CN103473740A - 基于稀疏表示和低秩双重约束的非局部去噪方法 - Google Patents
基于稀疏表示和低秩双重约束的非局部去噪方法 Download PDFInfo
- Publication number
- CN103473740A CN103473740A CN2013103927537A CN201310392753A CN103473740A CN 103473740 A CN103473740 A CN 103473740A CN 2013103927537 A CN2013103927537 A CN 2013103927537A CN 201310392753 A CN201310392753 A CN 201310392753A CN 103473740 A CN103473740 A CN 103473740A
- Authority
- CN
- China
- Prior art keywords
- matrix
- coefficients
- image
- block
- pixels
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏表示和低秩双重约束的非局部图像去噪方法,主要解决现有去噪方法效果不佳问题。其实现步骤是:(1)输入一幅噪声图像;(2)估计噪声标准差;(3)设定参数;(4)获取像素块样本集;(5)构建相似块矩阵;(6)获取相似块矩阵的系数矩阵;(7)对系数矩阵进行奇异值滤波;(8)获得去噪后的系数矩阵;(9)获得去噪后的图像矩阵;(10)判断是否达到最大迭代次数,如果是,执行步骤(11),否则,进行残差补回,执行步骤(2);(11)输出去噪图像矩阵。本发明对图像信号的稀疏性和结构性共同约束,相对于现有的技术,本发明能够在较好平滑噪声的同时兼顾保持和恢复自然图像的结构纹理信息。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像去噪处理技术领域中的一种基于稀疏表示和低秩双重约束的非局部去噪方法。本发明可用于对自然图像,医学图像以及视频媒体进行去噪处理。
背景技术
图像去噪一直是图像处理领域研究的热点,它是图像分割,识别,检测等工作的前提。图像去噪的主要目的就是抑制图像中的噪声,提高图像的质量,更好地恢复图像的信息。图像处理过程中遇到的许多噪声,很多都可以近似为高斯白噪声,因此去除图像中的高斯白噪声在很多领域中占据着重要的位置。
现有抑制噪声即滤波的方法主要分为空域滤波和频域滤波。图像的空域滤波方法是直接对图像的灰度值做运算,包括中值滤波、均值滤波、双边滤波等。图像频域滤波方法则是在某种变换域内对图像的变换系数进行运算,然后反变换回图像空域的,包括小波处理方法,PCA滤波以及多尺度几何分析等。Elad等人提出了一种基于稀疏表示的去噪方法,该方法以当前像素点为中心取一个大小一定的像素块,然后把这个像素块在训练好的字典下进行稀疏表示,得到稀疏表示后的系数后,对系数进行重构,获得当前像素块的估计。由于该方法在去噪领域具有良好的性能,自提出以来迅速引起众多学者的广泛关注。但该方依然存在一定的缺陷,如随着图像噪声的增大,噪声对字典的原子干扰越来越大,导致该方法对高噪声图像的去噪效果不理想。
苏州八米特信息科技有限公司申请的专利“基于小波变换的阈值化图像去噪方法”(申请号为201110000771.7,公开号为CN102592262)中公开了一种基于小波变换的阈值化图像去噪方法。该方法利用多尺度小波变换,从时域变换到小波域,然后设定一个合理的阈值,将绝对值小于阈值的小波系数置零,将绝对值大于阈值的小波系数进行收缩处理,最后将处理后获得的小波系数利用小波逆变换进行信号重构,恢复出有效的信号。该方法存在的不足是,由于仅仅使用了小波变换,图像能量不够集中,同时没有考虑图像的结构信息,因此该方法对图像结构信息保留不足,对平滑区域比较多的图像有明显的去噪效果,对纹理丰富的图像效果一般。
西安电子科技大学申请的专利“基于非局部稀疏模型的图像去噪方法”(申请号为201110001952.1,公开号为CN102063708A)中公开了基于非局部稀疏模型的图像去噪方法。该方法通过求解含噪图像中每像素邻域的相似集合,根据相似集合的大小设计稀疏表示的字典,利用得到的字典,使用SOMP方法对相似集合进行稀疏分解和重构,然后将每一个像素点的所有灰度估计进行平均,进而得到整幅图像的去噪结果。该方法存在的不足是,此方法的字典训练过程过于复杂,并且无法保证字典中每一个原子的准确性,图像信号的能量不够集中,不能在较好保持匀质区域平滑性的同时保持图像的边缘和纹理细节。该方法只对低噪声的图像有明显的去噪效果,对高噪声的图像效果一般。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于稀疏表示和低秩双重约束的非局部去噪方法,意在平滑噪声的同时兼顾保留图像的纹理、边缘细节信息,提高图像去噪效果。
本发明的具体步骤包括如下:
1.一种基于稀疏表示和低秩双重约束的非局部去噪方法,包括如下步骤:
(1)输入一幅噪声图像;
(2)按照下式,估计噪声图像的噪声标准差:
σ=c×M{a×|vec(Y*T)-M{a×vec(Y*T)}|}
其中,σ表示噪声图像的噪声标准差,c表示中值滤波的调节因子,c取值为1.4186,M{·}表示取出中间值,a表示低通滤波调节因子,a的取值为|·|表示取绝对值操作,vec表示按照从左到右的顺序,将噪声图像矩阵Y进行低通滤波后的矩阵的列首尾连接起来的列向量化操作,Y表示噪声图像矩阵,*表示卷积操作,T表示一个2×2大小矩阵的低通滤波器;
(3)设置参数
设定噪声图像像素块的半径为3个像素,最大迭代次数为11;
(4)获取噪声图像的像素块样本集:
4a)依次以噪声图像矩阵的边为对称轴,对噪声图像进行镜像,得到镜像图像;
4b)在镜像图像中,以噪声图像矩阵左上角第一个像素点为待估计像素点,以待估计像素点为像素块的中心点,选取一个边长等于噪声图像像素块半径的两倍的正方形的待估计像素块;
4c)按照从左到右、从上到下的顺序,依次以噪声图像矩阵中的像素点为待估计像素点,取出每一个待估计像素点的像素块,将所有待估计像素点的像素块,组成噪声图像的像素块样本集;
(5)构建相似块矩阵:
5a)利用欧式距离准则,在噪声图像的像素块样本集中寻找与当前像素块具有相似结构的像素块;
5b)将具有相似结构的像素块的列,按照从左到右的顺序首尾连接,得到相似结构的像素块的一个列向量,将具有相似结构的所有像素块对应的列向量并排放在一起,组成相似块矩阵;
5c)逐行扫描噪声图像,从中找出噪声图像每个像素点对应的像素块,并在图像块样本集中找到与每个像素点对应像素块具有相似结构的像素块,构成每一个像素点的相似块矩阵;
(6)按照下式,获取相似块矩阵的系数矩阵:
Wi=BTZiC
其中,Wi表示第i个相似块矩阵的系数矩阵,B表示离散余弦正交变换矩阵,T表示转置操作,Zi表示第i个相似块矩阵,C表示余弦正交变换矩阵;
(7)奇异值阈值滤波:
7a)按照下式,对系数矩阵进行奇异值分解:
Wi=Ui×Σi×Vi T
其中,Wi表示第i个系数矩阵,Ui表示第i个系数矩阵的左奇异矩阵,Σi表示第i个系数矩阵的奇异值矩阵,Vi T表示第i个系数矩阵的右奇异矩阵的转置矩阵;
7b)按照下式,对系数矩阵的奇异值进行滤波:
其中,τk表示第k个奇异值经滤波后得到的奇异值,max(·)表示取最大值操作,λk表示奇异值矩阵的第k个奇异值,N表示相似块矩阵列的数目,σ2表示噪声图像中噪声的方差;
7c)将滤波后的奇异值,按照从大到小的顺序放入奇异值矩阵的对角线中,组成滤波后的奇异值矩阵;
7d)按照下式,获取滤波后的系数矩阵:
Di=Ui×Si×Vi T
其中,Di表示第i个滤波后的系数矩阵,Ui表示第i个系数矩阵的左奇异矩阵,Si表示第i个奇异值滤波后的奇异值矩阵,Vi T表示第i个系数矩阵的右奇异矩阵的转置矩阵;
(8)获得去噪后的系数矩阵:
8a)对系数矩阵进行软阈值滤波,得到软阈值滤波后的系数矩阵;
8b)将软阈值滤波后的系数矩阵与奇异值滤波后的系数矩阵加权平均,得到去噪后的系数矩阵;
(9)获得去噪后的图像矩阵:
9a)将去噪后的系数矩阵进行逆变换,得到去噪后的相似块矩阵;
9b)将去噪后的相似块矩阵,对噪声图像中同一个像素点的多个估计值进行加权平均,获得去噪后的图像矩阵;
9c)沿着去噪后图像矩阵的上、下边缘向内分别剪掉像素块边长的二分之一行,沿着去噪后图像矩阵的左、右边缘向内分别剪掉像素块边长的二分之一列,获得去噪后的图像矩阵;
(10)判断是否达到最大迭代次数,如果是,则执行步骤(11),否则,采用残差补回法,获取下一次迭代需要的噪声图像矩阵,执行步骤(2);
(11)输出去噪后的图像矩阵。
本发明与现有的技术相比具有以下优点:
第一,本发明由于采用了余弦正交变换矩阵对系数矩阵进行了两次变换,使得图像能量更集中,克服了现有技术中对图像能量不够集中的问题,使得本发明更容易区分开噪声信息与图像信息,提高了滤波的准确性,进而提高了去噪性能。
第二,本发明由于采用了奇异值滤波对系数矩阵的奇异值进行自适应的滤波,保留了图像的大部分结构信息,克服了现有技术对图像结构信息保留不足的问题,使得本发明在有效去除噪声的同时,兼顾保留了图像的纹理,细节信息,提高了本发明对纹理丰富的图像的适应性。
附图说明
图1为本发明的流程图;
图2为本发明的效果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,本发明的方法具体步骤如下。
步骤1,输入一幅噪声图像,图像的大小为m×n个像素。
步骤2,按照下式,估计噪声图像的标准差:
σ=c×M{a×|vec(Y*T)-M{a×vec(Y*T)}|}
其中,σ表示噪声图像的噪声标准差,c表示中值滤波的调节因子,c取值为1.4186,M{·}表示取出中间值,a表示低通滤波调节因子,a的取值为|·|表示取绝对值操作,Y表示噪声图像矩阵,T表示一个2×2大小矩阵的低通滤波器,*表示卷积操作,vec表示按照从左到右的顺序,将噪声图像矩阵Y进行低通滤波后的矩阵的列首尾连接起来的列向量化操作。
步骤3,设置参数。
设定噪声图像像素块半径为r、最大迭代次数I,其中,r的取值为3,I取值为11。
步骤4,获取噪声图像的像素块样本集。
依次以噪声图像矩阵的边为对称轴,对噪声图像进行镜像,得到镜像图像。
在镜像图像中,以噪声图像矩阵左上角第一个像素点为待估计像素点,以待估计像素点为像素块的中心点,选取一个边长为2r的正方形的待估计像素块。
按照从左到右从上到下的顺序,依次以噪声图像矩阵中的像素点为待估计像素点,取出每一个待估计像素点的像素块,所有待估计像素点的像素块,共同组成噪声图像的像素块样本集。
步骤5,构建相似块矩阵。
利用欧式距离准则,在噪声图像的像素块样本集中寻找与当前像素块具有相似结构的像素块,其中,欧式距离准则就是计算噪声图像两个像素块之间的欧式距离,根据欧式距离的大小,判断两个块的相似性,距离越小,越相似。
将具有相似结构的像素块的列,按照从左到右的顺序首尾连接,得到相似结构的像素块的一个列向量,将N个具有相似结构的像素块对应的列向量并排放在一起,组成相似块矩阵。
逐行扫描噪声图像,从中找出噪声图像每个像素点对应的像素块,并在图像块样本集中找到与每个像素点对应像素块具有相似结构的像素块,构成每一个像素点的相似块矩阵。
步骤6,按照下式,获取相似块矩阵的系数矩阵:
Wi=BTZiC
其中,Wi表示第i个相似块矩阵的系数矩阵,B表示离散余弦正交变换矩阵,T表示转置操作,Zi表示第i个相似块矩阵,C表示余弦正交变换矩阵。
B表示余弦变换,它的作用为对每一个像素块,分别进行余弦变换,相当于一个局部变换,C表示沿着第三维方向,也就是非局部的方向再进行一次余弦变换,相当于非局部变换,使得能量更加的集中。
步骤7,奇异值阈值滤波。
按照下式,对系数矩阵进行奇异值分解:
Wi=Ui×Σi×Vi T
其中,Wi表示第i个系数矩阵,Ui表示第i个系数矩阵的左奇异矩阵,Σi表示第i个系数矩阵的奇异值矩阵,Vi T表示第i个系数矩阵的右奇异矩阵的转置矩阵。
按照下式,对系数矩阵的奇异值进行滤波:
其中,τk表示第k个奇异值经滤波后的奇异值,max(·)表示取最大值操作,λk表示奇异值矩阵Σi的第k个奇异值,N表示相似块矩阵列的数目,σ2表示噪声图像中噪声的方差。
将滤波后的奇异值,按照从大到小的顺序放入奇异值矩阵的对角线中,组成滤波后的奇异值矩阵。
在进行滤波的过程中,对Σi中的第k个奇异值进行阈值,阈值中分母取为Σi中的第k个奇异值,这个奇异值阈值与奇异值本身有关,具有自适应性。
步骤8,获得去噪后的系数矩阵。
对系数矩阵进行软阈值滤波,得到软阈值滤波后的系数矩阵。
软阈值滤波按照以下步骤进行:
第一步,按照下式,计算阈值:
其中,J表示软阈值阈值,p表示调节噪声图像噪声方差与系数矩阵标准差的比重因子,p取值为22,σ2表示噪声图像的噪声方差,τ表示系数矩阵的标准差。
第二步,将获得的阈值与矩阵中的元素值进行比较,如果系数矩阵中的元素值的绝对值大于等于阈值,将系数矩阵中的元素值减去阈值;如果系数矩阵中的元素值的绝对值的值小于阈值,将系数矩阵中的元素置为零,获得软阈值滤波后的系数矩阵。
将软阈值滤波后的系数矩阵与奇异值滤波后的系数矩阵加权平均,得到去噪后的系数矩阵。
系数矩阵加权平均按照下式进行:
其中,Ei表示第i个加权平均后的系数矩阵,γ表示奇异值滤波在加权平均中所占的比重,γ的取值为0.9,Di表示第i个奇异值滤波后的系数矩阵,Q表示软阈值滤波后的系数矩阵。
步骤9,获得去噪后的图像。
将去噪后的系数矩阵进行逆变换,得到去噪后的相似块矩阵。
系数矩阵逆变换按照下式进行:
Yi=B×Ei×CT
其中,Yi表示第i个恢复的相似块矩阵,B表示离散余弦变换矩阵,Ei表示第i个滤波后的系数矩阵,CT表示离散余弦变换矩阵的转置矩阵。
将去噪后的相似块矩阵对噪声图像中同一个像素点的多个估计值进行加权平均,获得去噪后的图像矩阵。
第一步,像素点的加权平均按照下式进行:
其中,表示加权平均后的像素点,f表示第i个像素点被重复选取的次数,pi表示噪声图像中第i个像素点,g表示被恢复的次序。加权的过程中,可以采用不同权值对多个像素点进行加权平均,本方法中每个像素点的权值都一样,设置为1f。
第二步,沿着去噪后的图像的上、下边缘向内分别剪掉r行,沿着去噪后图像矩阵的左、右边缘向内分别剪掉r列,获得去噪的图像矩阵。
步骤10,判断是否达到最大迭代次数,如果是,则执行步骤11,否则,采用残差补回法获取下一次迭代需要的噪声图像矩阵,执行步骤2。
残差补回法是指用噪声图像矩阵减去去噪的图像矩阵,获得差值矩阵,将差值矩阵中元素值的百分之三加到噪声图像矩阵中,获得下一次迭代需要的噪声图像矩阵。
步骤11,输出去噪后的图像矩阵。
下面结合图2对本发明的效果做进一步的描述。
图2(a)为Lena、Monarch和Barbara三幅无噪自然图像;图2(b)为对图2(a)所述的三幅无噪自然图像加上标准差为50的高斯加性白噪声后的图像;图2(c)为使用本发明对图2(b)处理后的效果图。
为了展示本发明的去噪效果,对图2(a)的三幅自然图像分别加入噪声标准差σ为10、15、20、30、50的高斯加性白噪声,评价指标为峰值信噪比PSNR,使用块匹配三维变换法BM3D和本发明三种分别进行去噪,由此获得下表所示效果比较的PSNR值。
表1不同噪声标准差下图像去噪后的峰值信噪比PSNR
上表中的数据均为对无噪自然图像加上5次同样标准差的噪声后进行5次去噪后的平均值,从表中可以看出,本发明的方法比现有技术的块匹配三维变换法在峰值信噪比值上有很大的提高。
由图2(c)可见,图2(c)中左起第一幅图像Lena的平滑区域非常平滑,图2(c)中第二幅图像Monarch中的边缘信息恢复得非常清晰,图2(c)中第三幅图像Barbara中桌布上和裤脚上的纹理基本上没有丢失,由此可见,本发明能够较好平滑噪声的同时兼顾保持和恢复自然图像的结构纹理信息。
Claims (7)
1.一种基于稀疏表示和低秩双重约束的非局部去噪方法,包括如下步骤:
(1)输入一幅噪声图像;
(2)按照下式,估计噪声图像的噪声标准差:
σ=c×M{a×|vec(Y*T)-M{a×vec(Y*T)}|}
其中,σ表示噪声图像的噪声标准差,c表示中值滤波的调节因子,c取值为1.4186,M{·}表示取出中间值,a表示低通滤波调节因子,a的取值为|·|表示取绝对值操作,vec表示按照从左到右的顺序,将噪声图像矩阵Y进行低通滤波后的矩阵的列首尾连接起来的列向量化操作,Y表示噪声图像矩阵,*表示卷积操作,T表示一个2×2大小矩阵的低通滤波器;
(3)设置参数
设定噪声图像像素块的半径为3个像素,最大迭代次数为11;
(4)获取噪声图像的像素块样本集:
4a)依次以噪声图像矩阵的边为对称轴,对噪声图像进行镜像,得到镜像图像;
4b)在镜像图像中,以噪声图像矩阵左上角第一个像素点为待估计像素点,以待估计像素点为像素块的中心点,选取一个边长等于噪声图像像素块半径的两倍的正方形的待估计像素块;
4c)按照从左到右、从上到下的顺序,依次以噪声图像矩阵中的像素点为待估计像素点,取出每一个待估计像素点的像素块,将所有待估计像素点的像素块,组成噪声图像的像素块样本集;
(5)构建相似块矩阵:
5a)利用欧式距离准则,在噪声图像的像素块样本集中寻找与当前像素块具有相似结构的像素块;
5b)将具有相似结构的像素块的列,按照从左到右的顺序首尾连接,得到相似结构的像素块的一个列向量,将具有相似结构的所有像素块对应的列向量并排放在一起,组成相似块矩阵;
5c)逐行扫描噪声图像,从中找出噪声图像每个像素点对应的像素块,并在图像块样本集中找到与每个像素点对应像素块具有相似结构的像素块,构成每一个像素点 的相似块矩阵;
(6)按照下式,获取相似块矩阵的系数矩阵:
Wi=BTZiC
其中,Wi表示第i个相似块矩阵的系数矩阵,B表示离散余弦正交变换矩阵,T表示转置操作,Zi表示第i个相似块矩阵,C表示余弦正交变换矩阵;
(7)奇异值阈值滤波:
7a)按照下式,对系数矩阵进行奇异值分解:
Wi=Ui×Σi×Vi T
其中,Wi表示第i个系数矩阵,Ui表示第i个系数矩阵的左奇异矩阵,Σi表示第i个系数矩阵的奇异值矩阵,Vi T表示第i个系数矩阵的右奇异矩阵的转置矩阵;
7b)按照下式,对系数矩阵的奇异值进行滤波:
其中,τk表示第k个奇异值经滤波后得到的奇异值,max(·)表示取最大值操作,λk表示奇异值矩阵的第k个奇异值,N表示相似块矩阵列的数目,σ2表示噪声图像中噪声的方差;
7c)将滤波后的奇异值,按照从大到小的顺序放入奇异值矩阵的对角线中,组成滤波后的奇异值矩阵;
7d)按照下式,获取滤波后的系数矩阵:
Di=Ui×Si×Vi T
其中,Di表示第i个滤波后的系数矩阵,Ui表示第i个系数矩阵的左奇异矩阵,Si表示第i个奇异值滤波后的奇异值矩阵,Vi T表示第i个系数矩阵的右奇异矩阵的转置矩阵;
(8)获得去噪后的系数矩阵:
8a)对系数矩阵进行软阈值滤波,得到软阈值滤波后的系数矩阵;
8b)将软阈值滤波后的系数矩阵与奇异值滤波后的系数矩阵加权平均,得到去噪 后的系数矩阵;
(9)获得去噪后的图像矩阵:
9a)将去噪后的系数矩阵进行逆变换,得到去噪后的相似块矩阵;
9b)将去噪后的相似块矩阵,对噪声图像中同一个像素点的多个估计值进行加权平均,获得去噪后的图像矩阵;
9c)沿着去噪后图像矩阵的上、下边缘向内分别剪掉像素块边长的二分之一行,沿着去噪后图像矩阵的左、右边缘向内分别剪掉像素块边长的二分之一列,获得去噪后的图像矩阵;
(10)判断是否达到最大迭代次数,如果是,则执行步骤(11),否则,采用残差补回法,获取下一次迭代需要的噪声图像矩阵,执行步骤(2);
(11)输出去噪后的图像矩阵。
2.根据权利要求1所述的基于稀疏表示和低秩双重约束的非局部去噪方法,其特征在于:步骤5a)中所述欧式距离准则是指,根据噪声图像的两个像素块之间欧式距离的大小,判断噪声图像的两个像素块之间的相似性,噪声图像的两个像素块之间的欧式距离越小,两个像素块越相似。
3.根据权利要求1所述的基于稀疏表示和低秩双重约束的非局部去噪方法,其特征在于:步骤8a)中所述的软阈值滤波按照以下步骤进行:
第一步,按照下式,计算软阈值:
其中,J表示软阈值阈值,p表示调节噪声图像噪声方差与系数矩阵标准差的比重因子,σ2表示噪声图像的噪声方差,τ表示系数矩阵的标准差;
第二步,将软阈值与系数矩阵中的元素值进行比较,如果系数矩阵中元素值的绝对值大于等于软阈值,将系数矩阵中的元素值减去软阈值;如果系数矩阵中的元素值的绝对值的值小于软阈值,将系数矩阵中的元素值置为零,获得软阈值滤波后的系数矩阵。
5.根据权利要求1所述的基于稀疏表示和低秩双重约束的非局部去噪方法,其特征在于:步骤9a)中所述的系数矩阵逆变换按照下式进行:
Yi=B×Ei×CT
其中,Yi表示第i个恢复的相似块矩阵,B表示离散余弦变换矩阵,Ei表示第i个滤波后的系数矩阵,CT表示离散余弦变换矩阵的转置矩阵。
7.根据权利要求1所述的基于稀疏表示和低秩双重约束的非局部去噪方法,其特征在于:步骤(10)中所述的残差补回法是指,用噪声图像矩阵减去去噪后的图像矩阵,获得差值矩阵,将差值矩阵中元素值的百分之三加到噪声图像矩阵中,获得下一次迭代需要的噪声图像矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310392753.7A CN103473740B (zh) | 2013-08-31 | 2013-08-31 | 基于稀疏表示和低秩双重约束的非局部去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310392753.7A CN103473740B (zh) | 2013-08-31 | 2013-08-31 | 基于稀疏表示和低秩双重约束的非局部去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473740A true CN103473740A (zh) | 2013-12-25 |
CN103473740B CN103473740B (zh) | 2016-05-25 |
Family
ID=49798574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310392753.7A Active CN103473740B (zh) | 2013-08-31 | 2013-08-31 | 基于稀疏表示和低秩双重约束的非局部去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473740B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835127A (zh) * | 2015-05-19 | 2015-08-12 | 中国农业科学院农业信息研究所 | 一种自适应平滑滤波方法 |
CN104952051A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于高斯混合模型的低秩图像修复方法 |
CN105118025A (zh) * | 2015-08-12 | 2015-12-02 | 西安电子科技大学 | 基于软阈值编码的快速图像超分辨方法 |
CN105338219A (zh) * | 2014-07-23 | 2016-02-17 | 北京大学 | 视频图像去噪处理方法和装置 |
CN105468738A (zh) * | 2015-11-24 | 2016-04-06 | 西安电子科技大学 | 基于眼动和脑电相结合的图像检索方法 |
CN105763881A (zh) * | 2016-02-23 | 2016-07-13 | 北京大学 | 利用图像非局部结构相似性特征的视频编码图像滤波方法 |
CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
CN106651770A (zh) * | 2016-09-19 | 2017-05-10 | 西安电子科技大学 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107292855A (zh) * | 2017-08-02 | 2017-10-24 | 桂林电子科技大学 | 一种结合自适应非局部样本和低秩的图像去噪方法 |
CN107194920B (zh) * | 2017-05-19 | 2019-07-19 | 山东财经大学 | 一种基于奇异值分解的轮胎缺陷检测方法 |
WO2019192071A1 (zh) * | 2018-04-02 | 2019-10-10 | 北京大学 | 用于视频处理的方法和设备 |
CN110363724A (zh) * | 2019-07-22 | 2019-10-22 | 安徽大学 | 基于面内透视和规律性的非局部低秩化图像去噪方法 |
CN111132622A (zh) * | 2017-10-27 | 2020-05-08 | 爱飞纽医疗机械贸易有限公司 | 超声成像设备以及使用超声成像设备的杂波滤波方法 |
CN111833275A (zh) * | 2020-07-20 | 2020-10-27 | 山东师范大学 | 一种基于低秩分析的图像去噪方法 |
CN113009560A (zh) * | 2021-03-23 | 2021-06-22 | 中国地质大学(武汉) | 一种地震数据重建方法、装置、设备及存储介质 |
CN113671498A (zh) * | 2021-07-27 | 2021-11-19 | 西安电子科技大学 | 基于低秩与双重稀疏矩阵分解的sar射频干扰抑制方法 |
CN116109519A (zh) * | 2023-04-04 | 2023-05-12 | 南京邮电大学 | 图像去噪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101990057A (zh) * | 2010-11-19 | 2011-03-23 | 清华大学 | 基于小波变换和块搜索的视频去噪方法和装置 |
US20130121550A1 (en) * | 2010-11-10 | 2013-05-16 | Siemens Corporation | Non-Contrast-Enhanced 4D MRA Using Compressed Sensing Reconstruction |
-
2013
- 2013-08-31 CN CN201310392753.7A patent/CN103473740B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121550A1 (en) * | 2010-11-10 | 2013-05-16 | Siemens Corporation | Non-Contrast-Enhanced 4D MRA Using Compressed Sensing Reconstruction |
CN101990057A (zh) * | 2010-11-19 | 2011-03-23 | 清华大学 | 基于小波变换和块搜索的视频去噪方法和装置 |
Non-Patent Citations (2)
Title |
---|
P.K.PARLEWAR等: "A 4-quadrant Curvelet Transform for Denoising Digital Images", 《INTERNATIONAL JOURNAL OF AUTOMATION AND COMPUTING》, no. 3, 15 June 2013 (2013-06-15), pages 217 - 226 * |
孟红云等: "用于约束多目标优化问题的双群体差分进化算法", 《计算机学报》, vol. 31, no. 2, 15 February 2008 (2008-02-15), pages 228 - 235 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338219A (zh) * | 2014-07-23 | 2016-02-17 | 北京大学 | 视频图像去噪处理方法和装置 |
CN105338219B (zh) * | 2014-07-23 | 2018-07-13 | 北京大学 | 视频图像去噪处理方法和装置 |
CN104835127A (zh) * | 2015-05-19 | 2015-08-12 | 中国农业科学院农业信息研究所 | 一种自适应平滑滤波方法 |
CN104835127B (zh) * | 2015-05-19 | 2019-04-26 | 中国农业科学院农业信息研究所 | 一种自适应平滑滤波方法 |
CN104952051B (zh) * | 2015-07-07 | 2017-10-24 | 西安电子科技大学 | 基于高斯混合模型的低秩图像修复方法 |
CN104952051A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于高斯混合模型的低秩图像修复方法 |
CN105118025A (zh) * | 2015-08-12 | 2015-12-02 | 西安电子科技大学 | 基于软阈值编码的快速图像超分辨方法 |
CN105118025B (zh) * | 2015-08-12 | 2018-03-06 | 西安电子科技大学 | 基于软阈值编码的快速图像超分辨方法 |
CN105468738A (zh) * | 2015-11-24 | 2016-04-06 | 西安电子科技大学 | 基于眼动和脑电相结合的图像检索方法 |
CN105763881A (zh) * | 2016-02-23 | 2016-07-13 | 北京大学 | 利用图像非局部结构相似性特征的视频编码图像滤波方法 |
CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
CN106651770B (zh) * | 2016-09-19 | 2019-07-23 | 西安电子科技大学 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
CN106651770A (zh) * | 2016-09-19 | 2017-05-10 | 西安电子科技大学 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107194920B (zh) * | 2017-05-19 | 2019-07-19 | 山东财经大学 | 一种基于奇异值分解的轮胎缺陷检测方法 |
CN107292855B (zh) * | 2017-08-02 | 2020-08-07 | 桂林电子科技大学 | 一种结合自适应非局部样本和低秩的图像去噪方法 |
CN107292855A (zh) * | 2017-08-02 | 2017-10-24 | 桂林电子科技大学 | 一种结合自适应非局部样本和低秩的图像去噪方法 |
CN111132622A (zh) * | 2017-10-27 | 2020-05-08 | 爱飞纽医疗机械贸易有限公司 | 超声成像设备以及使用超声成像设备的杂波滤波方法 |
CN111132622B (zh) * | 2017-10-27 | 2022-05-10 | 爱飞纽医疗机械贸易有限公司 | 超声成像设备以及使用超声成像设备的杂波滤波方法 |
US11701093B2 (en) | 2017-10-27 | 2023-07-18 | Alpinion Medical Systems Co., Ltd. | Ultrasound imaging device and clutter filtering method using same |
WO2019192071A1 (zh) * | 2018-04-02 | 2019-10-10 | 北京大学 | 用于视频处理的方法和设备 |
CN110363724A (zh) * | 2019-07-22 | 2019-10-22 | 安徽大学 | 基于面内透视和规律性的非局部低秩化图像去噪方法 |
CN111833275A (zh) * | 2020-07-20 | 2020-10-27 | 山东师范大学 | 一种基于低秩分析的图像去噪方法 |
CN113009560A (zh) * | 2021-03-23 | 2021-06-22 | 中国地质大学(武汉) | 一种地震数据重建方法、装置、设备及存储介质 |
CN113009560B (zh) * | 2021-03-23 | 2022-03-29 | 中国地质大学(武汉) | 一种地震数据重建方法、装置、设备及存储介质 |
CN113671498A (zh) * | 2021-07-27 | 2021-11-19 | 西安电子科技大学 | 基于低秩与双重稀疏矩阵分解的sar射频干扰抑制方法 |
CN116109519A (zh) * | 2023-04-04 | 2023-05-12 | 南京邮电大学 | 图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103473740B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473740A (zh) | 基于稀疏表示和低秩双重约束的非局部去噪方法 | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
Zhang et al. | High-quality image restoration using low-rank patch regularization and global structure sparsity | |
CN103049892B (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
Remez et al. | Deep convolutional denoising of low-light images | |
Gong et al. | A low-rank tensor dictionary learning method for hyperspectral image denoising | |
CN103854262B (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
CN102567973B (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
CN101980284A (zh) | 基于两尺度稀疏表示的彩色图像降噪方法 | |
CN101944230A (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN104156918B (zh) | 基于联合稀疏表示与残差融合的sar图像噪声抑制方法 | |
CN107292852B (zh) | 一种基于低秩理论的图像去噪算法 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN102542542A (zh) | 基于非局部稀疏模型的图像去噪方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
Dong et al. | Image restoration: a data-driven perspective | |
CN103020918A (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
Patel et al. | Separated component-based restoration of speckled SAR images | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN102222327A (zh) | 基于Treelet变换和最小均方误差估计的图像去噪方法 | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN103413351A (zh) | 基于压缩感知理论的三维人脸快速重建方法 | |
ZhiPing et al. | A new generative adversarial network for texture preserving image denoising |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |