图像,将增强后的真子集图像进行双边滤波处理;将假集和不确定集图像进行零值处理,后续不参与NSCT逆变换;
步骤四、将低频子带图像也转换至中性集合域,提取真子集图像作为联合双边滤波的引导图,指导联合双边滤波对低频子带图像进行平滑处理;
步骤五、利用NSCT逆变换对步骤三双边滤波处理后的高频子带图像和步骤四联合双边滤波处理后的低频子带图像进行重构,得到最终去噪后的图像。
进一步地,将高频子带图像转换至中性集合域,用真子集、假集和不确定集表的表达式如下:
F(x,y)=1-T(x,y)
式中,G(x,y)为输入图像像素点位置(x,y)的像素值,为经过中值滤波后的图像,min、max表示为最小值和最大值;T(x,y)表示真子集的图像,F(x,y)表示假集的图像,I(x,y)表示不确定集的图像;δ(x,y)为中间变量,abs(·)表示求绝对值的函数。
进一步地,增强后的真子集的图像
进一步地,步骤三所述将增强后的真子集图像进行双边滤波处理如下:
式中,ws(a,b)、wg(a,b)分别为空间权重和灰度相似度权重,σs、σg分别为空间标准差和灰度标准差,Z为滤波尺寸;G′(x,y)为输入图像Tβ'像素点位置(x,y)的像素值,G′(a,b)为输入图像中心像素点位置(a,b)的像素值,为G′(x,y)的双边滤波结果。
进一步地,所述步骤一的具体过程包括以下步骤:
步骤一一、对拉普拉斯金字塔滤波器进行上采样操作构造双通道的非下采样金字塔滤波器,即NSPFB;
步骤一二、利用非下采样金字塔滤波器将声呐图像分为高频子带和低频子带;
步骤一三、利用非下采样方向滤波器,即NSDFB,对高频子带继续分解以获得高频子带的多个方向带;第l层可以得到2l个高频子带图像,总共可以得到个高频子带图像。
进一步地,步骤一一中的双通道非下采样金字塔的采样矩阵为和
进一步地,步骤一二中利用非下采样金字塔滤波器将含噪图像进行2层分解,获取源图像的低频成分和高频成分,得到1张低频子带图像和3张高频子带图像。
一种计算机存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
一种基于中性集合与双边滤波的NSCT域声呐图像去噪设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
本发明的有益效果是:
本发明将中性集合、双边滤波和NSCT结合,可最大限度地提高声呐图像的去噪效果、边缘保持能力。本发明还能够针对声呐图像对比度低、噪声干扰严重的问题进行改善,通过NSCT对含噪图像进行分解、然后运用中性集合去除高频系数中的噪声信号,保留细节信号,低频系数进行联合双边滤波,平滑图像,提升图像对比度,最后进行NSCT逆变换,得到去噪后的图像。同时本发明还可以很好的解决运算效率低的问题。
附图说明
图1为基于中性集合与双边滤波的NSCT域声呐图像去噪的流程图。
图2为NSCT分解示意图。
图3为去噪前的沉船残骸图像。
图4为去噪后的沉船残骸图像。
具体实施方式
具体实施方式一:结合图1说明本实施方式,
本实施方式所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,所述方法具体包括以下步骤:
步骤一、针对水下声呐图像,利用基于非下采样轮廓波变换,即NSCT(Non-subsampled Contourlet),对含噪图像进行分解,获取多张高频子带图像和一张低频子带图像。
NSCT在轮廓波变换(CT)中取消了直接对图像进行采样操作,允许相应的滤波器进行采样操作,在进行分解时利用非下采样金字塔滤波器(NSPFB)进行多尺度分解,对多尺度分解的高频子带采用非采样方向滤波器(NSDFB);NSCT取消拉普拉斯金字塔滤波器中下采样操作,转而采取上采样完成双通道非下采样金字塔。
所述步骤一的具体过程包括以下步骤:
步骤一一、对拉普拉斯金字塔滤波器进行上采样操作构造双通道的非下采样金字塔滤波器,即NSPFB;双通道的非下采样金字塔的采样矩阵为和/>
步骤一二、利用非下采样金字塔滤波器将声呐图像分为高频子带和低频子带;
本实施方式中利用非下采样金字塔滤波器将含噪图像进行2层分解,获取源图像的低频成分和高频成分,得到1张低频子带图像和3张高频子带图像;
步骤一三、利用非下采样方向滤波器(NSDFB)对高频子带继续分解以获得高频子带的多个方向带;第l层可以得到2l个高频子带图像,总共可以得到个高频子带图像;
步骤二、利用基于中性集合的聚类方式,将每一张高频子带图像进行聚类处理,将信号划分为细节信号和噪声信号;具体过程包括以下步骤:
将高频子带图像转换至中性集合域,用真子集、假集和不确定集表示,其表达式为:
F(x,y)=1-T(x,y)
式中,G(x,y)为输入图像像素点位置(x,y)的像素值,为经过中值滤波后的图像,min、max表示为最小值和最大值;T(x,y)表示真子集的图像,F(x,y)表示假集的图像,I(x,y)表示不确定集的图像;δ(x,y)为中间变量,abs(·)表示求绝对值的函数。
对真子集的图像进行β增强得到增强后的真子集的图像,β增强如下:
β增强能够降低计算过程中的不确定性,使确定集变得更清晰,对比度更高;
上述过程获取的真子集包含图像主要信息,假集为噪声,不确定集为噪声和背景干扰,而高频子带图像中主要信息为图像边缘,因此达到了分离有效信号与噪声信号的目的。
步骤三、针对步骤二得到增强后的真子集的图像和假集图像、不确定集图像,将增强后的真子集图像进行双边滤波处理;将假集和不确定集图像进行零值处理,后续不参与NSCT逆变换;
双边滤波可根据需求设置相应的空间标准差和灰度标准差,达到去噪保边的效果;表达式如下:
式中,ws(a,b)、wg(a,b)分别为空间权重和灰度相似度权重,σs、σg分别为空间标准差和灰度标准差,Z为滤波尺寸;G′(x,y)为输入图像T'β像素点位置(x,y)的像素值,G′(a,b)为输入图像中心像素点位置(a,b)的像素值,为G′(x,y)的双边滤波结果。
步骤四、将低频子带图像也转换至中性集合域,提取真子集图像作为联合双边滤波的引导图,指导联合双边滤波对低频子带图像进行平滑处理;
联合双边滤波计算方式与双边滤波计算方式相同,联合双边滤波器就是在双边滤波器的基础上引入了引导图像,使得权值更稳定。
步骤五、利用NSCT逆变换对步骤三双边滤波处理后的高频子带图像和步骤四联合双边滤波处理后的低频子带图像进行重构,得到最终去噪后的图像。
实施例
本实施例的一种基于图像处理的水下声呐图像去噪方法,包括:首先通过对已采集到的声呐图像利用NSCT进行分解,对高频系数利用中性集合进行处理,去除噪声信号,保留细节信号;对低频系数进行双边滤波处理,平滑图像,提升图像视觉效果,最后利用NSCT逆变换进行重构,得到去噪后的声呐图像。
以沉船残骸图像为例进行去噪实验,具体过程如下:
步骤一、利用NSCT对含噪声呐图像进行分解,得到高频子带图像和低频子带图像。
步骤1:对拉普拉斯金字塔滤波器进行上采样操作构造二通道非下采样金字塔滤波器;
步骤2、:利用非下采样金字塔滤波器将声呐图像分为高频子带和低频子带;
步骤3:利用非下采样方向滤波器(NSDFB)对高频子带继续分解以获得高频子带的多个方向带。
步骤二、将每一张高频子带图像转换至中性集合域。
步骤三、根据步骤二中得到的细节信号和噪声信号,分别进行双边滤波处理和零值处理。
步骤四、获取联合双边滤波的引导图,指导低频系数平滑去噪;具体过程如下:
步骤1:将低频系数转换至中性集合域;
步骤2:提取步骤1中的真子集作为引导图;
步骤3:将步骤2中的引导图用来指导联合双边滤波对低频系数进行平滑去噪,减少空间标准差和灰度标准差的参数设置。
步骤五、利用NSCT逆变换对步骤二至步骤四处理后的高频子带图像和低频子带图像进行重构。
含噪沉船残骸图像如图3所示,图像中存在噪声干扰严重和对比度低的问题,影响了图像的整体质量和直观视觉效果经过本发明的处理,得到如图4所示的去噪后的图像。可见本发明对水下沉船残骸图像进行去噪处理,可以提升图像的整体质量和直观视觉效果,增强图像边缘保持能力以及降低运算量。
具体实施方式二:
本实施方式为一种计算机存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
应当理解,指令包括本发明描述的任何方法对应的计算机程序产品、软件或计算机化方法;所述指令可以用于编程计算机系统,或其他电子装置。计算机存储介质可以包括其上存储有指令的可读介质,可以包括但不限于磁存储介质,光存储介质;磁光存储介质包括只读存储器ROM、随机存取存储器RAM、可擦除可编程存储器(例如,EPROM和EEPROM)以及闪存层,或者适合于存储电子指令的其他类型的介质。
具体实施方式三:
本实施方式为一种基于中性集合与双边滤波的NSCT域声呐图像去噪设备,所述设备包括处理器和存储器,应当理解,包括本发明描述的任何包括处理器和存储器的设备,设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块;
所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,包括以下步骤:
步骤一、针对水下声呐图像,利用基于非下采样轮廓波变换,即NSCT,对含噪图像进行分解,获取多张高频子带图像和一张低频子带图像;
步骤二、利用基于中性集合的聚类方式,将每一张高频子带图像进行聚类处理,即将高频子带图像转换至中性集合域,用真子集、假集和不确定集表示;
对真子集的图像T(x,y)进行β增强得到增强后的真子集的图像T′β;
步骤三、针对步骤二得到增强后的真子集的图像和假集图像、不确定集图像,将增强后的真子集图像进行双边滤波处理;将假集和不确定集图像进行零值处理,后续不参与NSCT逆变换;
步骤四、将低频子带图像也转换至中性集合域,提取真子集图像作为联合双边滤波的引导图,指导联合双边滤波对低频子带图像进行平滑处理;
步骤五、利用NSCT逆变换对步骤三双边滤波处理后的高频子带图像和步骤四联合双边滤波处理后的低频子带图像进行重构,得到最终去噪后的图像。
2.根据权利要求1所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,将高频子带图像转换至中性集合域,用真子集、假集和不确定集表的表达式如下:
F(x,y)=1-T(x,y)
式中,G(x,y)为输入图像像素点位置(x,y)的像素值,为经过中值滤波后的图像,min、max表示为最小值和最大值;T(x,y)表示真子集的图像,F(x,y)表示假集的图像,I(x,y)表示不确定集的图像;δ(x,y)为中间变量,abs(·)表示求绝对值的函数。
3.根据权利要求2所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,增强后的真子集的图像
4.根据权利要求3所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,步骤三所述将增强后的真子集图像进行双边滤波处理如下:
式中,ws(a,b)、wg(a,b)分别为空间权重和灰度相似度权重,σs、σg分别为空间标准差和灰度标准差,Z为滤波尺寸;G′(x,y)为输入图像T′β像素点位置(x,y)的像素值,G′(a,b)为输入图像中心像素点位置(a,b)的像素值,为G′(x,y)的双边滤波结果。
5.根据权利要求1至4任意一项所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,所述步骤一的具体过程包括以下步骤:
步骤一一、对拉普拉斯金字塔滤波器进行上采样操作构造双通道的非下采样金字塔滤波器,即NSPFB;
步骤一二、利用非下采样金字塔滤波器将声呐图像分为高频子带和低频子带;
步骤一三、利用非下采样方向滤波器,即NSDFB,对高频子带继续分解以获得高频子带的多个方向带;第l层可以得到2l个高频子带图像,总共可以得到个高频子带图像。
6.根据权利要求5所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,步骤一一中的双通道非下采样金字塔的采样矩阵为和
7.根据权利要求6所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法,其特征在于,步骤一二中利用非下采样金字塔滤波器将含噪图像进行2层分解,获取源图像的低频成分和高频成分,得到1张低频子带图像和3张高频子带图像。
8.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7任意一项所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
9.一种基于中性集合与双边滤波的NSCT域声呐图像去噪设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7任意一项所述的一种基于中性集合与双边滤波的NSCT域声呐图像去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215138.9A CN117011192A (zh) | 2023-09-20 | 2023-09-20 | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215138.9A CN117011192A (zh) | 2023-09-20 | 2023-09-20 | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117011192A true CN117011192A (zh) | 2023-11-07 |
Family
ID=88562089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311215138.9A Pending CN117011192A (zh) | 2023-09-20 | 2023-09-20 | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893742A (zh) * | 2024-03-15 | 2024-04-16 | 深圳大学总医院 | 一种葡萄膜炎影像特征识别方法 |
-
2023
- 2023-09-20 CN CN202311215138.9A patent/CN117011192A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893742A (zh) * | 2024-03-15 | 2024-04-16 | 深圳大学总医院 | 一种葡萄膜炎影像特征识别方法 |
CN117893742B (zh) * | 2024-03-15 | 2024-05-28 | 深圳大学总医院 | 一种葡萄膜炎影像特征识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sudha et al. | Speckle noise reduction in ultrasound images by wavelet thresholding based on weighted variance | |
CN111028163A (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN101482617B (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
Li et al. | Medical image enhancement based on CLAHE and unsharp masking in NSCT domain | |
CN107403416B (zh) | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 | |
CN107784638A (zh) | 一种优化的东巴古籍图像增强方法 | |
US8139891B2 (en) | System and method for structure enhancement and noise reduction in medical images | |
CN117011192A (zh) | 基于中性集合与双边滤波的nsct域声呐图像去噪方法及设备 | |
CN112862716A (zh) | 基于双树复数小波和模糊理论的声呐图像目标增强方法 | |
CN111242854A (zh) | 一种图像去噪方法 | |
CN107895356A (zh) | 一种基于steerable pyramid的近红外图像增强方法 | |
CN113222833B (zh) | 一种侧扫声呐图像处理方法与装置 | |
Lee et al. | Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN113487505A (zh) | 一种基于噪声识别的红外图像混合降噪方法 | |
CN115546653B (zh) | 一种基于深度加强网络的遥感图像去噪方法 | |
CN105096274B (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 | |
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 | |
CN114494077A (zh) | 一种基于密度聚类与灰度变换的nsst域声呐图像去噪方法 | |
US20230133074A1 (en) | Method and Apparatus for Noise Reduction | |
Rela et al. | Efficient image enhancement techniques applied on medical imaging-A state-of-the art survey | |
Li et al. | Enhancement method for aviation image based on improved NSCT | |
CN116342404A (zh) | 基于改进atv与形态学的nsct域声呐图像融合去噪方法及设备 | |
Olfa et al. | A new framwork based on the trilateral filter for despeckling ultrasoud images | |
CN102663687B (zh) | 基于空间自适应高斯混合模型的表面波变换视频去噪方法 |
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 |