CN104778669A - 快速图像去噪方法及装置 - Google Patents
快速图像去噪方法及装置 Download PDFInfo
- Publication number
- CN104778669A CN104778669A CN201510181277.3A CN201510181277A CN104778669A CN 104778669 A CN104778669 A CN 104778669A CN 201510181277 A CN201510181277 A CN 201510181277A CN 104778669 A CN104778669 A CN 104778669A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- point
- gray
- mean value
- 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 68
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 21
- 238000001914 filtration Methods 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种快速图像去噪方法及装置。本发明快速图像去噪方法,包括:计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断梯度平均值是否大于或等于预设的第一阈值;若梯度平均值大于或等于预设的第一阈值,则分别计算像素点与第一邻域范围内的像素点的权值,计算像素点的灰度值的加权平均值,将灰度值的加权平均值作为去噪图像中与像素点在相同位置的像素点的输出灰度值;若梯度平均值小于第一阈值则计算像素点的第二邻域范围内的灰度值平均值,将灰度值平均值作为去噪图像中与像素点在相同位置的像素点的输出灰度值。本发明能够滤除随机噪声并且保持了图像中景物的边缘和角点细节。
Description
技术邻域
本发明涉及图像处理技术邻域,尤其涉及一种快速图像去噪方法及装置。
背景技术
由于图像采集***会受到温度、电磁波等各种随机性的信号干扰,采集到的图像中有时会出现较为明显的噪声,图像中蕴含的许多特征会被噪声所掩盖,图像中的一些细节无法辨识,图像视觉效果和数据质量较差。因此研究图像处理技术,削弱随机噪声对图像的影响,增加图像的对比度和清晰度,保证图像信息质量,使得计算机视觉***能够在信号干扰的作用下也能可靠、稳定的工作,无疑具有十分重要的理论和实际应用价值。
现有的图像平滑滤波处理虽然简单,但往往只能去除极强、灰度分布极端的噪声,而且对图像进行平滑滤波的处理,一方面虽然削弱了噪声的影响,另一方面也模糊了图像中原有景物的边缘和角点,丢失了许多细节信息,影响了视觉效果和识别效果。
发明内容
本发明提供一种快速图像去噪方法及装置,以克服现有技术在图像去噪过程中容易丢失原有边缘信息的问题。
第一方面,本发明提供一种快速图像去噪方法,包括:
计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;
若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
可选地,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值之前,包括:
分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值;
判断所述绝对差值是否大于或等于预设的第二阈值。
可选地,还包括:
若所述绝对差值小于所述预设的第二阈值,将所述像素点与所述第一邻域范围内的像素点的权值置为0。
可选地,所述计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,包括:
通过如下公式(1)计算所述梯度平均值:
其中,x点为所述原始含噪图像的任一像素点,为x点的第一邻域范围内的梯度平均值,N(x)为以x点为中心,大小为s×s的第一邻域,y点为以x点为中心,所述第一邻域范围内的点,G(y)为所述原始含噪图像的梯度图像在y点处的灰度值;s为预设值。
可选地,所述分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值,包括:
通过如下公式(2)计算所述绝对差值:
其中,为x点的第一邻域范围内的梯度平均值,为y点的第一邻域范围内的梯度平均值,ΔG(x,y)为x点和y点的所述第一邻域范围内的梯度平均值的绝对差值。
可选地,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值,包括:
若所述绝对差值大于或等于所述预设的第二阈值,则通过如下公式(3)计算所述像素点与所述第一邻域范围内的像素点之间的权值:
其中,
其中,x点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点,y点为以x点为中心,所述第一邻域范围内的点;N(x)为以x点为中心,大小为s×s的第一邻域,N(y)为以y点为中心,大小为s×s的第一邻域;i点为以x点为中心,所述第一邻域范围内的像素点;j点为以y点为中心,所述第一邻域范围内的像素点;I(i)为所述原始含噪图像在i点处的灰度值;I(j)为所述原始含噪图像在j点处的灰度值;s为预设值。
可选地,所述σ的取值范围为10<σ<15。
可选地,所述根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,包括:
计算所述像素点对应的权值的累加值,包括:
将所述权值W(x,y)分别累加到矩阵W0的对应位置中,通过如下公式(4)和(5)计算:
W0(x)=W0(x)+W(x,y) (4)
W0(y)=W0(y)+W(x,y) (5)
其中,W0(x)为所述矩阵W0在x点处的值,W0(y)为所述矩阵W0在y点处的值;所述矩阵W0为与所述原始含噪图像的尺寸相同、初始化值全为0的矩阵;
计算所述每个像素点的灰度值的加权累加值,包括:
将所述像素点对应的权值W(x,y)与所述像素点的第一邻域范围内的像素点的灰度值的乘积,分别累加到矩阵C0的对应位置中,通过如下公式(6)和(7)计算:
C0(x)=C0(x)+W(x,y)×I(y) (6)
C0(y)=C0(y)+W(x,y)×I(x) (7)
其中,I(x)为所述原始含噪图像在x点处的灰度值,I(y)为所述原始含噪图像在y点处的灰度值;C0(x)为所述矩阵C0在x点处的值,C0(y)为所述矩阵C0在y点处的值;C0为与所述原始含噪图像尺寸相同、初始化值全为0的矩阵;
计算所述像素点归一化的灰度值的加权平均值,包括:
通过如下公式(8)计算所述像素点归一化的灰度值的加权平均值:
I'(v)=C0(v)/W0(v) (8)
其中,v点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点;C0(v)为所述矩阵C0在所述像素点的灰度值的加权累加值,W0(v)为所述矩阵W0在所述像素点v对应的权值的累加值;I'(v)为所述去噪图像在所述像素点v处的输出灰度值。
可选地,所述计算所述像素点的第二邻域范围内的灰度值平均值,包括:
通过如下公式(9)计算所述灰度值平均值:
其中,u点为所述原始含噪图像中所述梯度平均值小于所述预设的第一阈值的像素点;I'(u)为所述去噪图像在u点处的灰度平均值;Ψ(u)为以u为中心,大小为a×a的第二邻域;y点为以u点为中心,所述第二邻域范围内的点;I(y)为所述原始含噪图像在y点处的灰度值;a为预设值。
可选地,所述s的取值范围为15<s<31;所述a的取值范围为:s+5<a<s+10。
可选地,所述预设的第一阈值为50。
第二方面,本发明提供一种快速图像去噪装置,包括:
第一处理模块,用于计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;
第二处理模块,用于若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;第三处理模块,用于若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
本发明快速图像去噪方法及装置,通过计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值,能够滤除较为严重的且分布未知的随机噪声,并且在滤除噪声的同时,良好地保持图像中景物的边缘和角点细节,效率较高,解决了图像去噪过程中容易丢失原有边缘信息的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本邻域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明快速图像去噪方法实施例的流程图;
图2A为本发明方法实施例的原始含噪图像的示意图;
图2B为图2A经过现有的自适应中值滤波方法去噪后的示意图;
图2C为图2A经过本发明快速图像去噪方法去噪后的示意图;
图3A为本发明方法实施例的原始含噪图像图的示意图;
图3B为图3A经过现有的自适应中值滤波方法去噪后的示意图图;
图3C为图3A经过本发明快速图像去噪方法去噪后的示意图;
图4A为本发明方法实施例的原始含噪图像的示意图;
图4B为图4A经过现有的自适应中值滤波方法去噪后的示意图;
图4C为图4A经过本发明快速图像去噪方法去噪后的示意图;
图5为本发明快速图像去噪装置实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本邻域普通技术人员在没有作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。
此外,下面所描述的本发明各个实施例中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明快速图像去噪方法实施例的流程图,如图1所示,本实施例的方法可以包括:
步骤101、计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;
步骤102、若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
步骤103、若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
由于非局部均值滤波的思想能够很好地衡量图像中区域的灰度结构相似性,通过相似性来决定像素点的权值,从而调节不同像素点的贡献,在保持原图结构边缘和角点的情况下,滤除杂点和噪声。但是这种衡量方式计算量较大,耗时较长。因此,为了减少算法耗时,本发明实施例中首先对像素点所处第一邻域范围的区域的复杂度进行简单的衡量,如果区域的梯度较小,可以认为像素点处于一个灰度相对平坦的区域,不需要使用具有边缘保持能力的非局部均值滤波算法,只需要使用均值滤波即可。
具体来说,第一步对原始含噪图像的每个像素点所处第一邻域范围内的梯度平均值进行计算,并设定预设的第一阈值进行比较;
若梯度较大则使用非局部均值滤波,即若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述每个像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
若梯度较小使用均值滤波,即若所述梯度平均值小于预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值。
可选地,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值之前,包括:
分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值;
判断所述绝对差值是否大于或等于预设的第二阈值。
可选地,还包括:
若所述绝对差值小于所述预设的第二阈值,将所述像素点与所述第一邻域范围内的像素点的权值置为0。
具体来说,若所述绝对差值大于或等于预设的第二阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述每个像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
若所述绝对差值小于预设的第二阈值,则将所述像素点与所述第一邻域范围内的像素点的权值置为0,即跳过两点之间的权值累加计算,将权值视为0;
图2A为本发明方法实施例的原始含噪图像的示意图,图2B为图2A经过现有的自适应中值滤波方法去噪后的示意图,图2C为图2A经过本发明快速图像去噪方法去噪后的示意图,图3A为本发明方法实施例的原始含噪图像图的示意图,图3B为图3A经过现有的自适应中值滤波方法去噪后的示意图图,图3C为图3A经过本发明快速图像去噪方法去噪后的示意图,4A为本发明方法实施例的原始含噪图像的示意图,图4B为图4A经过现有的自适应中值滤波方法去噪后的示意图,图4C为图4A经过本发明快速图像去噪方法去噪后的示意图。
如图2A、图2B、图2C所示,图2A为一张灰度化后的含有严重彩色噪声的人像,像素分辨率为256×256;图2B为图2A经过现有的自适应中值滤波方法去噪的结果图像,计算耗时大约为3.8s;图2C为图2A经过本发明实施例方法去噪的结果图像,计算耗时大约320ms。
如图3A、图3B、图3C所示,图3A为一张灰度化后的含有彩色噪声的雪景图,像素分辨率为354×221;图3B为图3A经过自适应中值滤波方法去噪的结果图像,计算耗时大约为2.5s;图3C为图3A经过本发明实施例方法去噪的图像,计算耗时大约560ms。
如图4A、图4B、图4C所示,图4A为一张灰度化后的含有彩色噪声的复杂的彩色手工画,像素分辨率为305×400,图像中的细节已经因为噪声影响严重而难以分辨。图4B为图4A经过自适应中值滤波方法去噪的结果图像,计算耗时大约7.9s;图4C为图4A经过本发明实施例方法去噪的结果图像,计算耗时大约780ms。
对比图2B、图3B、图4B与图2C、3C、4C可以看到,现有的自适应中值滤波结果残留了一些噪声的影响,并且有不自然的块现象;而本发明实施例的方法去噪结果自然而平滑,细节清晰,并且速度远远快于自适应中值滤波方法,可以达到实时交互去噪的需求。
本发送实施例,基于非局部均值滤波的思想,提出了一种有效滤除随机性的图像噪声的方法,能够滤除较为严重的且分布未知的随机噪声,解决了图像采集***和传输***受到随机性的、分布未知的噪声干扰的问题。
能够在滤除噪声的同时,良好地保持图像中景物的边缘和角点细节,解决了图像去噪过程中容易丢失原有边缘信息的问题。
本发明方法运行速度快,利用逐层预筛选和对称性等数学计算方法进行了充分的优化和加速,对于彩色标清图像(720×576),在GPU上可以并行处理可以达到1s以内,而对于黑白图像只需300ms,完全可以满足实时交互的需要,解决了非局部均值滤波速度极慢,耗时长达几十秒而导致无法广泛应用的问题。
可选地,所述计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,包括:
通过如下公式(1)计算所述梯度平均值:
其中,x点为所述原始含噪图像的任一像素点,为x点的第一邻域范围内的梯度平均值,N(x)为以x点为中心,大小为s×s的第一邻域,y点为以x点为中心,所述第一邻域范围内的点,G(y)为所述原始含噪图像的梯度图像在y点处的灰度值;s为预设值。
具体来说,对于步骤101中的梯度平均值采用上述公式(1)进行计算,即计算所述原始含噪图像的任一像素点x的第一邻域范围内的梯度平均值,所述第一邻域为以x点为中心,大小为s×s的局部矩形区域;
即最终的梯度平均值为
可选地,所述分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值,包括:
通过如下公式(2)计算所述绝对差值:
其中,为x点的第一邻域范围内的梯度平均值,为y点的第一邻域范围内的梯度平均值,ΔG(x,y)为x点和y点的所述第一邻域范围内的梯度平均值的绝对差值。
具体来说,对于上述步骤101中判断为区域梯度较大的像素点,即梯度平均值大于或等于预设的第一阈值,所处区域存在较强烈的边缘和角点等结构信息,使用均值滤波会过度模糊这些细节。因此这些点使用非局部均值滤波,在保持边缘和角点结构的条件下平滑灰度平坦的区域,达到去除噪声的目的。
对于使用非局部均值滤波的像素点,用全图每一个点计算权值和灰度加权平均值仍然有非常大的计算量,在不过多减少平滑效果的情况下,我们可以通过减少参与权值贡献的点来减少计算时间。有许多参与权值计算的点,与当前像素点所处区域的灰度结构差异较大,计算得到的权值非常小,贡献可以忽略不计。本发明实施例通过比对两个像素点的第一邻域范围的区域梯度大小,预先判断权值是否可以忽略不计。因此设定梯度平均值的绝对差值的预设的第二阈值,区域梯度之间的差异小于预设的第二阈值的点,不参与权值计算,大于或等于预设的第二阈值的点参与权值计算。
分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值,此处的像素点x是第一邻域范围内的梯度平均值大于或等于预设的第一阈值的像素点,即通过上述公式(2)计算x点和y点的所述第一邻域范围内的梯度平均值的绝对差值,和可通过上述公式(1)计算得来。
可选地,所述预设的第一阈值为50。
预设的第一阈值为50是通过实验确定的最优经验值,可以普适性地应对随机的噪声情况。
可选地,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值,包括:
若所述绝对差值大于或等于预设的第二阈值,则通过如下公式(3)计算所述像素点与所述第一邻域范围内的像素点之间的权值:
其中,
其中,x点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点,y点为以x点为中心,所述第一邻域范围内的点;N(x)为以x点为中心,大小为s×s的第一邻域,N(y)为以y点为中心,大小为s×s的第一邻域;i点为以x点为中心,所述第一邻域范围内的像素点;j点为以y点为中心,所述第一邻域范围内的像素点;I(i)为所述原始含噪图像在i点处的灰度值;I(j)为所述原始含噪图像在j点处的灰度值;s为预设值。
可选地,所述σ的取值范围为10<σ<15。
具体来说,对于参与权值计算的点,使用两个像素点所在第一邻域范围内的区域灰度矩阵的高斯距离来衡量,高斯距离按下式计算:
高斯距离小说明两个像素点所处区域的灰度结构接近,因此赋予较大的权值,反之则赋予较小的权值,从而保持灰度结构中原有的边缘和角点细节。
所述像素点与所述第一邻域范围内的像素点的权值可以通过上述公式(3)计算得到。此处的像素点x是所述绝对差值大于或等于预设的第二阈值的像素点。
σ为平滑程度控制参数,是通过实验得到的最优经验值,可以普适性地应对随机的噪声情况。
可选地,所述根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,包括:
计算所述像素点对应的权值的累加值,包括:
将所述权值W(x,y)分别累加到矩阵W0的对应位置中,通过如下公式(4)和(5)计算:
W0(x)=W0(x)+W(x,y) (4)
W0(y)=W0(y)+W(x,y) (5)
其中,W0(x)为所述矩阵W0在x点处的值,W0(y)为所述矩阵W0在y点处的值;所述矩阵W0为与所述原始含噪图像的尺寸相同、初始化值全为0的矩阵;
计算所述每个像素点的灰度值的加权累加值,包括:
将所述像素点对应的权值W(x,y)与所述像素点的第一邻域范围内的像素点的灰度值的乘积,分别累加到矩阵C0的对应位置中,通过如下公式(6)和(7)计算:
C0(x)=C0(x)+W(x,y)×I(y) (6)
C0(y)=C0(y)+W(x,y)×I(x) (7)
其中,I(x)为所述原始含噪图像在x点处的灰度值,I(y)为所述原始含噪图像在y点处的灰度值;C0(x)为所述矩阵C0在x点处的值,C0(y)为所述矩阵C0在y点处的值;C0为与所述原始含噪图像尺寸相同、初始化值全为0的矩阵;
计算所述像素点归一化的灰度值的加权平均值,包括:
通过如下公式(8)计算所述像素点归一化的灰度值的加权平均值:
I'(v)=C0(v)/W0(v) (8)
其中,v点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点;C0(v)为所述矩阵C0在所述像素点的灰度值的加权累加值,W0(v)为所述矩阵W0在所述像素点v对应的权值的累加值;I'(v)为所述去噪图像在所述像素点v处的输出灰度值。
具体来说,为了计算所述像素点归一化的灰度值的加权平均值,首先计算所述像素点对应的权值的累加值,通过上述公式(4)和(5)计算,计算过程中,对图像中每一个像素点x,都要计算另一个第一邻域范围内的像素点y对x的贡献。这里面所描述的x点和y点都是变化的,是一个扫描的过程。x点会扫描整个图像的每一个像素点,而y点这一层会对每一个给定的x点,扫描当前的这个x点所在的第一邻域。x和y是根据扫描循环的层次给出的暂时的代号。
在这种滤波的计算过程中,是有对称性的。举例来说,比如我们正在计算点p1=(25,30)的滤波结果,那么需要p1所在第一邻域内所有点参与计算,包括其中一个点p2=(30,35)。计算完p2对p1的贡献后,等我们计算点p2的滤波结果时,p1=(25,30)反过来也同样处于p2点所在的第一邻域内,所以为了计算p2点的结果还要计算一次p1点对p2的贡献。
这样实际上有大量重复的计算,p1和p2的相互贡献中,权值W(p1,p2)是等于W(p2,p1)的。本发明实施例针对这点做了优化:
我们计算p1点滤波结果时,把W(p1,p2)第一次计算出来之后,立刻就对应地把它在p2点滤波结果中的影响给累加进去。也就是说,我们在计算p1点的滤波结果的时候,同时计算了并做好了p1对它能影响到的所有点的贡献,所以上述公式(4)-(7)中才会在计算像素点x时对像素点y也做相同的操作。这样我们计算到p2点的时候,不必再计算p1点对p2点的贡献。
上述公式(4)-(7)中展现的是对某一次循环处理像素点x时,第一邻域中有一个像素点y,这时通过两个公式累加了x对y以及y对x的贡献,并且记录在C0矩阵中。
即将所述像素点对应的权值W(x,y)分别累加到矩阵W0的对应位置中,并将所述像素点对应的权值W(x,y)与所述像素点的第一邻域范围内的像素点的灰度值的乘积,分别累加到矩阵C0的对应位置中;最后通过公式(8)计算所述像素点归一化的灰度值的加权平均值:
I'(v)=C0(v)/W0(v)
此处v点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点。
如果所述绝对差值小于所述预设的第二阈值则将所述像素点与所述第一邻域范围内的像素点的权值置为0。
利用上述权值计算的对称性,因此本发明实施例采用只计算一半的点,依次扫描每个像素点,累加权值分子和分母的方式进行了优化,减少了大约一半的计算量。
可选地,所述计算所述像素点的第二邻域范围内的灰度值平均值,包括:
通过如下公式(9)计算所述灰度值平均值:
其中,u点为所述原始含噪图像中所述梯度平均值小于所述预设的第一阈值的像素点;I'(u)为所述去噪图像在u点处的灰度平均值;Ψ(u)为以u为中心,大小为a×a的第二邻域;y点为以u点为中心,所述第二邻域范围内的点;I(y)为所述原始含噪图像在y点处的灰度值;a为预设值。
可选地,所述s的取值范围为15<s<31;所述a的取值范围为:s+5<a<s+10。
具体来说,对于上述步骤101中判断为区域梯度较小的像素点,即所述梯度平均值小于所述预设的第一阈值的像素点,使用传统的均值滤波算法就足以平滑噪声,使用以当前像素点为中心,半径为a的第二邻域的像素点灰度值的平均值,作为滤除噪声之后去噪图像的对应像素点的输出灰度值所述灰度平均值可以通过公式(9)计算得来。
上述a是一个滤波半径参数,上述范围是通过实验确定的最优经验值,可以普适性地应对随机的噪声情况。
图5为本发明快速图像去噪装置实施例的结构示意图。如图5所示,本实施例的装置,可以包括:第一处理模块501、第二处理模块502和第三处理模块503;其中,所述第一处理模块501,用于计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;
第二处理模块502,用于若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
第三处理模块503,用于若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
可选地,所述第二处理模块502,具体用于:
若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值;
判断所述绝对差值是否大于或等于预设的第二阈值。
可选地,所述第二处理模块502,还用于:
若所述绝对差值小于所述预设的第二阈值,将所述像素点与所述第一邻域范围内的像素点的权值置为0。
可选地,所述第一处理模块501,具体用于:
通过如下公式(1)计算所述梯度平均值:
其中,x点为所述原始含噪图像的任一像素点,为x点的第一邻域范围内的梯度平均值,N(x)为以x点为中心,大小为s×s的第一邻域,y点为以x点为中心,所述第一邻域范围内的点,G(y)为所述原始含噪图像的梯度图像在y点处的灰度值;s为预设值。
可选地,所述第二处理模块502,具体用于:
通过如下公式(2)计算所述绝对差值:
其中,为x点的第一邻域范围内的梯度平均值,为y点的第一邻域范围内的梯度平均值,ΔG(x,y)为x点和y点的所述第一邻域范围内的梯度平均值的绝对差值。
可选地,所述第二处理模块502,具体用于:
若所述绝对差值大于或等于所述预设的第二阈值,则通过如下公式(3)计算所述像素点与所述第一邻域范围内的像素点之间的权值:
其中,
其中,x点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点,y点为以x点为中心,所述第一邻域范围内的点;N(x)为以x点为中心,大小为s×s的第一邻域,N(y)为以y点为中心,大小为s×s的第一邻域;i点为以x点为中心,所述第一邻域范围内的像素点;j点为以y点为中心,所述第一邻域范围内的像素点;I(i)为所述原始含噪图像在i点处的灰度值;I(j)为所述原始含噪图像在j点处的灰度值;s为预设值。
可选地,所述σ的取值范围为10<σ<15。
可选地,所述第二处理模块502,包括:
第一单元,用于计算所述像素点对应的权值的累加值;
所述第一单元,具体用于:
将所述权值W(x,y)分别累加到矩阵W0的对应位置中,通过如下公式(4)和(5)计算:
W0(x)=W0(x)+W(x,y) (4)
W0(y)=W0(y)+W(x,y) (5)
其中,W0(x)为所述矩阵W0在x点处的值,W0(y)为所述矩阵W0在y点处的值;所述矩阵W0为与所述原始含噪图像的尺寸相同、初始化值全为0的矩阵;
第二单元,用于计算所述每个像素点的灰度值的加权累加值;
所述第二单元,具体用于:
将所述像素点对应的权值W(x,y)与所述像素点的第一邻域范围内的像素点的灰度值的乘积,分别累加到矩阵C0的对应位置中,通过如下公式(6)和(7)计算:
C0(x)=C0(x)+W(x,y)×I(y) (6)
C0(y)=C0(y)+W(x,y)×I(x) (7)
其中,I(x)为所述原始含噪图像在x点处的灰度值,I(y)为所述原始含噪图像在y点处的灰度值;C0(x)为所述矩阵C0在x点处的值,C0(y)为所述矩阵C0在y点处的值;C0为与所述原始含噪图像尺寸相同、初始化值全为0的矩阵;
第三单元,用于计算所述像素点归一化的灰度值的加权平均值;
所述第三单元,具体用于:
通过如下公式(8)计算所述像素点归一化的灰度值的加权平均值:
I'(v)=C0(v)/W0(v) (8)
其中,v点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点;C0(v)为所述矩阵C0在所述像素点的灰度值的加权累加值,W0(v)为所述矩阵W0在所述像素点v对应的权值的累加值;I'(v)为所述去噪图像在所述像素点v处的输出灰度值。
可选地,所述第三处理模块,具体用于:
通过如下公式(9)计算所述灰度值平均值:
其中,u点为所述原始含噪图像中所述梯度平均值小于所述预设的第一阈值的像素点;I'(u)为所述去噪图像在u点处的灰度平均值;Ψ(u)为以u为中心,大小为a×a的第二邻域;y点为以u点为中心,所述第二邻域范围内的点;I(y)为所述原始含噪图像在y点处的灰度值;a为预设值。
可选地,所述s的取值范围为15<s<31;所述a的取值范围为:s+5<a<s+10。
可选地,所述预设的第一阈值为50。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本邻域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本邻域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种快速图像去噪方法,其特征在于,包括:
计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于或等于预设的第一阈值;其中所述第一邻域的大小为预设值;
若所述梯度平均值大于或等于预设的第一阈值,则分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
2.根据权利要求1所述的方法,其特征在于,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值之前,包括:
分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值;
判断所述绝对差值是否大于或等于预设的第二阈值。
3.根据权利要求2所述的方法,其特征在于,还包括:
若所述绝对差值小于所述预设的第二阈值,将所述像素点与所述第一邻域范围内的像素点的权值置为0。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,包括:
通过如下公式(1)计算所述梯度平均值:
其中,x点为所述原始含噪图像的任一像素点,为x点的第一邻域范围内的梯度平均值,N(x)为以x点为中心,大小为s×s的第一邻域,y点为以x点为中心,所述第一邻域范围内的点,G(y)为所述原始含噪图像的梯度图像在y点处的灰度值;s为预设值。
5.根据权利要求2或3所述的方法,其特征在于,所述分别计算所述像素点的所述第一邻域范围内的梯度平均值与所述第一邻域范围内的像素点的第一邻域范围内的梯度平均值的绝对差值,包括:
通过如下公式(2)计算所述绝对差值:
其中,为x点的第一邻域范围内的梯度平均值,为y点的第一邻域范围内的梯度平均值,ΔG(x,y)为x点和y点的所述第一邻域范围内的梯度平均值的绝对差值。
6.根据权利要求2或3所述的方法,其特征在于,所述分别计算所述像素点与所述第一邻域范围内的像素点的权值,包括:
若所述绝对差值大于或等于所述预设的第二阈值,则通过如下公式(3)计算所述像素点与所述第一邻域范围内的像素点之间的权值:
其中,
其中,x点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点,y点为以x点为中心,所述第一邻域范围内的点;N(x)为以x点为中心,大小为s×s的第一邻域,N(y)为以y点为中心,大小为s×s的第一邻域;i点为以x点为中心,所述第一邻域范围内的像素点;j点为以y点为中心,所述第一邻域范围内的像素点;I(i)为所述原始含噪图像在i点处的灰度值;I(j)为所述原始含噪图像在j点处的灰度值;s为预设值。
7.根据权利要求6所述的方法,其特征在于,所述σ的取值范围为10<σ<15。
8.根据权利要求6所述的方法,其特征在于,所述根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,包括:
计算所述像素点对应的权值的累加值,包括:
将所述权值W(x,y)分别累加到矩阵W0的对应位置中,通过如下公式(4)和(5)计算:
W0(x)=W0(x)+W(x,y) (4)
W0(y)=W0(y)+W(x,y) (5)
其中,W0(x)为所述矩阵W0在x点处的值,W0(y)为所述矩阵W0在y点处的值;所述矩阵W0为与所述原始含噪图像的尺寸相同、初始化值全为0的矩阵;
计算所述每个像素点的灰度值的加权累加值,包括:
将所述像素点对应的权值W(x,y)与所述像素点的第一邻域范围内的像素点的灰度值的乘积,分别累加到矩阵C0的对应位置中,通过如下公式(6)和(7)计算:
C0(x)=C0(x)+W(x,y)×I(y) (6)
C0(y)=C0(y)+W(x,y)×I(x) (7)
其中,I(x)为所述原始含噪图像在x点处的灰度值,I(y)为所述原始含噪图像在y点处的灰度值;C0(x)为所述矩阵C0在x点处的值,C0(y)为所述矩阵C0在y点处的值;C0为与所述原始含噪图像尺寸相同、初始化值全为0的矩阵;
计算所述像素点归一化的灰度值的加权平均值,包括:
通过如下公式(8)计算所述像素点归一化的灰度值的加权平均值:
I'(v)=C0(v)/W0(v) (8)
其中,v点为所述原始含噪图像中所述绝对差值大于或等于所述预设的第二阈值的像素点;C0(v)为所述矩阵C0在所述像素点的灰度值的加权累加值,W0(v)为所述矩阵W0在所述像素点v对应的权值的累加值;I'(v)为所述去噪图像在所述像素点v处的输出灰度值。
9.根据权利要求1-3任一项所述的方法,其特征在于,所述计算所述像素点的第二邻域范围内的灰度值平均值,包括:
通过如下公式(9)计算所述灰度值平均值:
其中,u点为所述原始含噪图像中所述梯度平均值小于所述预设的第一阈值的像素点;I'(u)为所述去噪图像在u点处的灰度平均值;Ψ(u)为以u为中心,大小为a×a的第二邻域;y点为以u点为中心,所述第二邻域范围内的点;I(y)为所述原始含噪图像在y点处的灰度值;a为预设值。
10.根据权利要求1-3任一项所述的方法,其特征在于,所述s的取值范围为15<s<31;所述a的取值范围为:s+5<a<s+10。
11.根据权利要求1-3任一项所述的方法,其特征在于,所述预设的第一阈值为50。
12.一种快速图像去噪装置,其特征在于,包括:
第一处理模块,用于计算原始含噪图像的每个像素点的第一邻域范围内的梯度平均值,判断所述梯度平均值是否大于预设的第一阈值;其中所述第一邻域的大小为预设值;
第二处理模块,用于若所述梯度平均值大于或等于预设的第一阈值,分别计算所述像素点与所述第一邻域范围内的像素点的权值,根据所述像素点对应的权值和灰度值计算所述像素点的灰度值的加权平均值,将所述灰度值的加权平均值作为去噪图像中与所述像素点在相同位置的像素点的输出灰度值;
第三处理模块,用于若所述梯度平均值小于所述预设的第一阈值,则计算所述像素点的第二邻域范围内的灰度值平均值,将所述灰度值平均值作为所述去噪图像中与所述像素点在相同位置的像素点的输出灰度值,其中所述第二邻域的大小为预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181277.3A CN104778669B (zh) | 2015-04-16 | 2015-04-16 | 快速图像去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181277.3A CN104778669B (zh) | 2015-04-16 | 2015-04-16 | 快速图像去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778669A true CN104778669A (zh) | 2015-07-15 |
CN104778669B CN104778669B (zh) | 2017-12-26 |
Family
ID=53620117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510181277.3A Expired - Fee Related CN104778669B (zh) | 2015-04-16 | 2015-04-16 | 快速图像去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778669B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017028742A1 (zh) * | 2015-08-17 | 2017-02-23 | 比亚迪股份有限公司 | 图像去噪***及图像去噪方法 |
CN106683108A (zh) * | 2016-12-07 | 2017-05-17 | 乐视控股(北京)有限公司 | 确定视频帧中平坦区域的方法、装置及电子设备 |
CN108460733A (zh) * | 2018-01-31 | 2018-08-28 | 北京大学深圳研究生院 | 一种逐步精细化的图像去噪方法及*** |
CN108830798A (zh) * | 2018-04-23 | 2018-11-16 | 西安电子科技大学 | 一种基于传播滤波器改进的图像去噪方法 |
CN110298858A (zh) * | 2019-07-01 | 2019-10-01 | 北京奇艺世纪科技有限公司 | 一种图像裁剪方法及装置 |
CN110324617A (zh) * | 2019-05-16 | 2019-10-11 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN112118367A (zh) * | 2019-06-20 | 2020-12-22 | 瑞昱半导体股份有限公司 | 影像调整方法以及相关的影像处理电路 |
CN112700375A (zh) * | 2019-10-22 | 2021-04-23 | 杭州三坛医疗科技有限公司 | 一种光照补偿方法及装置 |
CN112950490A (zh) * | 2021-01-25 | 2021-06-11 | 宁波市鄞州区测绘院 | 一种无人机遥感测绘图像增强处理方法 |
CN113017699A (zh) * | 2019-10-18 | 2021-06-25 | 深圳北芯生命科技有限公司 | 用于对超声图像进行降噪的图像降噪方法 |
CN115908154A (zh) * | 2022-09-20 | 2023-04-04 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN118229538A (zh) * | 2024-05-22 | 2024-06-21 | 中国人民解放军空军军医大学 | 一种骨质量ct影像智能增强方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488802B (zh) * | 2020-03-16 | 2024-03-01 | 沈阳二一三电子科技有限公司 | 一种利用热成像的温度曲线合成算法及火灾预警*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298774A (zh) * | 2011-09-21 | 2011-12-28 | 西安电子科技大学 | 基于联合相似性的非局部均值去噪方法 |
-
2015
- 2015-04-16 CN CN201510181277.3A patent/CN104778669B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298774A (zh) * | 2011-09-21 | 2011-12-28 | 西安电子科技大学 | 基于联合相似性的非局部均值去噪方法 |
Non-Patent Citations (6)
Title |
---|
ANTONI BUADES等: "A non-local algorithm for image denoising", 《IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION & PATTERN RECOGNITION》 * |
MONA MAHMOUDI等: "Fast Image and Video Denoising via Nonlocal Means of Similar Neighborhoods", 《IEEE SIGNAL PROCESSING LETTERS》 * |
YAN-LI LIU等: "A Robust and Fast Non-Local Means Algorithm for Image Denoising", 《JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY》 * |
张权等: "医学图像的自适应非局部均值去噪算法", 《计算机工程》 * |
肖鹏等: "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》 * |
许光宇等: "自适应的有效非局部图像滤波", 《中国图象图形学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017028742A1 (zh) * | 2015-08-17 | 2017-02-23 | 比亚迪股份有限公司 | 图像去噪***及图像去噪方法 |
CN106683108A (zh) * | 2016-12-07 | 2017-05-17 | 乐视控股(北京)有限公司 | 确定视频帧中平坦区域的方法、装置及电子设备 |
CN108460733A (zh) * | 2018-01-31 | 2018-08-28 | 北京大学深圳研究生院 | 一种逐步精细化的图像去噪方法及*** |
CN108830798A (zh) * | 2018-04-23 | 2018-11-16 | 西安电子科技大学 | 一种基于传播滤波器改进的图像去噪方法 |
CN110324617B (zh) * | 2019-05-16 | 2022-01-11 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN110324617A (zh) * | 2019-05-16 | 2019-10-11 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN112118367A (zh) * | 2019-06-20 | 2020-12-22 | 瑞昱半导体股份有限公司 | 影像调整方法以及相关的影像处理电路 |
CN112118367B (zh) * | 2019-06-20 | 2023-05-02 | 瑞昱半导体股份有限公司 | 影像调整方法以及相关的影像处理电路 |
CN110298858A (zh) * | 2019-07-01 | 2019-10-01 | 北京奇艺世纪科技有限公司 | 一种图像裁剪方法及装置 |
CN110298858B (zh) * | 2019-07-01 | 2021-06-22 | 北京奇艺世纪科技有限公司 | 一种图像裁剪方法及装置 |
CN113017699A (zh) * | 2019-10-18 | 2021-06-25 | 深圳北芯生命科技有限公司 | 用于对超声图像进行降噪的图像降噪方法 |
CN113057676A (zh) * | 2019-10-18 | 2021-07-02 | 深圳北芯生命科技有限公司 | Ivus***的图像降噪方法 |
CN112700375A (zh) * | 2019-10-22 | 2021-04-23 | 杭州三坛医疗科技有限公司 | 一种光照补偿方法及装置 |
CN112950490A (zh) * | 2021-01-25 | 2021-06-11 | 宁波市鄞州区测绘院 | 一种无人机遥感测绘图像增强处理方法 |
CN112950490B (zh) * | 2021-01-25 | 2022-07-19 | 宁波市鄞州区测绘院 | 一种无人机遥感测绘图像增强处理方法 |
CN115908154A (zh) * | 2022-09-20 | 2023-04-04 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN115908154B (zh) * | 2022-09-20 | 2023-09-29 | 盐城众拓视觉创意有限公司 | 基于图像处理的视频后期颗粒噪声去除方法 |
CN118229538A (zh) * | 2024-05-22 | 2024-06-21 | 中国人民解放军空军军医大学 | 一种骨质量ct影像智能增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104778669B (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778669A (zh) | 快速图像去噪方法及装置 | |
US9754356B2 (en) | Method and system for processing an input image based on a guidance image and weights determined thereform | |
Eigen et al. | Restoring an image taken through a window covered with dirt or rain | |
CN105740876B (zh) | 一种图像预处理方法及装置 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
US20200265216A1 (en) | Three dimensional (3d) object detection | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和***及介质 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN101853497A (zh) | 一种图像增强方法和装置 | |
CN104272347A (zh) | 去除包含在静止图像中的雾的图像处理装置及其方法 | |
Zhu et al. | Fast single image dehazing through edge-guided interpolated filter | |
Pattanaik et al. | Enhancement of license plate recognition performance using Xception with Mish activation function | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、***及设备 | |
Kumari et al. | Real time visibility enhancement for single image haze removal | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
Nguyen et al. | UnfairGAN: An enhanced generative adversarial network for raindrop removal from a single image | |
Kumar et al. | Intelligent model to image enrichment for strong night-vision surveillance cameras in future generation | |
Trongtirakul et al. | Transmission map optimization for single image dehazing | |
CN104580826A (zh) | 一种增强图像锐度的视频信号处理方法 | |
CN111914749A (zh) | 基于神经网络的车道线识别方法及其*** | |
JP7264428B2 (ja) | 道路標識認識装置及びそのプログラム | |
CN115984806A (zh) | 道路标线破损动态检测*** | |
CN114663302A (zh) | 图像锐化方法、电子设备、存储介质及计算机程序产品 | |
Roy et al. | Qualitative evaluation of visibility enhancement techniques on SAMEER-TU database for security and surveillance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |