CN117541495A - 一种自动优化模型权重的图像条纹去除方法、装置及介质 - Google Patents
一种自动优化模型权重的图像条纹去除方法、装置及介质 Download PDFInfo
- Publication number
- CN117541495A CN117541495A CN202311127017.9A CN202311127017A CN117541495A CN 117541495 A CN117541495 A CN 117541495A CN 202311127017 A CN202311127017 A CN 202311127017A CN 117541495 A CN117541495 A CN 117541495A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- streak
- model
- stripe
- 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 57
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20004—Adaptive image processing
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,尤其为一种自动优化模型权重的图像条纹去除方法,具体包括以下步骤:在获取含有条纹噪声的图像后,计算图像不同方向的梯度信息,分别设计水平和垂直方向的正则化约束,并根据条纹噪声的结构特性构建了一种空间自适应的权重。该方法对图像中有条纹区域和无条纹区域进行区分,通过对有条纹区域设定较大的正则项系数,可以更好地去除图像中的条纹噪声,防止条纹噪声的残留。而对于非条纹区域则设定较小的正则项系数,可以保留原图像更多的纹理结构,以便在其他领域进行更好的后续应用。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种自动优化模型权重的图像条纹去除方法。
背景技术
从传感器上获取的红外图像和遥感图像等经常含有条纹噪声,条纹噪声严重影响图像的细节信息与纹理结构。这极大程度影响了它们在后续学科领域的应用,例如目标检测、环境监测等。常用的条纹噪声去除方法主要可以分为四类:基于滤波的方法、基于统计的方法、基于模型优化的方法以及基于深度学习的方法。其中基于滤波的方法是将图像信息转化到频域,并用滤波器来滤除条纹噪声。基于统计的方法通过传感器的统计特性对其响应进行纠正,从而去除条纹噪声。基于模型优化的方法利用图像与条纹噪声的先验特性,构建不同正则项的能量泛函来求解去除条纹噪声后的图像。基于深度学习的方法主要通过神经网络模型来分离图像与条纹噪声。
尽管已经存在许多条纹噪声去除算法,但它们都存在一定缺陷。例如基于滤波的方法与基于统计的方法无法处理含有非周期性条纹的图像,同时这两种方法也不具有普适性。基于深度学习的方法的条纹去除效果较好,但其对于数据集以及损失函数的要求十分严苛。相比之下,基于优化的方法是目前公认的条纹去除效果较好的一类方法。然而,许多模型优化算法的参数都是通过大量实验人为给定,耗费了研究人员大量时间精力。同时对于有条纹区域与无条纹区域的权重参数也无明显区分,这也一定程度上导致了图像的结构信息丢失。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种自动优化模型权重的图像条纹去除方法,解决了上述背景技术中所提出的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案:
一种自动优化模型权重的图像条纹去除方法,具体包括以下步骤:
步骤1:在获取含有条纹噪声的图像后,计算图像不同方向的梯度信息,分别设计水平和垂直方向的正则化约束,并根据条纹噪声的结构特性构建了一种空间自适应的权重;
步骤2:在垂直方向的正则化约束中加入空间自适应的权重,通过正则化系数δ将不同方向的正则化约束结合起来,得到去除条纹噪声的变分模型;
步骤3:给定正则化系数初值δ0,采用交替方向乘子法对步骤2中去除条纹噪声的变分模型进行迭代求解,得到分离的条纹噪声S1;
步骤4:利用含有噪声的原图像减去分离的条纹噪声S1,可以得到去除条纹噪声后的图像G1,并计算相应的图像失真度ID;
步骤5:若ID<0.99,则对条纹噪声Si在δi=2-1δi-1的尺度下重复步骤3-4直至ID≥0.99,即可得到最终去除条纹后的图像。
进一步地,所述步骤1中不同方向的正则化约束为:
Rv=||▽y(F-S)||1
其中,Rh表示水平方向的正则化约束项,Rv表示垂直方向的正则化约束项,S表示条纹噪声,F表示受到条纹噪声污染的图像,▽x表示水平方向的梯度,▽y表示垂直方向的梯度。
进一步地,所述步骤1中提出的空间自适应的权重Ws为:
其中,Sa表示含有条纹区域,(x,y)表示图像像素行列位置索引,λ表示调节系数。
进一步地,所述步骤2中去除条纹噪声的变分模型表达式为:
其中,δ表示正则化系数,WS表示条纹噪声的空间自适应权重。
进一步地,所述步骤3中采用交替方向乘子法求解步骤2中去除条纹噪声的变分模型包括以下步骤:
S1、通过引入中间变量M1和M2后,可以得到该变分模型的增广拉格朗日函数。
S2、分别求解增广拉格朗日函数中各个变量的子问题,得到其相应的迭代表达式。
S3、经过对各个变量的多次重复迭代后,可以得到最优的S值,即为分离的条纹噪声。
进一步地,所述步骤S1中变分模型的增广拉格朗日函数表达式为:
其中,max表示取函数最大值,min表示取函数最小值,M1=▽y(F-S),M2=▽xS,η1和η2表示拉格朗日乘子,γ1和γ2表示惩罚项的系数。
进一步地,所述步骤5中ID≥0.99时得到最终去除条纹后的图像,其计算公式为:
Glast=F-Slast
其中,Glast为最终去除条纹后的干净图像,Slast为最后一次分离出来的条纹噪声。
一种自动优化模型权重的图像条纹去除装置,包括数据采集模块、数据传输模块、数据处理模块以及程序存储模块。其中,程序存储模块中所存放的程序,用于实现权利要求1-7任一项所述自动优化模型权重的图像条纹去除方法的步骤。
一种计算机可读存储介质,所述计算机可读存储设备中存储有计算机程序,所述计算机程序能够实现权利要求1-7任一项所述自动优化模型权重的图像条纹去除方法的步骤。
(三)有益效果
与现有技术相比,本发明提供了一种自动优化模型权重的图像条纹去除方法,具备以下有益效果:
1、该方法对图像中有条纹区域和无条纹区域进行了区分。通过对有条纹区域设定较大的正则项系数,可以更好地去除图像中的条纹噪声,防止条纹噪声的残留。而对于非条纹区域则设定较小的正则项系数,可以保留原图像更多的纹理结构,以便在其他领域进行更好的后续应用。
2、该方法通过对含条纹噪声图像进行多尺度分解,利用少量结果即可对优化模型中的正则项系数进行设定。它可以有效避免确定最优系数的大量人为的实验,节约了研究人员的时间和精力。同时,它也增强了优化模型的适用性,可以让优化模型更好地处理不同类型的条纹噪声。
附图说明
图1为一种自动优化模型权重的图像条纹去除方法的流程框图;
图2为一种自动优化模型权重的图像条纹去除方法去除的条纹噪声展示图;
图3为一种自动优化模型权重的图像条纹去除方法处理结果展示图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例
如图1-3所示,本发明一个实施例提出的一种自动优化模型权重的图像条纹去除方法,包括以下步骤:
步骤1,从相关数据集中获得含有条纹噪声的图像后,通过梯度信息公式计算图像不同方向的梯度信息;其所述梯度信息计算公式为:
Gx(i,j)=P(i,j)-P(i-1,j)
Gy(i,j)=P(i,j)-P(i,j-1)
其中,P(i,j)表示图像的像素值,Gx(i,j)表示图像水平方向的梯度信息,Gy(i,j)表示图像垂直方向的梯度信息,(i,j)表示图像像素行列位置索引。
进一步,根据不同方向的梯度信息,分别设计水平和垂直方向的正则化约束,其所述正则化约束为:
Rv=||▽y(F-S)||1
其中,Rh表示水平方向的正则化约束项,Rv表示垂直方向的正则化约束项,S表示条纹噪声,F表示受到条纹噪声污染的图像,▽x表示水平方向的梯度,▽y表示垂直方向的梯度。
特别地,在图像处理领域,通常将L1数定义为将Lp伪范数定义为
进一步,所述步骤1中根据条纹噪声的结构特性构建了一种空间自适应的权重,其相关表达式为:
其中,Sa表示含有条纹区域,(i,j)表示图像像素行列位置索引,λ表示调节系数。
步骤2,在垂直方向的正则化约束中加入空间自适应的权重,通过正则化系数δ将不同方向的正则化约束结合起来,得到去除条纹噪声的变分模型,其表达式为:
其中,δ表示正则化系数,WS表示条纹噪声的空间自适应权重。
步骤3,给定正则化系数初值δ0,采用交替方向乘子法对步骤2中去除条纹噪声的变分模型进行迭代求解,可以得到分离的条纹噪声S1,包括以下步骤:
S1、通过引入中间变量M1和M2,将该变分模型由无约束问题转换为有约束问题,并得到其增广拉格朗日函数的表达式为:
S2、分别求解增广拉格朗日函数中各个变量的子问题,并得到其相应的迭代表达式。
进一步,由上述增广拉格朗日函数,可以分解得到出S的子问题为:
利用各个变量之间的去耦合性和卷积定理,可以将S的子问题转换到频域。然后对其求导并令倒数为零,可以得到S的迭代公式为:
其中,运算符号表示点乘操作,F-1表示傅里叶逆变换的算子,F表示傅里叶变换的算子,▽v=[-1,1]T和▽h=[-1,1]分别表示垂直方向和水平方向差分的卷积核,F(▽v)*和F(▽h)*分别表示F(▽v)和F(▽h)的复数共轭。
进一步,由上述增广拉格朗日函数,可以分解得到出M1的子问题为:
通过去耦合和软阈值收缩定理,可以得到M1的迭代公式为:
其中,
进一步,由上述增广拉格朗日函数,可以分解得到出M2的子问题为:
与M1类似,通过去耦合和软阈值收缩定理,可以得到M2的迭代公式为:
其中,
进一步,利用梯度上升法可以得到拉格朗日乘子η1和η2的迭代公式为:
S3、利用各个变量的迭代公式,经过重复迭代后得到最优的S解,即为分离的条纹噪声。
步骤4,利用含有噪声的原图像减去条纹噪声,可以得到去除条纹噪声后的图像G1,其计算表达式为:
G1=F-S1
进一步,所述步骤4中,计算去除条纹噪声后的图像失真度ID,其计算公式为:
其中,BW表示选取频率的集合,card{BW}表示集合BW中包含元素的个数,P0(θ)表示含条纹图像的行方向幅度均值,P1(θ)表示去除条纹噪声后的图像的行方向幅度均值。
步骤5,若ID<0.99,则对条纹噪声Si在δi=2-1δi-1的尺度下重复步骤3-4直至ID≥0.99,即可得到最终去除条纹后的图像,其计算公式为:
Glast=F-Slast
其中,Glast为最终去除条纹后的干净图像,Slast为最后一次分离出来的条纹噪声。
本发明利用图像多次分解和空间自适应权重,提出了一种新的去除图像条纹噪声优化模型的系数设定方法;所述方法在去除条纹噪声时,不仅可以减少确立最优系数的实验次数,还可以更有效的去除条纹噪声,保留原图像的中纹理特征;从而提高了图像质量,使得恢复后的图像可以更好应用到后续领域中;在图2和图3中分别展示了本发明所述方法所去除条纹噪声和恢复后的图像;其中,为了更好地展示所去除的条纹噪声,对其进行了归一化处理,将其像素按照一定比例压缩到0和1之间;从图2中可以发现本发明所述方法去除条纹噪声中几乎不含图像的细节信息,这也使得图3中恢复后图像的纹理结构更加清晰。
本申请还提供了一种自动优化模型权重的图像条纹去除装置的实施例,一种自动优化模型权重的图像条纹去除装置,包括数据采集模块、数据通信模块、数据处理模块以及存储模块;在数据采集模块获取图像数据后,通过数据通信模块传输到数据处理模块;数据处理模块会接收该图像数据,并调用程序存储模块所存放中的程序对其进行条纹去除处理;程序运行结束以后,即可输出不含条纹噪声的干净图像;其中,程序存储模块所存放的程序,用于实现权利要求1-7任一项自动优化模型权重的图像条纹去除方法的步骤。
本申请还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储设备中存储有计算机程序,所述计算机程序能够实现权利要求1-7任一项所述自动优化模型权重的图像条纹去除方法的步骤。
本申请实施例中的计算机可读存储介质包括机械硬盘、固态硬盘、USB驱动器、内存、寄存器、随机存储器(RAM)、只读存储器(ROM)以及其他技术领域内的任意形式的存储介质。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种自动优化模型权重的图像条纹去除方法,其特征在于,具体包括以下步骤:
步骤1:在获取含有条纹噪声的图像后,计算图像不同方向的梯度信息,分别设计水平和垂直方向的正则化约束,并根据条纹噪声的结构特性构建了一种空间自适应的权重;
步骤2:在垂直方向的正则化约束中加入空间自适应的权重,通过正则化系数δ将不同方向的正则化约束结合起来,得到去除条纹噪声的变分模型;
步骤3:给定正则化系数初值δ0,采用交替方向乘子法对步骤2中去除条纹噪声的变分模型进行迭代求解,得到分离的条纹噪声S1;
步骤4:利用含有噪声的原图像减去分离的条纹噪声S1,可以得到去除条纹噪声后的图像G1,并计算相应的图像失真度ID;
步骤5:若ID<0.99,则对条纹噪声Si在δi=2-1δi-1的尺度下重复步骤3-4直至ID≥0.99,即可得到最终去除条纹后的图像。
2.根据权利要求1所述的一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤1中不同方向的正则化约束为:
其中,Rh表示水平方向的正则化约束项,Rv表示垂直方向的正则化约束项,S表示条纹噪声,F表示受到条纹噪声污染的图像,表示水平方向的梯度,/>表示垂直方向的梯度。
3.根据权利要求1所述的一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤1中提出的空间自适应的权重Ws为:
其中,Sa表示含有条纹区域,(x,y)表示图像像素行列位置索引,λ表示调节系数。
4.根据权利要求1所述的一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤2中去除条纹噪声的变分模型表达式为:
其中:δ表示正则化系数,WS表示条纹噪声的空间自适应权重。
5.根据权利要求1所述的一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤3中采用交替方向乘子法求解步骤2中去除条纹噪声的变分模型包括以下步骤:
S1、通过引入中间变量M1和M2后,可以得到该变分模型的增广拉格朗日函数。
S2、分别求解增广拉格朗日函数中各个变量的子问题,得到其相应的迭代表达式。
S3、经过对各个变量的多次重复迭代后,可以得到最优的S值,即为分离的条纹噪声。
6.权利要求5所述一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤S1中变分模型的增广拉格朗日函数表达式为:
其中,max表示取函数最大值,min表示取函数最小值, η1和η2表示拉格朗日乘子,γ1和γ2表示惩罚项的系数。
7.根据权利要求1所述的一种自动优化模型权重的图像条纹去除方法,其特征在于,所述步骤5中ID≥0.99时得到最终去除条纹后的图像,其计算公式为:
Glast=F-Slast
其中,Glast为最终去除条纹后的干净图像,Slast为最后一次分离出来的条纹噪声。
8.一种自动优化模型权重的图像条纹去除装置,其特征在于,包括数据采集模块、数据传输模块、数据处理模块以及程序存储模块。其中,程序存储模块所存放的程序,用于实现权利要求1-7任一项所述自动优化模型权重的图像条纹去除方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储设备中存储有计算机程序,所述计算机程序能够实现权利要求1-7任一项所述自动优化模型权重的图像条纹去除方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127017.9A CN117541495A (zh) | 2023-09-04 | 2023-09-04 | 一种自动优化模型权重的图像条纹去除方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127017.9A CN117541495A (zh) | 2023-09-04 | 2023-09-04 | 一种自动优化模型权重的图像条纹去除方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541495A true CN117541495A (zh) | 2024-02-09 |
Family
ID=89792552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127017.9A Pending CN117541495A (zh) | 2023-09-04 | 2023-09-04 | 一种自动优化模型权重的图像条纹去除方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541495A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119893A2 (en) * | 2010-03-24 | 2011-09-29 | Mritunjay Singh | Method and system for robust and flexible extraction of image information using color filter arrays |
WO2014108708A1 (en) * | 2013-01-14 | 2014-07-17 | Heriot-Watt University | An image restoration method |
US20150317767A1 (en) * | 2012-11-29 | 2015-11-05 | Nce Corporation | Image processing device, image processing method and medium |
CN107590496A (zh) * | 2017-09-18 | 2018-01-16 | 南昌航空大学 | 复杂背景下红外小目标的关联检测方法 |
CN109285125A (zh) * | 2018-07-24 | 2019-01-29 | 北京交通大学 | 各向异性多方向全变差图像去噪方法和装置 |
US20190065818A1 (en) * | 2017-08-29 | 2019-02-28 | Georgia Tech Research Corporation | Systems and methods for cell membrane identification and tracking, and technique automation using the same |
CN110830043A (zh) * | 2019-10-31 | 2020-02-21 | 重庆邮电大学 | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 |
AU2020100462A4 (en) * | 2020-03-26 | 2020-04-30 | Hu, Xiaoyan MISS | Edge-preserving image super-resolution via low rank and total variation model |
CN112017130A (zh) * | 2020-08-31 | 2020-12-01 | 郑州财经学院 | 新颖的基于自适应各向异性全变分正则化的图像复原方法 |
CN112261315A (zh) * | 2020-09-07 | 2021-01-22 | 清华大学 | 基于相机阵列孔径合成的高分辨率计算成像系统及方法 |
CN112423659A (zh) * | 2018-05-21 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 多对比度磁共振成像的系统和方法 |
CN114022393A (zh) * | 2021-11-19 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于全变分和低秩方向稀疏约束的图像条带噪声去除算法 |
CN114820352A (zh) * | 2022-04-08 | 2022-07-29 | 南京邮电大学 | 一种高光谱图像去噪方法、装置及存储介质 |
CN115293990A (zh) * | 2022-08-26 | 2022-11-04 | 山西大学 | 一种低剂量ct图像去噪方法 |
-
2023
- 2023-09-04 CN CN202311127017.9A patent/CN117541495A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119893A2 (en) * | 2010-03-24 | 2011-09-29 | Mritunjay Singh | Method and system for robust and flexible extraction of image information using color filter arrays |
US20150317767A1 (en) * | 2012-11-29 | 2015-11-05 | Nce Corporation | Image processing device, image processing method and medium |
WO2014108708A1 (en) * | 2013-01-14 | 2014-07-17 | Heriot-Watt University | An image restoration method |
US20190065818A1 (en) * | 2017-08-29 | 2019-02-28 | Georgia Tech Research Corporation | Systems and methods for cell membrane identification and tracking, and technique automation using the same |
CN107590496A (zh) * | 2017-09-18 | 2018-01-16 | 南昌航空大学 | 复杂背景下红外小目标的关联检测方法 |
CN112423659A (zh) * | 2018-05-21 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 多对比度磁共振成像的系统和方法 |
CN109285125A (zh) * | 2018-07-24 | 2019-01-29 | 北京交通大学 | 各向异性多方向全变差图像去噪方法和装置 |
CN110830043A (zh) * | 2019-10-31 | 2020-02-21 | 重庆邮电大学 | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 |
AU2020100462A4 (en) * | 2020-03-26 | 2020-04-30 | Hu, Xiaoyan MISS | Edge-preserving image super-resolution via low rank and total variation model |
CN112017130A (zh) * | 2020-08-31 | 2020-12-01 | 郑州财经学院 | 新颖的基于自适应各向异性全变分正则化的图像复原方法 |
CN112261315A (zh) * | 2020-09-07 | 2021-01-22 | 清华大学 | 基于相机阵列孔径合成的高分辨率计算成像系统及方法 |
CN114022393A (zh) * | 2021-11-19 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于全变分和低秩方向稀疏约束的图像条带噪声去除算法 |
CN114820352A (zh) * | 2022-04-08 | 2022-07-29 | 南京邮电大学 | 一种高光谱图像去噪方法、装置及存储介质 |
CN115293990A (zh) * | 2022-08-26 | 2022-11-04 | 山西大学 | 一种低剂量ct图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
CHUNHONG CAO等: "Anisotropic total variation model for removing oblique stripe noise in remote sensing image", 《OPTIK》, 25 November 2020 (2020-11-25), pages 1 - 13 * |
李凯: "基于L1范数优化模型的遥感图像条纹去除方法", 《红外与毫米波学报》, vol. 40, no. 2, 30 April 2021 (2021-04-30), pages 272 - 282 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Divakar et al. | Image denoising via CNNs: An adversarial approach | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
Singh et al. | ResDNN: deep residual learning for natural image denoising | |
CN108830808B (zh) | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
Gökcen et al. | Real-time impulse noise removal | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
Shahdoosti et al. | A new compressive sensing based image denoising method using block-matching and sparse representations over learned dictionaries | |
KR102095444B1 (ko) | 딥러닝 기반의 선형성을 갖는 노이즈 영상 제거 방법 및 장치 | |
Sharma et al. | Deep learning based frameworks for image super-resolution and noise-resilient super-resolution | |
CN117541495A (zh) | 一种自动优化模型权重的图像条纹去除方法、装置及介质 | |
CN113160069B (zh) | 一种基于图信号的高光谱图像去噪方法 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
CN112686814B (zh) | 一种基于仿射低秩的图像去噪方法 | |
CN112862729B (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
CN111402173B (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 | |
CN113139920A (zh) | 一种古籍图像修复方法、终端设备及存储介质 | |
Sayadi et al. | Gray-level texture characterization based on a new adaptive nonlinear auto-regressive filter | |
Hu et al. | Spatial-Frequency domain nonlocal total variation for image denoising | |
CN113837967B (zh) | 基于稀疏误差约束表示的野生动物图像去噪方法 | |
CN113822823B (zh) | 气动光学效应图像空变模糊核的点近邻复原方法及系统 | |
Reddy et al. | Multispectral Image Denoising With Kriging Interpolation Based Wiener Filter | |
Antony et al. | T2FRF Filter: An Effective Algorithm for the Restoration of Fingerprint Images | |
Richmond | Blind Image Deblurring Using Compact Neural Networks |
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 |