CN107085833B - 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 - Google Patents
基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 Download PDFInfo
- Publication number
- CN107085833B CN107085833B CN201710241062.5A CN201710241062A CN107085833B CN 107085833 B CN107085833 B CN 107085833B CN 201710241062 A CN201710241062 A CN 201710241062A CN 107085833 B CN107085833 B CN 107085833B
- Authority
- CN
- China
- Prior art keywords
- value
- noise
- pixel
- gradient
- remote sensing
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 239000006002 Pepper Substances 0.000 claims abstract description 25
- 238000002156 mixing Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000005192 partition Methods 0.000 abstract description 5
- 238000004321 preservation Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，步骤1：获取无人机遥感图像；步骤2：选取大小为n×n的模板，求出模板中心点与模板内其余(n×n‑1)像素点之间的梯度值并保存；步骤3：将步骤2中所得到的梯度值和阈值进行比较，判断该像素点是否由椒盐噪声或随机噪声所引起；步骤4：根据步骤3得出的结果，如果该像素点不是由椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理；如果该像素点是由椒盐噪声或随机噪声引起，则用自适应开关均中值融合算法进行滤波去噪处理；步骤5：通过步骤4得到滤波去噪后的无人机遥感图像。本发明克服了现有遥感图像滤波算法在面对多种类型分布噪声时适用范围的局限性。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于梯度倒数自适应开关均中值融合的遥感图像滤波方法。
背景技术
伴随着现代航天和无人机技术的飞速发展，遥感技术在近年来取得了突飞猛进的发展。无人机因其具有体型小巧，侦察方式灵活的优点得到广泛应用，其中，对无人机遥感图像的分析和研究已成为人们获取信息的主要途径之一。
然而，遥感图像在获取和传输的过程中，受传感器和大气等因素的影响不可避免的会引入噪声，为获得清晰的、高质量的遥感图像，对遥感图像进行滤波去噪处理是十分必要的。
在对无人机遥感图像进行滤波去噪时，传统的遥感图像滤波都是针对已经确定的类型噪声和受噪声干扰的程度进行选择合适的滤波去噪算法，这些算法在遥感图像去噪上虽然各有特点，并且能够取得不错的滤波效果，但是其适用范围有限，有一定的局限性，不能很好的满足无人机遥感图像的去噪要求。对于无人机遥感图像来说，由于飞行中易受姿态干扰、传感设备的固有特质、光学像差、传输过程中信号受干扰等原因的影响，因此一般不会只受单一噪声污染，往往图像中会存在多种类型分布的噪声，在分布有多种类型的噪声时，传统的遥感图像滤波算法就不能得到理想的去噪效果。
发明内容
本发明的目的在于提供一种基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，以克服上述现有技术存在的缺陷，本发明在一定程度上，克服了现有遥感图像滤波算法在面对多种类型分布噪声时适用范围的局限性。
为达到上述目的，本发明采用如下技术方案：
基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，包括以下步骤：
步骤1：获取无人机遥感图像；
步骤2：选取大小为n×n的模板，求出模板中心点与模板内其余(n×n-1)像素点之间的梯度值矩阵q并保存；
步骤3：将步骤2中所得到的梯度值和阈值进行比较，判断该像素点是否由椒盐噪声或随机噪声所引起；
步骤4：根据步骤3得出的结果，如果该像素点不是由椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理；如果该像素点是由椒盐噪声或随机噪声引起，则用自适应开关均中值融合算法进行滤波去噪处理；
步骤5：通过步骤4得到滤波去噪后的无人机遥感图像。
进一步地，步骤2中模板中心点为(x,y)，模板中心点的灰度值为f(x,y)，分别求出f(x,y)与模板其余(n×n-1)个像素点之间的梯度值。
进一步地，步骤3中设定阈值T＝f(x,y)×10％，若至少存在一个像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|≤T，则判断像素点(x,y)不是椒盐噪声或随机噪声所引起；若所有像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|＞T，则判断像素点(x,y)是由椒盐噪声或随机噪声所引起。
进一步地，步骤4中当该像素点不是由椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理，具体为：
针对n×n的模板，步骤2得到的矩阵q为：
通过矩阵q得到权值矩阵w：
若f(x+j,y+j)＝f(x,y),则梯度值为0，规定中心元素w(x,y)＝0.5，其余n*n-1个加权元素之和为0.5，使w各元素总和等于1，于是有：
其中，i，j＝-1、0或1，但i，j不同时为0；
最后，在每一个像素处将模板元素和它所对应的权值对应相乘，再求和即得到该像素点采用梯度倒数平滑后的输出g(x,y)。
进一步地，步骤4中该像素点是由椒盐噪声或随机噪声引起，则用自适应开关均中值融合算法进行滤波去噪处理，具体为：
自适应开关均中值融合算法，采用双阈值进行切换，实现开关均值滤波和开关中值滤波的融合处理，用数学公式表示如下：
其中，σ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度偏移值；μ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度差值；f(x,y)为横坐标为x，纵坐标为y的点的灰度值；median(x,y)为横坐标为x，纵坐标为y的点的邻域中灰度值的中值；mean(x,y)为横坐标为x，纵坐标为y的点的邻域灰度平均值；g(x,y)为经过开关均中值滤波去噪之后的横坐标为x，纵坐标为y的点的灰度值；在双阈值中，θ为开关中值的阈值；λ为开关均值的阈值。
进一步地，双阈值取值过程中，开关中值的阈值θ为梯度矩阵q中的梯度值的中值M，即M＝medium(q)，自适应开关均值的阈值λ取为500×M。
与现有技术相比，本发明具有以下有益的技术效果：
本发明方法在一定程度上，克服了现有遥感图像滤波算法在面对多种类型分布噪声时适用范围的局限性。本发明将梯度倒数算法和自适应开关均中值融合算法相结合，这样就结合了两种算法各自的优点，不仅具有保留图像边缘和细节信息的优点，而且针对不同类型的分布噪声，比如椒盐噪声和脉冲噪声等就会自适应的选择自适应中值或者均值滤波算法，适用范围得到一定程度的提升。另外，传统的中值和均值滤波算法采用固定阈值，这样就会因为阈值的固定，对每一个子块都采用同一标准进行滤波处理，会导致一些受噪声污染程度较高和受噪声污染程度过低的子块实现过去噪或者去噪不足现象的发生。而本发明方法采用的是自适应阈值，即该阈值会随着该子块受到噪声污染程度的高低进行自适应的改变，这就避免了因为采用固定阈值而导致的过去噪或者去噪不足现象的发生。同时，该方法能够兼顾噪声抑制和细节保护两方面的性能。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法与其它滤波算法对无人机遥感图像滤波去噪效果对比，其中，(a)为无人机遥感图像，(b)为加噪后图像，(c)开关均值滤波，(d)开关中值滤波，(e)开关均中值融合滤波，(f)自适应开关均中值融合滤波，(g)梯度倒数自适应开关均中值融合加权滤波。
具体实施方式
下面结合附图对本发明作进一步详细描述：
参见图1和图2，传统的遥感图像滤波都是针对已经确定的类型噪声进行选择合适的滤波去噪算法，适用范围得到一定的限制。针对上述不足，为了实现无人机遥感图像更加有效的去噪处理，本发明提出一种梯度倒数自适应开关均中值融合加权的无人机遥感图像滤波算法，该算法不仅取得了很好的滤波效果，而且该算法的适用范围较传统滤波算法得到一定程度的提升。具体思路是，首先通过和阈值的比较，判断该点是否被椒盐噪声或者脉冲噪声所污染。然后，若判断出没有被污染，则对未被椒盐噪声或脉冲噪声污染的点进行梯度倒数平滑滤波；若判断出是被椒盐噪声或脉冲噪声所污染，紧接着再通过和自适应均中值的阈值比较，选择合适的自适应中值或均值算法。该过程中，滤波模板在整个含噪图像上移动实现遍历。具体步骤如下：
步骤1、获得无人机遥感图像：利用无人机图像采集设备，获得要处理的遥感图像，在进行加噪处理后转为灰度图，等待下一步处理。
步骤2、选取大小为n*n的模板，求出模板中心点与模板内其余(n*n-1)像素点之间的梯度值的绝对值并保存在g矩阵中；
步骤3、通过和阈值的比较，判断当前像素点是否被椒盐噪声或者脉冲噪声所污染？
以n*n模板为例，令中心点(x,y)的灰度值为f(x,y)，分别求出f(x,y)与模板其余(n×n-1)个像素之间的梯度值，并设定阈值T＝f(x,y)×10％。若至少存在一个像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|≤T，则判断点(x,y)不是椒盐噪声或随机噪声所引起；若所有像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|＞T，则判断点(x,y)就是椒盐噪声或随机噪声所引起，根据周围像素点和模板中心像素的梯度值来判断模板中心点是否由噪声引起；当我们用模板对整幅图像实现遍历以后，也即把所有的噪声点已经检测出来。
步骤4.1、根据步骤3得出的结果，如果判断不是椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理；具体过程如下：
首先，以n*n模板为例，步骤2中得出的矩阵q如下：
然后，由q矩阵我们可以得到权值矩阵w，
若f(x+j,y+j)＝f(x,y),则梯度为0，规定中心元素w(x,y)＝0.5，其余八个加权元素之和为0.5，使w各元素总和等于1。于是有：(i，j＝-1，0，1，但i，j不同时为0)。
最后，在每一个像素处将模板元素和它所对应的权值对应相乘，再求和就是该像素点采用梯度倒数平滑后的输出g(x,y)，即n*n模板像素和权值矩阵w对应相乘，再求和，结果作为模板中心像素点的输出值。
步骤4.2：根据步骤3得出的结果，如果判断是椒盐噪声或随机噪声所引起，则用自适应开关均中值融合算法进行滤波去噪处理，输出g(x,y)；具体过程如下：
自适应开关中—均值融合滤波用数学公式表示如下：
其中，σ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度偏移值；μ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度差值；f(x,y)为横坐标为x，纵坐标为y的点的灰度值；median(x,y)为横坐标为x，纵坐标为y的点的邻域中灰度值的中值；mean(x,y)为横坐标为x，纵坐标为y的点的邻域灰度平均值；g(x,y)为经过开关均中值滤波去噪之后的横坐标为x，纵坐标为y的点的灰度值；θ为开关中值的阈值；λ为开关均值的阈值；θ选取为梯度矩阵q中的梯度值的中值M，(其中，M为矩阵q的中值，即M＝medium(q))，自适应开关均值的阈值λ选取为500*M。
在第一种情况下，能满足这种条件的像素点，无论是开关中值还是开关均值滤波都认为它不是噪声，并且不对该像素点的灰度进行改变。
在第二种情况下，满足这种条件的像素点，开关均值滤波认为它不是噪声，但开关中值滤波认为它是噪声，所以开关中—均值融合滤波认为其是噪声，并用开关中值滤波对其进行处理。
在第三种情况下，满足这种条件的像素点，开关中值滤波认为它不是噪声，但开关均值认为它是噪声，所以开关中—均值融合滤波认为其是噪声，并用开关均值滤波对其进行处理。
在第四种情况下，满足这种条件的像素点，无论是开关中值滤波还是开关均值滤波都认为它是噪声。所以在开关中—均值融合滤波中也认为其是噪声，又因为满足这种条件的像素点，其邻域像素点中灰度值的偏差肯定较大，如用开关均值滤波去噪误差会较大，所以在这种情况下用开关中值滤波对像素点进行去噪。
在开关均中值滤波中，如果阈值λ和阈值θ取到最大的话，g(x,y)就完全等于f(x,y)，即没有对图像进行任何处理；如果阈值λ和阈值θ都取为零时，g(x,y)就与median(x,y)完全相等，即对原图像进行了中值滤波；如果阈值λ取到最大，阈值θ为零的话，g(x,y)就与median(x,y)完全相等即对原图像进行了中值滤波；如果阈值θ取到最大，阈值λ为零的话，g(x,y)就与mean(i,j)完全相等，即对原图像进行了均值滤波，所以阈值的选择是算法性能及效果的决定因素，不同的阈值选择有可能会得到相差很大的结果。而发明算法所采用的自适应阈值在一定程度上避免了或者缓解这一情况的出现。
步骤5、得到滤波去噪后的无人机遥感图像g(x,y)。
本发明方法将梯度倒数加权算法和自适应开关均中值融合算法相结合，提出了一种梯度倒数自适应开关均中值融合加权的无人机遥感图像滤波算法，该算法不仅具备了梯度倒数在去噪同时，保留图像边缘和细节信息的优点，而且具备了开关均中值融合滤波算法对椒盐噪声、脉冲噪声、等不同类型分布噪声具有理想去噪效果的优点。而且该自适应开关均中值融合算法中采用的是自适应阈值，该阈值会随着该子块受到噪声污染的程度自适应的选择合适的阈值，能够兼顾噪声抑制和细节保护两方面的性能。
由图2中图(e)和图(f)的对比可知，自适应均中值滤波算法所取得的滤波效果明显好于开关均中值滤波算；由表1可知，后者的各项评价指标明显好于前者，尤其是平均梯度、PSNR、MSE指标更为明显。由表1可知，本发明方法的各项评价指标又明显好于自适应均中值滤波算法，这表明本发明方法取得了更好的滤波效果，不仅保留了梯度倒数加权算法对保留图像边缘和细节信息的优点，而且具备了开关均中值融合滤波算法对椒盐噪声、脉冲噪声等不同类型分布噪声具有理想去噪效果的优点。
表1不同算法结果比较
Claims (5)
1.基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，其特征在于，包括以下步骤：
步骤1：获取无人机遥感图像；
步骤2：选取大小为n×n的模板，求出模板中心点与模板内其余(n×n-1)像素点之间的梯度值矩阵q并保存；
步骤3：将步骤2中所得到的梯度值和阈值进行比较，判断该像素点是否由椒盐噪声或随机噪声所引起；
步骤4：根据步骤3得出的结果，如果该像素点不是由椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理；如果该像素点是由椒盐噪声或随机噪声引起，则用自适应开关均中值融合算法进行滤波去噪处理；
自适应开关均中值融合算法，采用双阈值进行切换，实现开关均值滤波和开关中值滤波的融合处理，用数学公式表示如下：
其中，σ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度偏移值；μ(x,y)为图像中横坐标为x，纵坐标为y的点的灰度差值；f(x,y)为横坐标为x，纵坐标为y的点的灰度值；median(x,y)为横坐标为x，纵坐标为y的点的邻域中灰度值的中值；mean(x,y)为横坐标为x，纵坐标为y的点的邻域灰度平均值；g(x,y)为经过开关均中值滤波去噪之后的横坐标为x，纵坐标为y的点的灰度值；在双阈值中，θ为开关中值的阈值；λ为开关均值的阈值；
步骤5：通过步骤4得到滤波去噪后的无人机遥感图像。
2.根据权利要求1所述的基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，其特征在于，步骤2中模板中心点为(x,y)，模板中心点的灰度值为f(x,y)，分别求出f(x,y)与模板其余(n×n-1)个像素点之间的梯度值。
3.根据权利要求2所述的基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，其特征在于，步骤3中设定阈值T＝f(x,y)×10％，若至少存在一个像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|≤T，则判断像素点(x,y)不是椒盐噪声或随机噪声所引起；若所有像素点(x+i,y+j)，使得|f(x+i,y+j)-f(x,y)|＞T，则判断像素点(x,y)是由椒盐噪声或随机噪声所引起。
4.根据权利要求1所述的基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，其特征在于，步骤4中当该像素点不是由椒盐噪声或随机噪声引起，用梯度倒数加权算法进行平滑处理，具体为：
针对n×n的模板，步骤2得到的矩阵q为：
通过矩阵q得到权值矩阵w：
若f(x+j,y+j)＝f(x,y),则梯度值为0，规定中心元素w(x,y)＝0.5，其余n*n-1个加权元素之和为0.5，使w各元素总和等于1，于是有：
其中，i，j＝-1、0或1，但i，j不同时为0；
最后，在每一个像素处将模板元素和它所对应的权值对应相乘，再求和即得到该像素点采用梯度倒数平滑后的输出g(x,y)。
5.根据权利要求1所述的基于梯度倒数自适应开关均中值融合的遥感图像滤波方法，其特征在于，双阈值取值过程中，开关中值的阈值θ为梯度矩阵q中的梯度值的中值M，即M＝medium(q)，自适应开关均值的阈值λ取为500×M。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710241062.5A CN107085833B (zh) | 2017-04-13 | 2017-04-13 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710241062.5A CN107085833B (zh) | 2017-04-13 | 2017-04-13 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107085833A CN107085833A (zh) | 2017-08-22 |
| CN107085833B true CN107085833B (zh) | 2019-07-16 |
Family
ID=59611669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710241062.5A Active CN107085833B (zh) | 2017-04-13 | 2017-04-13 | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107085833B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146816B (zh) * | 2018-08-22 | 2020-08-04 | 浙江大华技术股份有限公司 | 一种图像滤波方法、装置、电子设备和存储介质 |
| CN109859133B (zh) * | 2019-01-30 | 2022-08-02 | 南京邮电大学 | 一种中值滤波图像去噪方法 |
| CN110163868B (zh) * | 2019-04-17 | 2023-03-28 | 安阳师范学院 | 一种遥感图像分割方法 |
| CN110111273B (zh) * | 2019-04-25 | 2021-02-12 | 四川轻化工大学 | 一种图像的修复方法 |
| CN111179201B (zh) * | 2019-12-31 | 2023-04-11 | 广州市百果园信息技术有限公司 | 一种视频去噪方法和电子设备 |
| CN112200735A (zh) * | 2020-09-18 | 2021-01-08 | 安徽理工大学 | 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧***的控制方法 |
| CN113379629A (zh) * | 2021-06-08 | 2021-09-10 | 深圳思谋信息科技有限公司 | 卫星图像去噪方法、装置、计算机设备和存储介质 |
| CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093443A (zh) * | 2012-12-26 | 2013-05-08 | 南京信息工程大学 | 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法 |
| CN104899842A (zh) * | 2015-06-29 | 2015-09-09 | 济南大学 | 用于远距离线结构光图像的排序自适应极值中值滤波方法 |
-
2017
- 2017-04-13 CN CN201710241062.5A patent/CN107085833B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093443A (zh) * | 2012-12-26 | 2013-05-08 | 南京信息工程大学 | 基于ga-bp神经网络的图像椒盐噪声自适应滤波方法 |
| CN104899842A (zh) * | 2015-06-29 | 2015-09-09 | 济南大学 | 用于远距离线结构光图像的排序自适应极值中值滤波方法 |
Non-Patent Citations (2)
| Title |
|---|
| "一种去除椒盐噪声的自适应开关中值滤波算法";乔坤等;《计算机应用与软件》;20111015;第28卷(第10期);摘要 |
| "梯度倒数加权平滑算法的改进与实现";魏丹等;《计算机应用研究》;20050310(第3期);第1部分，第2.2节 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107085833A (zh) | 2017-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107085833B (zh) | 基于梯度倒数自适应开关均中值融合的遥感图像滤波方法 | |
| Ma et al. | Contrast limited adaptive histogram equalization-based fusion in YIQ and HSI color spaces for underwater image enhancement | |
| CN106355561B (zh) | 基于噪点先验约束的全变分图像去噪方法 | |
| CN101427560B (zh) | 可重新配置的自校准视频降噪器 | |
| US8744206B2 (en) | Image processing apparatus, image processing method, and program | |
| CN105046677B (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
| Liu et al. | Contrast enhancement using non-overlapped sub-blocks and local histogram projection | |
| CN105096280A (zh) | 处理图像噪声的方法及装置 | |
| TR201810171T4 (tr) | Bir girdi görüntüsündeki halka şeklinde artefaktları en aza indirmek için yöntem ve aparat. | |
| CN105913404A (zh) | 基于帧累积的低照度成像方法 | |
| CN105205792A (zh) | 一种基于亮度色度分离的水下图像增强方法 | |
| KR20110108918A (ko) | 부호화된 영상의 확대비 및 노이즈 강도 추정장치 및 방법 | |
| CN104767913B (zh) | 一种对比度自适应的视频去噪*** | |
| KR20100084458A (ko) | 컬러 필터 어레이의 패턴 특성을 이용한 이미지 보간 방법 및 장치 | |
| CN1383673A (zh) | 对图象序列的噪声滤除 | |
| WO2008119228A1 (en) | Low complexity color de-noising filter | |
| CN110351453A (zh) | 一种计算机视频数据处理方法 | |
| CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| Mohapatra et al. | Histogram equalization and noise removal process for enhancement of image | |
| Ponomaryov et al. | Fuzzy color video filtering technique for sequences corrupted by additive Gaussian noise | |
| Cai et al. | Saturation-based adaptive inverse gradient interpolation for Bayer pattern images | |
| Luo et al. | Infrared Image Enhancement Algorithm based on Weighted Guided Filtering | |
| EP1342367A2 (en) | Spatial smoothing process and device for dark regions of an image | |
| CN110009575A (zh) | 基于稀疏表示的红外图像条带噪声抑制方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Huang He Inventor after: Du Jingjing Inventor after: Yuan Dongliang Inventor after: Huo Zixuan Inventor after: Du Yongzhe Inventor after: Song Jing Inventor after: Guo Lu Inventor after: Xu Zhe Inventor after: Wang Guiping Inventor after: Wang Ping Inventor after: Sheng Guangfeng Inventor after: Huang Ying Inventor after: Hui Xiaobin Inventor before: Huang He Inventor before: Du Jingjing Inventor before: Huo Zixuan Inventor before: Yuan Dongliang Inventor before: Du Yongzhe Inventor before: Wang Guiping Inventor before: Wang Ping Inventor before: Xu Zhe Inventor before: Guo Lu Inventor before: Sheng Guangfeng Inventor before: Song Jing Inventor before: Huang Ying Inventor before: Hui Xiaobin |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210202 Address after: 210012-015, 7th floor, building 11, yunmi City, No.19, ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province Patentee after: Zhilian cloud big data technology Nanjing Co.,Ltd. Address before: 710064 Shaanxi province Xi'an Beilin District South Second Ring Road No. 33 in the middle Patentee before: CHANG'AN University |
|
| TR01 | Transfer of patent right |