CN107085838B - 全息图噪声的去除方法及装置 - Google Patents
全息图噪声的去除方法及装置 Download PDFInfo
- Publication number
- CN107085838B CN107085838B CN201710408021.0A CN201710408021A CN107085838B CN 107085838 B CN107085838 B CN 107085838B CN 201710408021 A CN201710408021 A CN 201710408021A CN 107085838 B CN107085838 B CN 107085838B
- Authority
- CN
- China
- Prior art keywords
- hologram
- image
- denoising
- noise
- preset
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- GGCZERPQGJTIQP-UHFFFAOYSA-N sodium;9,10-dioxoanthracene-2-sulfonic acid Chemical compound [Na+].C1=CC=C2C(=O)C3=CC(S(=O)(=O)O)=CC=C3C(=O)C2=C1 GGCZERPQGJTIQP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Holo Graphy (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全息图噪声的去除方法及装置,涉及图像处理领域,主要目的用于解决现有对全息图中的噪声直接使用滤波对全息图再现象会破坏图像中的细节信息,使得图像的质量下降的问题。技术方案包括:获取待处理全息图,所述全息图为含有散斑噪声的全息图;根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;对去噪后的全息图进行预设再现处理,得到全息图的再现象;根据预设滤波算法对所述再现象滤波去噪。主要用于全息图噪声的去除。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种全息图噪声的去除方法及装置。
背景技术
全息术是一种能够同时记录物光波前的全部信息,如包括振幅和相位信息的技术手段,而随着计算机技术的发展,使用光学传感器CCD代替银盐干板,从而得到数字化的全息图,然后将得到的全息图的数据储存在计算机之中,计算机会根据光波衍射的模型对全息图进行再现,实现数字全息。数字全息成像分为光学记录和数值再现两个过程,数值再现过程是由计算机模拟光学全息的再现过程,通过数值计算,获得像光波场的复振幅分布,将所得强度分布及位相分布在显示器上显示出来,即可得到样本的形态结构图像(即再现像)。在数字全息图的采集、存储、处理、传输、显示等过程中往往会产生不同程度的失真,比如不同类型的噪声污染,从而对其质量产生影响。如散斑噪声,这些噪声会影响图像的质量,并且降低信噪比。
目前,现有的对全息图中的噪声去除的方法是使用滤波去除噪声,但是,直接使用滤波对全息图再现象会破坏图像中的细节信息,使得图像的质量下降。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种全息图噪声的去除方法及装置。
借由上述技术方案,本发明提供的一种全息图噪声的去除方法,包括:
获取待处理全息图,所述全息图为含有散斑噪声的全息图;
根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;
对去噪后的全息图进行预设再现处理,得到全息图的再现象;
根据预设滤波算法对所述再现象滤波去噪。
借由上述技术方案,本发明提供的一种全息图噪声的去除装置,包括:
获取单元,用于获取待处理全息图,所述全息图为含有散斑噪声的全息图;
第一去噪单元,用于根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;
处理单元,用于对去噪后的全息图进行预设再现处理,得到全息图的再现象;
第二去噪单元,用于根据预设滤波算法对所述再现象滤波去噪。
本发明实施例提供的一种全息图噪声的去除方法及装置,首先获取待处理全息图,所述全息图为含有散斑噪声的全息图,再根据具有图像去噪功能的神经网络方法对所述全息图进行去噪,然后对去噪后的全息图进行预设再现处理,得到全息图的再现象,最后根据预设滤波算法对所述再现象滤波去噪,与现有的对全息图中的噪声去除的方法是使用滤波去除噪声相比,本发明实施例通过采用神经网络首先对全息图去噪,然后对去噪后的全息图进行再现象,再对再现象进行滤波去噪,实现二次去噪,得到较高的峰值信噪比,改善含噪全息图再现像的视觉效果,提高去除全息图噪声的效率,提高图像的质量。上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了发明实施例提供的一种全息图噪声的去除方法的流程图;
图2示出了发明实施例提供的另一种全息图噪声的去除方法的流程图;
图3示出了发明实施例提供的一种全息图噪声的去除装置的方框图;
图4示出了发明实施例提供的另一种全息图噪声的去除装置的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种全息图噪声的去除方法,如图1所示,所述方法包括:
101、获取待处理全息图。
其中,所述全息图为含有散斑噪声的全息图,所述全息图是由CCD光学传感器代替银盐干板进行拍摄,从而转化为数字化的全息图,并可以存储在计算机中,以便根据光波衍射的模型对全息图进行再现。所述散斑噪声的产生是由于高相关性的激光在物体表面反射并相干叠加,在全息图上形成颗粒状的噪声。
需要说明的是,由于数字全息图不同于一般的图像,很对使用数字图像方法进行图像复原的算法不能直接应用于全息图中,因此需要使用适用于对数字全息图可以进行处理的方法。例如,可以使用博奇编码方式获取图像的全息图。
102、根据具有图像去噪功能的神经网络方法对所述全息图进行去噪。
其中,所述具有图像去噪功能的神经网络方法可以采用脉冲耦合神经网络PCNN,用于有效的去除图像高频部分的噪声,并保留去除图像边缘部分。
需要说明的是,PCNN作为第三代人工神经网络,主要用于图像处理中的图像去噪、图像分割、图像增强,且由于PCNN是一种连续域的网络模型,由若干个神经元互联形成的反馈型神经网络构成的一个复杂的非线性动态***。
103、对去噪后的全息图进行预设再现处理,得到全息图的再现象。
其中,所述预设再现象处理用于对全息图进行再现象处理,具体方法可以为对全息图进行离散傅里叶反变换,得到全息图的再现象。
需要说明的是,由于将图像转变为全息图的方法为将实际物体的照片作为物光抽样得到离散化的物函数,然后进行离散傅里叶变换得到傅里叶变换谱,编码后得到全息图,所以得到全息图的再现象的方法是对全息图进行离散傅里叶反变换。
104、根据预设滤波算法对所述再现象滤波去噪。
其中,由于散斑噪声为乘性噪声,所以所述预设滤波算法为用于去除乘性噪声的滤波算法,可以为Lee滤波。Lee滤波是一种空间域滤波方法,会根据给定窗口内图像的统计特性来调整滤波的结果,因此可以极大的提高去除噪声的效果。
需要说明的是,Lee滤波需要考虑乘性噪声的基础上使得均方误差最小,因此在选取均方误差时,一般会将散斑噪声的理论方式一起考虑进去。
本发明实施例提供的一种全息图噪声的去除方法,与现有的对全息图中的噪声去除的方法是使用滤波去除噪声相比,本发明实施例通过采用神经网络首先对全息图去噪,然后对去噪后的全息图进行再现象,再对再现象进行滤波去噪,实现二次去噪,得到较高的峰值信噪比,改善含噪全息图再现像的视觉效果,提高去除全息图噪声的效率,提高图像的质量。
本发明实施例提供另一种全息图噪声的去除方法,如图2所示,所述方法包括:
201、根据预设散斑噪声参数,生成待处理图像的全息图。
其中,为了在生成的全息图中可以清晰的展现含噪的全息图再现象,在生成全息图时,需要设置预设散斑噪声参数,如散斑噪声的强度,所述预设散斑噪声参数可以有技术人员在编辑程序时进行设定,本发明实施例不做具体限定。例如,预设散斑噪声强度可以为0.01。另外,在生成全息图之前还可以对利用CDD相机拍取的图片进行灰度处理。
对于本发明实施例,步骤201具体可以包括:提取待处理图像抽样化后的物函数,对所述物函数进行离散傅里叶变换,得到傅里叶变换谱,通过预设的全息图编码方式及根据预设散斑噪声参数确定的散斑噪声对所述傅里叶变换谱进行编码,得到待处理图像的全息图。
其中,所述预设的全息图编码方式用于将离散傅里叶变换后的傅里叶变换谱编码为数字全息图,可以为博奇编码,本发明实施例不做具体限定,所述物函数为对图像数据进行抽样化而得到的,以便于进行离散傅里叶变换,从而得到数字全息图。
202、获取待处理全息图。
本步骤与图1所示的步骤101方法相同,在此不再赘述。
203、根据具有图像去噪功能的神经网络方法对所述全息图进行去噪。
本步骤与图1所示的步骤102方法相同,在此不再赘述。
204、对去噪后的全息图进行预设再现处理,得到全息图的再现象。
本步骤与图1所示的步骤103方法相同,在此不再赘述。
205、根据预设滤波算法对所述再现象滤波去噪。
本步骤与图1所示的步骤104方法相同,在此不再赘述。
206、解析去噪后的再现象的质量指标参数,根据所述质量指标参数调整所述具有图像去噪功能的神经网络方法及所述预设滤波算法中的参数。
其中,所述质量指标参数包括峰值信噪比、等效视数、散斑指数,所述神经网络方法的参数为利用计算机软件进行数据仿真时,如MATLAB,神经网络模型中的参数,具体可以由技术人员进行设置,本发明实施例不做具体限定。所述预设滤波算法中的参数为Lee滤波器进行滤波时的参数,具体可以由技术人员进行设置,本发明实施例不做具体限定。通过解析去噪后的再现象的质量指标参数,实现去噪后的质量评估。
需要说明的是,解析质量指标参数为分别对决定峰值信噪比、等效视数、散斑指数的各种参数进行识别,例如,峰值信噪比可以很好的评价图像中噪声的剧烈程度,数学式(1)表示如下:
PSNR=10log10(2552/MSE) (1);
其中,MSE表示图像的均方误差,峰值信噪比越大,图像的噪声越小。等效视数是衡量图像的平滑程度的客观指标,数学式(2)表示如下:
其中,μ和σ分别为整幅图像的均值和标准偏差,等效视数越大,图像越平滑。散斑指数衡量了图像中散斑噪声的剧烈程度,数学式(3)表示如下:
其中,N表示了图像的大小,σ(i,j)和μ(i,j)为窗口中元素灰度值的标准差和平均值,散斑指数越小,图像越清晰。
207、将调整后的参数标记为去除全息图噪声的默认参数。
对于本发明实施例,以便再次去除全息图噪声时,直接采用所述默认参数进行去噪。所述标记可以为符号标记,也可以为记忆标记,本发明实施例不做具体限定。为了确保每次去噪都可以达到最好的去噪效果,将调整后的参数标记为默认参数,实现以最优参数进行去噪。
例如,在对峰值信噪比、等效视数、散斑指数进行解析后,可以确定出质量最好的峰值信噪比、等效视数、散斑指数中的参数分别为a、b、c,并标记为默认的参数,在进行下一次的去噪时,直接利用a、b、c进行去噪。
对于本发明实施例,具体的应用场景可以如下所示,但不限于此,包括:利用CCD相机拍取一张苹果的图片,生成苹果图像的全息图,利用PCNN神经网络进行第一次去噪后,进行再现处理,得到全息图的再现象,利用Lee滤波器对苹果图像的再现象进行二次滤波去噪,最后得到去噪后的再现象。
本发明实施例提供的另一种全息图噪声的去除方法,本发明实施例通过根据预设散斑噪声参数生成全息图,然后采用PCNN神经网络对全息图去噪,然后对去噪后的全息图进行再现象,再对再现象进行滤波去噪,实现二次去噪,并解析去噪后的再现象的质量指标参数,得到最优去噪方法的参数,以便再次去噪时,直接使用最优参数,实现较高的峰值信噪比,改善含噪全息图再现像的视觉效果,提高去除全息图噪声的效率,提高图像的质量。
进一步地,作为图1所示方法的具体实现,本发明实施例提供一种全息图噪声的去除装置,如图3所示,所述装置可以包括:获取单元31、第一去噪单元32、处理单元33、第二去噪单元34。
获取单元31,用于获取待处理全息图,所述全息图为含有散斑噪声的全息图;所述获取单元31为全息图噪声的去除装置执行获取待处理全息图的功能模块。
第一去噪单元32,用于根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;所述第一去噪单元32为全息图噪声的去除装置执行根据具有图像去噪功能的神经网络方法对所述全息图进行去噪的功能模块。
处理单元33,用于对去噪后的全息图进行预设再现处理,得到全息图的再现象;所述处理单元33为全息图噪声的去除装置执行对去噪后的全息图进行预设再现处理,得到全息图的再现象的功能模块。
第二去噪单元34,用于根据预设滤波算法对所述再现象滤波去噪。所述第二去噪单元34为全息图噪声的去除装置执行根据预设滤波算法对所述再现象滤波去噪的功能模块。本发明实施例提供的一种全息图噪声的去除装置,与现有的对全息图中的噪声去除的方法是使用滤波去除噪声相比,本发明实施例通过采用神经网络首先对全息图去噪,然后对去噪后的全息图进行再现象,再对再现象进行滤波去噪,实现二次去噪,得到较高的峰值信噪比,改善含噪全息图再现像的视觉效果,提高去除全息图噪声的效率,提高图像的质量。
该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
进一步地,作为图2所示方法的具体实现,本发明实施例提供另一种全息图噪声的去除装置,如图4所示,所述装置可以包括:获取单元41、第一去噪单元42、处理单元43、第二去噪单元44、生成单元45、解析单元46、标记单元47。
获取单元41,用于获取待处理全息图,所述全息图为含有散斑噪声的全息图;
第一去噪单元42,用于根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;
处理单元43,用于对去噪后的全息图进行预设再现处理,得到全息图的再现象;
第二去噪单元44,用于根据预设滤波算法对所述再现象滤波去噪。
进一步地,为了为了在生成的全息图中可以清晰的展现含噪的全息图再现象,在生成全息图时,需要设置预设散斑噪声参数,所述装置还包括:
生成单元45,用于根据预设散斑噪声参数,生成待处理图像的全息图。
进一步地,为了便于进行离散傅里叶变换,从而得到数字全息图,所述生成单元45包括:
提取模块4501,用于提取待处理图像抽样化后的物函数;
变换模块4502,用于对所述物函数进行离散傅里叶变换,得到傅里叶变换谱;
编码模块4503,用于通过预设的全息图编码方式及根据预设散斑噪声参数确定的散斑噪声对所述傅里叶变换谱进行编码,得到待处理图像的全息图。
进一步地,为了去噪后的质量评估,所述装置还包括:
解析单元46,用于解析去噪后的再现象的质量指标参数,根据所述质量指标参数调整所述具有图像去噪功能的神经网络方法及所述预设滤波算法中的参数。
进一步地,为了确保每次去噪都可以达到最好的去噪效果,将调整后的参数标记为默认参数,实现以最优参数进行去噪,所述装置还包括:
标记单元47,用于将调整后的参数标记为去除全息图噪声的默认参数,以便再次去除全息图噪声时,直接采用所述默认参数进行去噪。
该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明实施例提供的另一种全息图噪声的去除装置,本发明实施例通过根据预设散斑噪声参数生成全息图,然后采用PCNN神经网络对全息图去噪,然后对去噪后的全息图进行再现象,再对再现象进行滤波去噪,实现二次去噪,并解析去噪后的再现象的质量指标参数,得到最优去噪方法的参数,以便再次去噪时,直接使用最优参数,实现较高的峰值信噪比,改善含噪全息图再现像的视觉效果,提高去除全息图噪声的效率,提高图像的质量。
所述全息图噪声的去除装置包括处理器和存储器,上述获取单元、第一去噪单元、处理单元和第二去噪单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有对全息图中的噪声直接使用滤波对全息图再现象会破坏图像中的细节信息,使得图像的质量下降的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:获取待处理全息图,所述全息图为含有散斑噪声的全息图;根据具有图像去噪功能的神经网络方法对所述全息图进行去噪;对去噪后的全息图进行预设再现处理,得到全息图的再现象;根据预设滤波算法对所述再现象滤波去噪。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (2)
1.一种全息图噪声的去除方法,其特征在于,包括:
获取待处理全息图,所述全息图为含有散斑噪声的全息图;
根据具有图像去噪功能的神经网络方法对所述全息图进行去噪,所述具有图像去噪功能的神经网络方法为脉冲耦合神经网络PCNN,用于去除图像高频部分的噪声,并保留图像边缘部分;
对去噪后的全息图进行预设再现处理,得到全息图的再现象;
根据预设滤波算法对所述再现象滤波去噪;
所述获取待处理全息图之前,所述方法还包括:
根据预设散斑噪声参数,生成待处理图像的全息图;
所述根据预设散斑噪声参数,生成待处理图像的全息图包括:
提取待处理图像抽样化后的物函数;
对所述物函数进行离散傅里叶变换,得到傅里叶变换谱;
通过预设的全息图编码方式及根据预设散斑噪声参数确定的散斑噪声对所述傅里叶变换谱进行编码,得到待处理图像的全息图;
所述根据预设滤波算法对所述再现象滤波去噪之后,所述方法还包括:
解析去噪后的再现象的质量指标参数,根据所述质量指标参数调整所述具有图像去噪功能的神经网络方法及所述预设滤波算法中的参数;
将调整后的参数标记为去除全息图噪声的默认参数,以便再次去除全息图噪声时,直接采用所述默认参数进行去噪。
2.一种全息图噪声的去除装置,其特征在于,包括:
获取单元,用于获取待处理全息图,所述全息图为含有散斑噪声的全息图;
第一去噪单元,用于根据具有图像去噪功能的神经网络方法对所述全息图进行去噪,所述具有图像去噪功能的神经网络方法为脉冲耦合神经网络PCNN,用于去除图像高频部分的噪声,并保留图像边缘部分;
处理单元,用于对去噪后的全息图进行预设再现处理,得到全息图的再现象;
第二去噪单元,用于根据预设滤波算法对所述再现象滤波去噪;
所述装置还包括:
生成单元,用于根据预设散斑噪声参数,生成待处理图像的全息图;
所述生成单元包括:
提取模块,用于提取待处理图像抽样化后的物函数;
变换模块,用于对所述物函数进行离散傅里叶变换,得到傅里叶变换谱;
编码模块,用于通过预设的全息图编码方式及根据预设散斑噪声参数确定的散斑噪声对所述傅里叶变换谱进行编码,得到待处理图像的全息图;
所述装置还包括:
解析单元,用于解析去噪后的再现象的质量指标参数,根据所述质量指标参数调整所述具有图像去噪功能的神经网络方法及所述预设滤波算法中的参数;
标识单元,用于将调整后的参数标记为去除全息图噪声的默认参数,以便再次去除全息图噪声时,直接采用所述默认参数进行去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408021.0A CN107085838B (zh) | 2017-06-02 | 2017-06-02 | 全息图噪声的去除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408021.0A CN107085838B (zh) | 2017-06-02 | 2017-06-02 | 全息图噪声的去除方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107085838A CN107085838A (zh) | 2017-08-22 |
CN107085838B true CN107085838B (zh) | 2021-02-26 |
Family
ID=59609108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710408021.0A Expired - Fee Related CN107085838B (zh) | 2017-06-02 | 2017-06-02 | 全息图噪声的去除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085838B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267945B (zh) * | 2018-01-16 | 2019-08-09 | 电子科技大学 | 一种基于自组织映射神经网络的消除光学扫描全息离焦噪声的方法 |
CN108089425B (zh) * | 2018-01-16 | 2019-09-24 | 电子科技大学 | 一种基于深度学习的消除光学扫描全息离焦噪声的方法 |
CN109978782A (zh) * | 2019-03-18 | 2019-07-05 | 新疆大学 | 一种数字全息再现图像中散斑噪声的去除方法及装置 |
CN110097518B (zh) * | 2019-04-28 | 2022-12-27 | 东软医疗***股份有限公司 | 图像去噪方法、装置及终端设备 |
CN114384780B (zh) * | 2020-10-16 | 2024-02-09 | 深圳大学 | 透过散射介质成像的方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067026B (zh) * | 2016-05-30 | 2020-01-31 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
CN106228523A (zh) * | 2016-07-28 | 2016-12-14 | 新疆大学 | 一种提高含噪数字全息图再现质量的方法 |
-
2017
- 2017-06-02 CN CN201710408021.0A patent/CN107085838B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107085838A (zh) | 2017-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085838B (zh) | 全息图噪声的去除方法及装置 | |
CN107958235B (zh) | 一种人脸图像检测方法、装置、介质和电子设备 | |
Ma et al. | A wavelet-based dual-stream network for underwater image enhancement | |
Li et al. | Deep DIH: single-shot digital in-line holography reconstruction by deep learning | |
CN115640506B (zh) | 基于时频谱信号增强的磁粒子分布模型重建方法和*** | |
CN112529791B (zh) | 基于浮游生物数字全息图像的自适应性多焦点复原方法 | |
CN114677300A (zh) | 一种基于双阶段学习框架的高光谱图像深度降噪的方法及*** | |
CN110352387B (zh) | 用于通过多深度稀疏相位恢复重建全息无透镜图像的***和方法 | |
KR102190773B1 (ko) | 라이트필드 변환 기술과 딥러닝을 적용한 홀로그램 스페클 제거 방법 및 장치 | |
Madsen et al. | On-axis digital holographic microscopy: Current trends and algorithms | |
CN116523789A (zh) | 基于Unet卷积神经网络的物体全息环纹噪声消除方法 | |
CN112950731B (zh) | 一种单帧强背景干扰下的透散射介质成像方法 | |
CN114384780B (zh) | 透过散射介质成像的方法、装置、计算机设备和存储介质 | |
CN112288633B (zh) | 一种新型亚像素分辨率衍射成像方法 | |
Maycock et al. | Speckle reduction of reconstructions of digital holograms using three dimensional filtering | |
AKINTOYE et al. | COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT. | |
CN111176091A (zh) | 一种3d全息动物模型投影方法 | |
CN111722513B (zh) | 基于频率分解的全息显示方法、***、设备及存储介质 | |
Gavet et al. | Image Processing Tutorials with Python® | |
Proppe et al. | 3D-2D Neural Nets for Phase Retrieval in Noisy Interferometric Imaging | |
EP3318932B1 (en) | System and method for the removal of twin-image artifact in lens free imaging | |
Agrawal et al. | K-means clustering for adaptive wavelet based image denoising | |
CN118429448A (zh) | 一种基于双域均值回归扩散模型的单曝光压缩成像方法 | |
Papachary et al. | DLCNN Model with Multi-exposure Fusion for Underwater Image Enhancement | |
JP2024032496A (ja) | 学習装置、ノイズ低減装置、及びプログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |