CN103700072A - 一种基于自适应小波阈值和双边滤波器的图像去噪方法 - Google Patents
一种基于自适应小波阈值和双边滤波器的图像去噪方法 Download PDFInfo
- Publication number
- CN103700072A CN103700072A CN201310693132.2A CN201310693132A CN103700072A CN 103700072 A CN103700072 A CN 103700072A CN 201310693132 A CN201310693132 A CN 201310693132A CN 103700072 A CN103700072 A CN 103700072A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- band
- frequency sub
- threshold
- image
- 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
Images
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提出一种基于自适应小波阈值和双边滤波器的图像去噪方法,目的是为了改善小波阈值去噪算法的效果以及更好地保护图像的边缘和细节信息。该算法包括以下步骤:采用离散小波对图像进行分解,获得多个子带及其小波系数;选取随着小波分解尺度和子带的变化而自适应变化的阈值,并采用软阈值函数进行阈值量化处理;进行小波逆变换,获得重构图像;采用双边滤波器对重构图像进行滤波,以便获得清晰的图像。本发明通过利用自适应于小波分解尺度和子带的阈值进行小波阈值去噪,并结合双边滤波器进行滤波,设计出的去噪算法不但能够有效地去除高斯白噪声,而且能很好地保留图像的边缘和细节信息。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于自适应小波阈值和双边滤波器的去噪方法。
背景技术
近年来,小波变换由于具有多分辨率分析的特性、在时频域内良好地表征信号的能力以及大小固定形状可变的窗口等特点,被广泛应用于图像去噪领域中。常用的小波域去噪方法是对小波系数进行萎缩处理,即小波阈值去噪方法。其中,经典的阈值是Donoho和Johnstone提出的依赖于噪声标准差和信号长度的统一阈值。
现有的方法存在的不足:一方面,传统的小波阈值去噪方法没有考虑选取的阈值应该随着小波分解尺度和子带的变化而自适应变化这一因素;另一方面,小波阈值去噪方法在去除噪声的同时,可能也会去除高频细节,使图像的边缘变得模糊,而且易于产生显著的伪影,如低频噪声和边缘振荡。
发明内容
本发明的目的旨在解决上述技术缺陷,改善小波阈值去噪算法的效果以及更好地保护图像的边缘和细节信息。
为了达到上述目的,本发明提出一种基于自适应小波阈值和双边滤波器的去噪方法,包括以下几个步骤:
S1:采用离散小波对含有噪声的图像g进行分解,获得多个子带及其对应的小波系数矩阵;
S2:选取每个高频子带对应的随着小波分解尺度和子带变化而自适应变化的阈值,并对每个高频子带的小波系数矩阵进行阈值量化处理,具体如下:
S2.1:根据获得的子带中高频子带的小波系数矩阵,计算所有高频子带的自适应阈值,其中,第k层高频子带的自适应阈值Tk的计算公式如下:
其中,k为高频子带的小波分解尺度,α为与第k层高频子带有关的可调参数,α的取值范围是(0,1],ln(·)是以数学常数e为底的对数函数,N是第k层高频子带的尺寸,σ为噪声标准差,且由高频子带HH1的鲁棒中值来估计;
S2.2:根据获得的子带中高频子带的小波系数矩阵和选取的自适应阈值,采用软阈值函数,对所有高频子带的小波系数矩阵进行阈值量化处理,获得处理后的小波系数矩阵,其中,第k层高频子带在(i,j)处的小波系数通过下面的软阈值函数公式进行阈值量化处理:
S3:利用上述含噪图像g的低频子带LLJ的小波系数和阈值量化处理后的所有高频子带的小波系数进行小波逆变换,获得重构图像u;
S4:采用双边滤波器对重构图像u进行滤波,获得结果图像v。
步骤S1中所述的多个子带包括一个低频子带LLJ和多个高频子带,其中第k层高频子带包括水平子带HLk,垂直子带LHk和对角子带HHk,k是高频子带的小波分解尺度,k=1,2,…,J,J为小波分解的最大尺度。
步骤S4中所述的结果图像v中像素点(i,j)的像素值v(i,j)通过重构图像u中像素点(i,j)的邻域像素点(k,l)的像素值u(k,l)的加权组合计算得到,具体公式如下:
其中,ΩM(i,j)表示重构图像u中像素点(i,j)处的(2M+1)×(2M+1)的邻域窗,M为邻域半径,像素点(k,l)为邻域窗内的像素,w(i,j,k,l)为权重系数,它取决于空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的乘积,其表达式为:
w(i,j,k,l)=d(i,j,k,l)*r(i,j,k,l)
其中,exp(·)是以数学常数e为底数的指数函数,参数σd和σr分别为空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的方差。
有益效果
本发明通过利用自适应于小波分解尺度和子带的阈值进行小波阈值去噪,并结合双边滤波器进行滤波,设计出的去噪方法不但能够有效地去除高斯白噪声,而且能很好地保留图像的边缘和细节信息。
附图说明
图1为本发明流程图;
图2为本发明一个实施例的两层小波分解的子带结构示意图,其中,图2(a)为小波分解后的各子带结构,图2(b)为lena图像小波分解后的各子带图像。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,本发明的实施例的基于自适应小波阈值和双边滤波器的去噪算法,包括以下几个步骤:
步骤S1,采用离散小波对图像进行分解,获得多个子带及其小波系数。
在本发明的一个实施例中,首先,读入含有噪声的图像信号,即含噪图像g。其中,含噪图像g在像素点(i,j)处的像素值可以表示为g(i,j)=f(i,j)+n(i,j),i,j=1,2,…,m。其中,g(i,j)为含噪图像g在像素点(i,j)处的像素值,f(i,j)为不含噪声的原始图像f在像素点(i,j)处的像素值,n(i,j)为噪声矩阵n在像素点(i,j)处的噪声值,它是独立同分布的高斯白噪声,服从N(0,σ2)分布,m是含噪图像g的宽度。然后,采用离散小波对含噪图像g进行多层小波分解,获得一个低频子带LLJ和多个高频子带及各子带的小波系数。第k层高频子带包括水平子带HLk,垂直子带LHk和对角子带HHk。其中,k是高频子带的小波分解尺度,k=1,2,…,J,J为小波分解的最大尺度。如图2所示为一个示例的两层小波分解得到的子带结构示意图。其中,图2(a)为小波分解后的各子带结构,图2(b)为lena图像小波分解后的各子带图像。含噪图像g经小波分解后有Y=X+V,其中,Y、X和V分别为g、f和n的小波系数矩阵。得到的小波系数矩阵Y在(i,j)处的小波系数可以表示为Yij。小波阈值去噪算法就是利用一种阈值函数,处理含噪图像的所有高频子带的每一个小波系数Yij,来获得阈值量化处理后的小波系数,再经过小波逆变换,得到重构图像的估计量f'=W-1X',其中W-1为小波逆变换算子,X'为含噪图像g的低频子带LLJ的小波系数与阈值量化处理后的高频子带的小波系数组成的矩阵。
步骤S2,选取随着小波分解尺度和子带的变化而自适应变化的阈值,并采用软阈值函数进行阈值量化处理。
具体地,可以分为以下2个小步骤:
步骤S2.1:选取随着小波分解尺度和子带的变化而自适应变化的阈值。
由信号的奇异性理论可知,利用小波对图像进行多层分解的过程中,噪声和图像信号会表现出不同的性质,即噪声具有负的奇异性,随着分解尺度的增大,噪声的幅度和稠密度会快速减小,噪声的小波系数也会相应地减小,而图像信号则相反,它的小波系数会越来越大。所以在对图像进行小波阈值去噪时,为了最大程度地把每一层的噪声和图像有用信息分离出来,不同分解尺度的阈值的选取应该不同,而且选取的阈值应该随着分解尺度的增大而减小。
此外,对于同一分解尺度,不同方向上的高频子带的小波系数分布也是不同的。在分解后的水平、垂直和对角三个高频子带中,对角子带所含的系数值和取值的数量以及所占的能量百分比相对于其他两个高频子带都要小一些,这说明它所含的信息量更少,噪声更多。因而,不同子带上选取的阈值也应该有所不同,而且对角子带上选取的阈值应该比其他两个高频子带选取的阈值大一些。
但是传统的阈值选取方式并没有随着小波分解尺度和子带的变化而自适应的变化,因此,本发明提出一种随着小波分解尺度和子带变化而变化的自适应阈值。根据上述获得的子带中高频子带的小波系数,计算所有高频子带的自适应阈值。其中,第k层高频子带的自适应阈值Tk可以通过以下公式进行计算:
其中,k为高频子带的小波分解尺度,α为与第k层高频子带有关的可调参数,α的取值范围是(0,1],随着噪声方差的增大,α的取值也会逐渐地增大,且对于同一分解尺度k,对角子带HHk上选取的参数α的值要比垂直子带LHk和水平子带HLk上选取的α值都大一些。ln(·)是以数学常数e为底的对数函数,N是第k层高频子带的尺寸,σ为噪声标准差,且由高频子带HH1的鲁棒中值来估计:
σ=median(Y1)/0.6745
其中,median(·)为中值函数,功能是求取数组的中值,假设高频子带HH1的小波系数矩阵为它的行数和列数分别为a和b,对矩阵中的每个小波系数取绝对值就生成一个新的尺寸为a*b的矩阵把矩阵中所有的元素排成一列即得到Y1。
应理解,上述示例仅为示意性的实施例,并不用于限制本发明,本领域的技术人员还可使用其他方法计算图像的噪声标准差,这些改变和变化均应包含在本发明的保护范围内。
在本发明中,选取的这个自适应阈值是以统一阈值为基础,在其分子上添加与子带有关的可调参数α,在分母上添加小波分解尺度k,使得选取的阈值能够自适应地随着小波分解尺度和子带的变化而变化。该阈值具有以下优点:符合经过小波分解后不同分解尺度和不同子带上的小波系数在对应于噪声和图像信号的比例分布上有所不同的事实,减小了阈值处理后的小波系数和原系数之间的偏差,增强了阈值的实用性,减小了由阈值误断引起的偏差。
步骤S2.2:根据上述获得的子带中高频子带的小波系数和上述选取的自适应阈值,采用软阈值函数,对所有高频子带的小波系数进行阈值量化处理,获得处理后的小波系数。其中,第k层高频子带在(i,j)处的小波系数可以通过下面的软阈值函数公式进行阈值量化处理:
步骤S3,进行小波逆变换,获得重构图像。
本发明利用上述含噪图像g的低频子带LLJ的小波系数和上述阈值量化处理后的所有高频子带的小波系数进行小波逆变换,获得重构图像u。
步骤S4,采用双边滤波器对重构图像进行滤波,以便获得清晰的图像。
由于小波阈值去噪方法在去除噪声的同时,可能也会去除高频细节,使图像的边缘变得模糊,而且易于产生显著的伪影,如低频噪声和边缘振荡。而双边滤波器则能够通过邻域像素值的非线性加权,来达到去除噪声的同时保留图像边缘的目的。因而可以用它来弥补小波阈值去噪会损失图像边缘的局限。双边滤波器是结合图像的空间邻近度和像素值相似度的一种折衷处理,它包含了空间域的滤波及像素值域的滤波。其中前者考虑的是像素的邻近关系;后者则考虑了图像像素值的变化。作为这两种滤波的非线形组合,双边滤波器的权值不仅与像素的空间距离有关,而且与像素值有关。
在本发明中,利用双边滤波器对上述获得的重构图像u进行滤波,就可以得到本发明的去噪算法的结果图像v。其中,像素点(i,j)处经过双边滤波后的输出像素值v(i,j)能够通过它的邻域像素点(k,l)的像素值u(k,l)的加权组合直接计算出来,它的公式如下:
其中,ΩM(i,j)表示像素点(i,j)处的(2M+1)×(2M+1)的邻域窗,M为邻域半径,M越大,平滑效果越强,但M太大则会导致图像模糊。像素点(k,l)为邻域窗内的像素,w(i,j,k,l)为权重系数,它取决于空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的乘积,其表达式为:
w(i,j,k,l)=d(i,j,k,l)*r(i,j,k,l)
其中,exp(·)是以数学常数e为底数的指数函数,参数σd和σr分别为空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的方差,而且它们分别控制空域和值域中权重因子的衰减程度,若它们的取值太大(趋于无穷),双边滤波器则退化为均值滤波器,取值太小则会削弱平滑效果。
最后,双边滤波器输出的图像v就是本发明的去噪算法的结果图像。
根据本发明实施例的基于自适应小波阈值和双边滤波器的去噪算法,通过利用自适应于小波分解尺度和子带的阈值进行小波阈值去噪,并结合双边滤波器进行滤波,设计出的去噪算法不但能够有效地去除高斯白噪声,而且能很好地保留图像的边缘和细节信息。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (3)
1.一种基于自适应小波阈值和双边滤波器的图像去噪方法,其特征在于包括以下步骤:
S1:采用离散小波对含有噪声的图像g进行分解,获得多个子带及其对应的小波系数矩阵;
S2:选取每个高频子带对应的随着小波分解尺度和子带变化而自适应变化的阈值,并对每个高频子带的小波系数矩阵进行阈值量化处理,具体如下:
S2.1:根据获得的子带中高频子带的小波系数矩阵,计算所有高频子带的自适应阈值,其中,第k层高频子带的自适应阈值Tk的计算公式如下:
其中,k为高频子带的小波分解尺度,α为与第k层高频子带有关的可调参数,α的取值范围是(0,1],ln(·)是以数学常数e为底的对数函数,N是第k层高频子带的尺寸,σ为噪声标准差,且由高频子带HH1的鲁棒中值来估计;
S2.2:根据获得的子带中高频子带的小波系数矩阵和选取的自适应阈值,采用软阈值函数,对所有高频子带的小波系数矩阵进行阈值量化处理,获得处理后的小波系数矩阵,其中,第k层高频子带在(i,j)处的小波系数通过下面的软阈值函数公式进行阈值量化处理:
S3:利用上述含噪图像g的低频子带LLJ的小波系数和阈值量化处理后的所有高频子带的小波系数进行小波逆变换,获得重构图像u;
S4:采用双边滤波器对重构图像u进行滤波,获得结果图像v。
2.根据权利要求1所述的一种基于自适应小波阈值和双边滤波器的图像去噪方法,其特征在于,步骤S1中所述的多个子带包括一个低频子带LLJ和多个高频子带,其中第k层高频子带包括水平子带HLk,垂直子带LHk和对角子带HHk,k是高频子带的小波分解尺度,k=1,2,…,J,J为小波分解的最大尺度。
3.根据权利要求1所述的一种基于自适应小波阈值和双边滤波器的图像去噪方法,其特征在于,步骤S4中所述的结果图像v中像素点(i,j)的像素值v(i,j)通过重构图像u中像素点(i,j)的邻域像素点(k,l)的像素值u(k,l)的加权组合计算得到,具体公式如下:
其中,ΩM(i,j)表示重构图像u中像素点(i,j)处的(2M+1)×(2M+1)的邻域窗,M为邻域半径,像素点(k,l)为邻域窗内的像素,w(i,j,k,l)为权重系数,它取决于空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的乘积,其表达式为:
w(i,j,k,l)=d(i,j,k,l)*r(i,j,k,l)
其中,exp(·)是以数学常数e为底数的指数函数,参数σd和σr分别为空域核函数d(i,j,k,l)和值域核函数r(i,j,k,l)的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310693132.2A CN103700072A (zh) | 2013-12-17 | 2013-12-17 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310693132.2A CN103700072A (zh) | 2013-12-17 | 2013-12-17 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103700072A true CN103700072A (zh) | 2014-04-02 |
Family
ID=50361591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310693132.2A Pending CN103700072A (zh) | 2013-12-17 | 2013-12-17 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103700072A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903233A (zh) * | 2014-04-10 | 2014-07-02 | 北京工业大学 | 基于双树离散小波包和信噪比估计的图像去噪方法 |
CN103903232A (zh) * | 2014-04-10 | 2014-07-02 | 北京工业大学 | 在小波域利用进化规划进行图像去噪和增强的方法 |
CN104754183A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种实时监控视频自适应滤波方法及其*** |
CN105738948A (zh) * | 2016-02-24 | 2016-07-06 | 重庆地质矿产研究院 | 一种基于小波变换的微地震数据降噪方法 |
CN105824186A (zh) * | 2016-05-05 | 2016-08-03 | 杭州电子科技大学 | 一种物体三维透视成像方法和*** |
CN105913393A (zh) * | 2016-04-08 | 2016-08-31 | 暨南大学 | 一种自适应小波阈值图像去噪算法及装置 |
CN103903233B (zh) * | 2014-04-10 | 2016-11-30 | 北京工业大学 | 基于双树离散小波包和信噪比估计的图像去噪方法 |
CN106814608A (zh) * | 2016-12-08 | 2017-06-09 | 浙江中控软件技术有限公司 | 基于后验概率分布的预测控制自适应滤波算法 |
CN107392866A (zh) * | 2017-07-07 | 2017-11-24 | 武汉科技大学 | 一种光照鲁棒的人脸图像局部纹理增强方法 |
CN108399645A (zh) * | 2018-02-13 | 2018-08-14 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN108510459A (zh) * | 2018-04-08 | 2018-09-07 | 哈尔滨理工大学 | 一种基于小波自适应阈值与双边滤波图像降噪算法 |
CN108629740A (zh) * | 2017-03-24 | 2018-10-09 | 展讯通信(上海)有限公司 | 一种图像去噪的处理方法及装置 |
CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
CN109345475A (zh) * | 2018-09-19 | 2019-02-15 | 长安大学 | 一种无人机遥感山区公路图像融合滤波方法 |
CN109685730A (zh) * | 2018-12-11 | 2019-04-26 | 上海集成电路研发中心有限公司 | 一种基于自适应非局域均值的小波去噪方法 |
CN109838377A (zh) * | 2018-08-24 | 2019-06-04 | 明世中 | 地面气垫自动充气*** |
CN110246088A (zh) * | 2018-03-07 | 2019-09-17 | 舜宇光学(浙江)研究院有限公司 | 基于小波变换的图像亮度降噪方法及其图像降噪*** |
CN110363711A (zh) * | 2019-06-12 | 2019-10-22 | 刘帅奇 | 一种光纤图像去噪算法 |
CN110675332A (zh) * | 2019-08-20 | 2020-01-10 | 广东技术师范大学 | 一种金属腐蚀图像质量的增强方法 |
CN111311508A (zh) * | 2020-01-21 | 2020-06-19 | 东南大学 | 一种带噪路面裂缝图像的降噪方法 |
CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
CN111696061A (zh) * | 2020-06-12 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 空间域与变换域相融合的噪声图像重构方法 |
CN111869208A (zh) * | 2018-03-09 | 2020-10-30 | 华为技术有限公司 | 使用自适应乘数系数进行图像滤波的方法及装置 |
CN112348031A (zh) * | 2020-11-17 | 2021-02-09 | 安徽理工大学 | 一种去除指纹图像混合噪声的改进小波阈值去噪方法 |
CN113034400A (zh) * | 2021-04-07 | 2021-06-25 | 深圳鱼亮科技有限公司 | 一种基于无线图像传感器阵列的图像降噪方法 |
CN113724158A (zh) * | 2021-08-13 | 2021-11-30 | 浙江大学 | 一种动态对比增强磁共振成像的降噪方法 |
CN113808034A (zh) * | 2021-08-09 | 2021-12-17 | 天津大学 | 一种结合全局阈值的局部自适应小波图像去噪方法 |
CN114155161A (zh) * | 2021-11-01 | 2022-03-08 | 富瀚微电子(成都)有限公司 | 图像去噪方法、装置、电子设备与存储介质 |
WO2022094824A1 (en) * | 2020-11-05 | 2022-05-12 | Huawei Technologies Co., Ltd. | Wavelet transform based deep high dynamic range imaging |
CN114528871A (zh) * | 2022-01-15 | 2022-05-24 | 中国电子科技集团公司第二十研究所 | 一种利用分数次小波分解与重构技术的降噪方法 |
CN115953790A (zh) * | 2022-09-29 | 2023-04-11 | 江苏智联天地科技有限公司 | 一种标签检测识别方法与*** |
CN116070094A (zh) * | 2023-03-14 | 2023-05-05 | 青岛科技大学 | 一种基于自适应小波阈值函数的水声信号处理方法 |
CN117173190A (zh) * | 2023-11-03 | 2023-12-05 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477680A (zh) * | 2009-01-16 | 2009-07-08 | 天津大学 | 基于滑窗邻域数据选择的小波图像降噪方法 |
CN101625869A (zh) * | 2009-08-11 | 2010-01-13 | 中国人民解放军第四军医大学 | 一种基于小波包能量的非空气传导语音增强方法 |
-
2013
- 2013-12-17 CN CN201310693132.2A patent/CN103700072A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477680A (zh) * | 2009-01-16 | 2009-07-08 | 天津大学 | 基于滑窗邻域数据选择的小波图像降噪方法 |
CN101625869A (zh) * | 2009-08-11 | 2010-01-13 | 中国人民解放军第四军医大学 | 一种基于小波包能量的非空气传导语音增强方法 |
Non-Patent Citations (3)
Title |
---|
WEN JIANG, ET AL.: "Applications of a bilateral denoising filter in biological electron microscopy", 《JOURNAL OF STRUCTURAL BIOLOGY》, vol. 144, 31 December 2003 (2003-12-31), pages 114 - 122 * |
余博 等: "一种新的自适应双边滤波算法", 《应用科学学报》, vol. 30, no. 5, 30 September 2012 (2012-09-30) * |
吴成茂 等: "小波自适应阈值和双边滤波的图像去噪", 《西安邮电大学学报》, vol. 18, no. 4, 31 July 2013 (2013-07-31) * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903232A (zh) * | 2014-04-10 | 2014-07-02 | 北京工业大学 | 在小波域利用进化规划进行图像去噪和增强的方法 |
CN103903233B (zh) * | 2014-04-10 | 2016-11-30 | 北京工业大学 | 基于双树离散小波包和信噪比估计的图像去噪方法 |
CN103903233A (zh) * | 2014-04-10 | 2014-07-02 | 北京工业大学 | 基于双树离散小波包和信噪比估计的图像去噪方法 |
CN104754183A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种实时监控视频自适应滤波方法及其*** |
CN104754183B (zh) * | 2015-04-10 | 2017-09-29 | 四川理工学院 | 一种实时监控视频自适应滤波方法及其*** |
CN105738948A (zh) * | 2016-02-24 | 2016-07-06 | 重庆地质矿产研究院 | 一种基于小波变换的微地震数据降噪方法 |
CN105738948B (zh) * | 2016-02-24 | 2018-03-23 | 重庆地质矿产研究院 | 一种基于小波变换的微地震数据降噪方法 |
CN105913393B (zh) * | 2016-04-08 | 2018-08-17 | 暨南大学 | 一种自适应小波阈值图像去噪方法及装置 |
CN105913393A (zh) * | 2016-04-08 | 2016-08-31 | 暨南大学 | 一种自适应小波阈值图像去噪算法及装置 |
CN105824186A (zh) * | 2016-05-05 | 2016-08-03 | 杭州电子科技大学 | 一种物体三维透视成像方法和*** |
CN106814608A (zh) * | 2016-12-08 | 2017-06-09 | 浙江中控软件技术有限公司 | 基于后验概率分布的预测控制自适应滤波算法 |
CN106814608B (zh) * | 2016-12-08 | 2020-03-03 | 浙江中控软件技术有限公司 | 基于后验概率分布的预测控制自适应滤波算法 |
CN108629740B (zh) * | 2017-03-24 | 2020-06-02 | 展讯通信(上海)有限公司 | 一种图像去噪的处理方法及装置 |
CN108629740A (zh) * | 2017-03-24 | 2018-10-09 | 展讯通信(上海)有限公司 | 一种图像去噪的处理方法及装置 |
CN107392866A (zh) * | 2017-07-07 | 2017-11-24 | 武汉科技大学 | 一种光照鲁棒的人脸图像局部纹理增强方法 |
CN107392866B (zh) * | 2017-07-07 | 2019-09-17 | 武汉科技大学 | 一种光照鲁棒的人脸图像局部纹理增强方法 |
CN108399645B (zh) * | 2018-02-13 | 2022-01-25 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN108399645A (zh) * | 2018-02-13 | 2018-08-14 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN110246088A (zh) * | 2018-03-07 | 2019-09-17 | 舜宇光学(浙江)研究院有限公司 | 基于小波变换的图像亮度降噪方法及其图像降噪*** |
CN110246088B (zh) * | 2018-03-07 | 2021-07-13 | 舜宇光学(浙江)研究院有限公司 | 基于小波变换的图像亮度降噪方法及其图像降噪*** |
CN111869208A (zh) * | 2018-03-09 | 2020-10-30 | 华为技术有限公司 | 使用自适应乘数系数进行图像滤波的方法及装置 |
US11765351B2 (en) | 2018-03-09 | 2023-09-19 | Huawei Technologies Co., Ltd. | Method and apparatus for image filtering with adaptive multiplier coefficients |
CN111869208B (zh) * | 2018-03-09 | 2021-10-26 | 华为技术有限公司 | 使用自适应乘数系数进行图像滤波的方法及装置 |
US11265538B2 (en) | 2018-03-09 | 2022-03-01 | Huawei Technologies Co., Ltd. | Method and apparatus for image filtering with adaptive multiplier coefficients |
CN108510459A (zh) * | 2018-04-08 | 2018-09-07 | 哈尔滨理工大学 | 一种基于小波自适应阈值与双边滤波图像降噪算法 |
CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
CN109838377A (zh) * | 2018-08-24 | 2019-06-04 | 明世中 | 地面气垫自动充气*** |
CN109345475B (zh) * | 2018-09-19 | 2021-07-23 | 长安大学 | 一种无人机遥感山区公路图像融合滤波方法 |
CN109345475A (zh) * | 2018-09-19 | 2019-02-15 | 长安大学 | 一种无人机遥感山区公路图像融合滤波方法 |
CN109685730A (zh) * | 2018-12-11 | 2019-04-26 | 上海集成电路研发中心有限公司 | 一种基于自适应非局域均值的小波去噪方法 |
CN110363711A (zh) * | 2019-06-12 | 2019-10-22 | 刘帅奇 | 一种光纤图像去噪算法 |
CN110675332A (zh) * | 2019-08-20 | 2020-01-10 | 广东技术师范大学 | 一种金属腐蚀图像质量的增强方法 |
CN111311508B (zh) * | 2020-01-21 | 2023-09-29 | 东南大学 | 一种带噪路面裂缝图像的降噪方法 |
CN111311508A (zh) * | 2020-01-21 | 2020-06-19 | 东南大学 | 一种带噪路面裂缝图像的降噪方法 |
CN111616697A (zh) * | 2020-06-05 | 2020-09-04 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
CN111616697B (zh) * | 2020-06-05 | 2022-07-08 | 江苏科技大学 | 一种基于新阈值函数小波变换的心电信号去噪算法 |
CN111696061A (zh) * | 2020-06-12 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 空间域与变换域相融合的噪声图像重构方法 |
WO2022094824A1 (en) * | 2020-11-05 | 2022-05-12 | Huawei Technologies Co., Ltd. | Wavelet transform based deep high dynamic range imaging |
CN112348031A (zh) * | 2020-11-17 | 2021-02-09 | 安徽理工大学 | 一种去除指纹图像混合噪声的改进小波阈值去噪方法 |
CN113034400A (zh) * | 2021-04-07 | 2021-06-25 | 深圳鱼亮科技有限公司 | 一种基于无线图像传感器阵列的图像降噪方法 |
CN113808034B (zh) * | 2021-08-09 | 2023-07-28 | 天津大学 | 一种结合全局阈值的局部自适应小波图像去噪方法 |
CN113808034A (zh) * | 2021-08-09 | 2021-12-17 | 天津大学 | 一种结合全局阈值的局部自适应小波图像去噪方法 |
CN113724158A (zh) * | 2021-08-13 | 2021-11-30 | 浙江大学 | 一种动态对比增强磁共振成像的降噪方法 |
CN113724158B (zh) * | 2021-08-13 | 2024-01-02 | 浙江大学 | 一种动态对比增强磁共振成像的降噪方法 |
CN114155161A (zh) * | 2021-11-01 | 2022-03-08 | 富瀚微电子(成都)有限公司 | 图像去噪方法、装置、电子设备与存储介质 |
CN114528871A (zh) * | 2022-01-15 | 2022-05-24 | 中国电子科技集团公司第二十研究所 | 一种利用分数次小波分解与重构技术的降噪方法 |
CN114528871B (zh) * | 2022-01-15 | 2024-04-19 | 中国电子科技集团公司第二十研究所 | 一种利用分数次小波分解与重构技术的降噪方法 |
CN115953790A (zh) * | 2022-09-29 | 2023-04-11 | 江苏智联天地科技有限公司 | 一种标签检测识别方法与*** |
CN115953790B (zh) * | 2022-09-29 | 2024-04-02 | 江苏智联天地科技有限公司 | 一种标签检测识别方法与*** |
CN116070094A (zh) * | 2023-03-14 | 2023-05-05 | 青岛科技大学 | 一种基于自适应小波阈值函数的水声信号处理方法 |
CN117173190B (zh) * | 2023-11-03 | 2024-02-02 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损*** |
CN117173190A (zh) * | 2023-11-03 | 2023-12-05 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103700072A (zh) | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 | |
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN103761719B (zh) | 一种基于邻域相关性的自适应小波阈值去噪方法 | |
CN104715461A (zh) | 图像去噪方法 | |
CN104680485A (zh) | 一种基于多分辨率的图像去噪方法及装置 | |
CN102509269A (zh) | 一种结合曲线波的基于图像子块相似性的图像去噪方法 | |
Shi et al. | An image denoising method based on multiscale wavelet thresholding and bilateral filtering | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
Elyasi et al. | Reduction of speckle noise ultrasound images based on TV regularization and modified bayes shrink techniques | |
CN102236888B (zh) | 基于双树离散小波包的图像去噪方法 | |
CN101887580A (zh) | 非下采样轮廓波变换域的图像降噪方法 | |
CN106023103B (zh) | 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法 | |
CN104240201A (zh) | 基于群-轮廓小波变换断口图像去噪和增强方法 | |
CN109993703A (zh) | 多尺度图像降噪方法及装置 | |
CN111192204A (zh) | 一种图像增强方法、***和计算机可读存储介质 | |
CN102196155B (zh) | 基于Surfacelet变换的系数自适应收缩视频去噪方法 | |
CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
Heinen et al. | Wavelet shrinkage on paths for denoising of scattered data | |
Yang et al. | A new algorithm of image denoising based on stationary wavelet multi-scale adaptive threshold | |
CN103747268B (zh) | 一种分层自适应阈值视频去噪方法 | |
Li et al. | Image denoising algorithm based on non-subsampled contourlet transform and bilateral filtering | |
Bo et al. | Image compression based on wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140402 |
|
WD01 | Invention patent application deemed withdrawn after publication |