CN107123094A - 一种混合泊松、高斯和脉冲噪声的视频去噪方法 - Google Patents
一种混合泊松、高斯和脉冲噪声的视频去噪方法 Download PDFInfo
- Publication number
- CN107123094A CN107123094A CN201710179189.9A CN201710179189A CN107123094A CN 107123094 A CN107123094 A CN 107123094A CN 201710179189 A CN201710179189 A CN 201710179189A CN 107123094 A CN107123094 A CN 107123094A
- Authority
- CN
- China
- Prior art keywords
- block
- mrow
- noise
- video
- denoising
- 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 46
- 238000002156 mixing Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 34
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 16
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种混合泊松、高斯和脉冲噪声的视频去噪方法，涉及图像处理领域，包括：首先将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块；然后构造泊松‑高斯混合噪声先验，建立泊松、高斯和脉冲混合噪声环境下的视频去噪模型；最后采用优化算法求解去噪模型，获得去噪后的清晰图像块，并在此基础上生成去噪后的清晰视频图像。本方法不同于传统视频去噪方法只针对某种类型的噪声，本方法针对混合泊松、高斯和脉冲噪声的视频去噪，能够更好地解决实际噪声环境下的视频去噪问题，而且与传统的视频去噪算法相比能够获得更高质量的视频去噪图像。
Description
技术领域：
本发明主要涉及到图像与视频信息处理领域，特指一种混合泊松、高斯和脉冲噪声的视频去噪方法。
背景技术：
尽管数码相机和数字传感器在近年来获得了飞速发展，但在信息获取和传输过程中，视频数据经常受到多种噪声的影响。视频信号中的噪声会引起视觉效果上的不适感，并且会影响一些后续的视频处理算法的性能，包括特征提取、目标检测和运动跟踪等[1]。因此，视频去噪仍然是一个活跃的研究方向，并且随着网络相机和手机相机的大量使用而体现出更重要的意义。为了从噪声污染和降质的视频数据中恢复出原始信息，很多学者设计了多种视频去噪算法用来解决这一问题[2-4]。由于数码相机的高采集率，视频数据的质量往往低于静态的单幅图像数据，其质量问题包括低信噪比和低分辨率等。同时，视频数据相比于静态图像数据而言具有更高的时空冗余度，能比静态图像数据提供更丰富的场景信息。因此对降质视频的复原算法效果，在很大程度上取决于这种时空冗余度能否被有效利用，以及能够挖掘到什么程度。
在现实的成像***中，除了能够近似成高斯白噪声的***内部产生噪声之外，还存在着泊松和脉冲噪声，其中泊松噪声体现光子计数上的波动性[5]，脉冲噪声则体现传感器信号的采集和传输误差。传统视频去噪算法主要处理单一类型噪声，对于混合噪声去噪效果往往不理想。尽管泊松、高斯与脉冲混合噪声的处理在实际环境中具有重要意义，但在该类混合噪声视频去噪算法方面的研究仍然非常有限。
本发明提供一种混合泊松、高斯和脉冲噪声的视频去噪方法，能够更合理地对该种混合噪声进行建模和处理，对于该种混合噪声能够取得比现有方法更理想的去噪效果，对于泊松、高斯和脉冲混合噪声环境下的视频去噪具有重要的理论和实践意义。
[1]A.Bovik,Handbook of Image and Video Processing,Academic Press,SanDiego,CA,2000.
[2]K.Dabov,A.Foi,and K.Egiazarian,Video denoising by sparse 3-Dtransform-domain collaborative filtering,IEEE trans.Eur.Signal Process.Conf.,Poznan,Poland,1257-1260,Sep.2007.
[3]Maggioni M,Boracchi G,Foi A,et al.Video denoising,deblocking,andenhancement through separable 4-d nonlocal spatiotemporal transforms.IEEETransactions on image processing,2012,21(9):3952-3966.
[4]Hui Ji,Sibin Huang,Zuowei Shen,and Yuhong Xu,Robust VideoRestoration by Joint Sparse and Low Rank Matrix Approximation,SIAM J.IMAGINGSCIENCES,4(4),pp.1122-1142,2011.
[5]D.L.Snyder,A.M.Hammoud,and R.L.White.Image recovery from dataacquired with a charge-coupled-device camera.J.Opt.Soc.Am.A,10(1983),1014-1023.
[6]Z.Shen,K.-C.Toh,and S.Yun,An accelerated proximal gradientalgorithm for frame-based image restoration via the balanced approach,SIAMJ.Imaging Sci.,4(2011),573-596.
发明内容：
本发明针对传统视频去噪算法主要处理单一类型噪声、而对于混合噪声去噪效果不理想的问题，公开一种混合泊松、高斯和脉冲噪声的视频去噪方法。
为解决上述技术问题，本发明提出的技术方案是：
一种混合泊松、高斯和脉冲噪声的视频去噪方法，其特征在于：
步骤一：将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块。将噪声视频每一帧图像划分为图像块的具体方法是：
对于噪声视频帧序列{I1,I2,…,In}(n为噪声视频帧数)，将每一帧图像划分为s×s像素大小的图像块，图像块之间重叠区域宽度为wo个像素。对于每一个图像块P，通过块匹配方法在噪声视频帧序列中搜索相似图像块，并在每一帧中获取m个相似图像块；对于每个相似图像块，将其所有列依次连接形成一个列向量，则所有相似块的列向量集合为：{di}(i＝1,2,…,mn)。在此基础上，用所有相似块列向量构成观测块矩阵其中D的每一列都是一个相似块列向量，Rh×w表示行数为h、列数为w的实数矩阵集合。
所述步骤一中的图像块匹配方法，包括但不限于基于图像块向量之间欧式距离进行图像块匹配的方法；
步骤二：构造泊松-高斯混合噪声先验；其具体形式是：
其中，F(A,E,Z)表示泊松-高斯混合噪声先验；A为清晰块列向量构成的块矩阵，A的每一列为前述相似块对应的清晰块列向量；E表示块匹配误差块矩阵，E的每一列为前述相似块对应的匹配误差列向量；Z表示脉冲噪声矩阵，Z的每一列为前述相似块对应的脉冲噪声向量；D表示相似块列向量构成的观测块矩阵；max(X)表示矩阵X的最大元素，除法运算和平方根运算为矩阵逐元素进行；σ为混合泊松、高斯和泊松噪声中，高斯噪声部分的标准差。且N的所有元素都为1。
步骤三：构造建立在混合泊松、高斯和脉冲噪声环境下的视频去噪模型；具体形式为：
求解使得目标函数值达到最小的去噪块矩阵A、误差块矩阵E和脉冲噪声矩阵Z：
其中，A为清晰块列向量构成的块矩阵，E表示块匹配误差块矩阵，Z表示脉冲噪声矩阵，F(A,E,Z)表示泊松-高斯混合噪声先验，||·||*，||·||1和||·||F分别为矩阵核范数、l1范数和Frobenius范数,λ，μ和η为常数系数。求解出清晰图像块矩阵A之后，把A的列向量重新变换为s×s图像块，得到相似图像块对应的清晰图像块；
步骤四：采用优化算法求解去噪模型，获得去噪后的清晰图像块；求解清晰图像块的优化算法，包括但不仅限于现有算法Accelerated Proximal Gradient(APG)。
步骤五：将去噪后的清晰图像块合并生成清晰视频图像。其具体方法是：
对于第k帧(k＝1,2,…,n)清晰视频图像，设包含像素pk(x,y)的清晰图像块集合为{b1,b2,…,bv}。其中，x,y分别为该像素在视频图像中的行数和列数，pk(x,y)为(x,y)处的像素点，v为包含像素pk(x,y)的图像块个数，{b1,b2,…,bv}表示包含像素pk(x,y)的清晰图像块集合。则像素pk(x,y)的灰度值为：
其中，I(pk(x,y))为像素pk(x,y)的灰度值，为bj(j＝1,2,…,v)中像素pk(x,y)对应的灰度值，v为包含像素pk(x,y)的图像块个数。
本发明的有益效果：(1)考虑了泊松、高斯和脉冲三种噪声混合的情况，并合理地对混合模型进行建模。相对比现有方法中仅考虑某种类型的噪声或少量混合噪声，本发明的模型跟接近真实的视频噪声情况。(2)本发明提出针对三种混合噪声的视频去噪方法，相对比现有混合去噪方法，本发明的最终去噪效果更佳明显，去噪视频质量更高。
附图说明：
图1为本发明所述方法的流程图；
图2为本发明与其他视频去噪方法的视觉效果对比图；图2中，第1行是清晰无噪声视频图像；第2行是加入泊松、高斯和脉冲噪声之后的噪声视频图像；第3行是VBM3D算法[2]去噪效果；第4行是VBM4D算法[3]去噪效果；第5行是RPCA算法[4]去噪效果；第6行是本方法去噪效果；
图3是不同噪声水平和实验测试视频情况下，本发明与其他视频去噪方法的PSNR指标对比结果。
具体实施方式：
下面结合附图1，对本发明进行详细描述：
本实施例提供的一种混合泊松、高斯和脉冲噪声的视频去噪方法，包括如下步骤：
步骤一：将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块。将噪声视频每一帧图像划分为图像块的具体方法是：
对于噪声视频帧序列{I1,I2,…,In}(n为噪声视频帧数)，将每一帧图像划分为s×s像素大小的图像块，图像块之间重叠区域宽度为wo个像素。对于每一个图像块P，通过块匹配方法在噪声视频帧序列中搜索相似图像块，并在每一帧中获取m个相似图像块；对于每个相似图像块，将其所有列依次连接形成一个列向量，则所有相似块的列向量集合为：{di}(i＝1,2,…,mn)。在此基础上，用所有相似块列向量构成观测块矩阵其中D的每一列都是一个相似块列向量，Rh×w表示行数为h、列数为w的实数矩阵集合。
所述步骤一中的图像块匹配方法，包括但不限于基于图像块向量之间欧式距离进行图像块匹配的方法；
步骤二：构造泊松-高斯混合噪声先验；其具体形式是：
其中，F(A,E,Z)表示泊松-高斯混合噪声先验；A为清晰块列向量构成的块矩阵，A的每一列为前述相似块对应的清晰块列向量；E表示块匹配误差块矩阵，E的每一列为前述相似块对应的匹配误差列向量；Z表示脉冲噪声矩阵，Z的每一列为前述相似块对应的脉冲噪声向量；D表示相似块列向量构成的观测块矩阵；max(X)表示矩阵X的最大元素，除法运算和平方根运算为矩阵逐元素进行；σ为混合泊松、高斯和泊松噪声中，高斯噪声部分的标准差。且N的所有元素都为1。
步骤三：构造建立在混合泊松、高斯和脉冲噪声环境下的视频去噪模型；具体形式为：
求解使得目标函数值达到最小的去噪块矩阵A、误差块矩阵E和脉冲噪声矩阵Z：
其中，A为清晰块列向量构成的块矩阵，E表示块匹配误差块矩阵，Z表示脉冲噪声矩阵，F(A,E,Z)表示泊松-高斯混合噪声先验，||·||*，||·||1和||·||F分别为矩阵核范数、l1范数和Frobenius范数,λ，μ和η为常数系数。求解出清晰图像块矩阵A之后，把A的列向量重新变换为s×s图像块，得到相似图像块对应的清晰图像块；
步骤四：采用优化算法求解去噪模型，获得去噪后的清晰图像块；求解清晰图像块的优化算法，包括但不仅限于现有算法Accelerated Proximal Gradient(APG)。
步骤五：将去噪后的清晰图像块合并生成清晰视频图像。其具体方法是：
对于第k帧(k＝1,2,…,n)清晰视频图像，设包含像素pk(x,y)的清晰图像块集合为{b1,b2,…,bv}。其中，x,y分别为该像素在视频图像中的行数和列数，pk(x,y)为(x,y)处的像素点，v为包含像素pk(x,y)的图像块个数，{b1,b2,…,bv}表示包含像素pk(x,y)的清晰图像块集合。则像素pk(x,y)的灰度值为：
其中，I(pk(x,y))为像素pk(x,y)的灰度值，为bj(j＝1,2,…,v)中像素pk(x,y)对应的灰度值，v为包含像素pk(x,y)的图像块个数。
在具体操作中，采用bus，coastguard，flower，missa和salesman视频序列[4]进行实验评估。在清晰视频帧图像上添加泊松噪声、高斯噪声和服从[0-255]均匀分布的脉冲噪声，然后对噪声视频帧进行去噪，检验本方法效果，并与目前广泛应用的视频去噪算法：VBM3D[2]、VBM4D[3]和RPCA[4]进行比较。其中，去噪后视觉效果比较如图2所示(高斯噪声标准差为σ＝20，脉冲噪声比例为r＝0.1)，由左至右分别为：清晰无噪声视频图像；加入泊松、高斯和脉冲噪声之后的噪声视频图像；VBM3D算法去噪效果；VBM4D算法去噪效果；RPCA算法去噪效果；本方法去噪效果。去噪后PSNR指标比较如图3所示，其中高斯噪声标准差σ为20-40，脉冲噪声比例r为10％-30％。通过对比可以看出，本方法与目前主流的几种视频去噪方法相比能够取得更理想的混合噪声去噪效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程。以上内容所描述的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (1)
1.一种混合泊松、高斯和脉冲噪声的视频去噪方法，其特征在于包括以下步骤：
步骤一：将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块；
将噪声视频每一帧图像划分为图像块的具体方法是：
对于噪声视频帧序列{I1,I2,…,In}(n为噪声视频帧数)，将每一帧图像划分为s×s像素大小的图像块，图像块之间重叠区域宽度为wo个像素。对于每一个图像块P，通过块匹配方法在噪声视频帧序列中搜索相似图像块，并在每一帧中获取m个相似图像块；对于每个相似图像块，将其所有列依次连接形成一个列向量，则所有相似块的列向量集合为：{di}(i＝1,2,…,mn)。在此基础上，用所有相似块列向量构成观测块矩阵其中D的每一列都是一个相似块列向量，Rh×w表示行数为h、列数为w的实数矩阵集合；
所述步骤一中的图像块匹配方法，包括但不限于基于图像块向量之间欧式距离进行图像块匹配的方法；
步骤二：构造泊松-高斯混合噪声先验；其具体形式是：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>E</mi>
<mo>,</mo>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>-</mo>
<mi>A</mi>
<mo>-</mo>
<mi>E</mi>
<mo>-</mo>
<mi>Z</mi>
<mo>)</mo>
<mi>max</mi>
<mo>(</mo>
<msqrt>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>E</mi>
<mo>+</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mi>N</mi>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>E</mi>
<mo>+</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mi>N</mi>
</mrow>
</msqrt>
</mfrac>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，F(A,E,Z)表示泊松-高斯混合噪声先验；A为清晰块列向量构成的块矩阵，A的每一列为前述相似块对应的清晰块列向量；E表示块匹配误差块矩阵，E的每一列为前述相似块对应的匹配误差列向量；Z表示脉冲噪声矩阵，Z的每一列为前述相似块对应的脉冲噪声向量；D表示相似块列向量构成的观测块矩阵；max(X)表示矩阵X的最大元素，除法运算和平方根运算为矩阵逐元素进行；σ为混合泊松、高斯和泊松噪声中，高斯噪声部分的标准差。且N的所有元素都为1；
步骤三：构造建立在混合泊松、高斯和脉冲噪声环境下的视频去噪模型；具体形式为：
求解使得目标函数值达到最小的去噪块矩阵A、误差块矩阵E和脉冲噪声矩阵Z：
<mrow>
<munder>
<mi>min</mi>
<mrow>
<mi>A</mi>
<mo>,</mo>
<mi>E</mi>
<mo>,</mo>
<mi>Z</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mo>*</mo>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>E</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>+</mo>
<mi>&mu;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&eta;</mi>
</mrow>
</mfrac>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>E</mi>
<mo>,</mo>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，A为清晰块列向量构成的块矩阵，E表示块匹配误差块矩阵，Z表示脉冲噪声矩阵，F(A,E,Z)表示泊松-高斯混合噪声先验，||·||*，||·||1和||·||F分别为矩阵核范数、范数和Frobenius范数,λ，μ和η为常数系数。求解出清晰图像块矩阵A之后，把A的列向量重新变换为s×s图像块，得到相似图像块对应的清晰图像块；
步骤四：采用优化算法求解去噪模型，获得去噪后的清晰图像块；求解清晰图像块的优化算法，包括但不仅限于现有算法Accelerated Proximal Gradient(APG)；
步骤五：将去噪后的清晰图像块合并生成清晰视频图像，具体方法是：
对于第k帧(k＝1,2,…,n)清晰视频图像，设包含像素pk(x,y)的清晰图像块集合为{b1,b2,…,bv}。其中，x,y分别为该像素在视频图像中的行数和列数，pk(x,y)为(x,y)处的像素点，v为包含像素pk(x,y)的图像块个数，{b1,b2,…,bv}表示包含像素pk(x,y)的清晰图像块集合。则像素pk(x,y)的灰度值为：
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>v</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>v</mi>
</munderover>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，I(pk(x,y))为像素pk(x,y)的灰度值，为bj(j＝1,2,…,v)中像素pk(x,y)对应的灰度值，v为包含像素pk(x,y)的图像块个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710179189.9A CN107123094B (zh) | 2017-03-23 | 2017-03-23 | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710179189.9A CN107123094B (zh) | 2017-03-23 | 2017-03-23 | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107123094A true CN107123094A (zh) | 2017-09-01 |
| CN107123094B CN107123094B (zh) | 2020-07-17 |
Family
ID=59718122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710179189.9A Active CN107123094B (zh) | 2017-03-23 | 2017-03-23 | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107123094B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108499117A (zh) * | 2018-04-11 | 2018-09-07 | 李�杰 | 可推动式吊篮秋千 |
| CN108596863A (zh) * | 2018-06-11 | 2018-09-28 | 深圳市唯特视科技有限公司 | 一种基于最佳线性预测的泊松图像去噪方法 |
| CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪*** |
| CN108955699A (zh) * | 2018-07-21 | 2018-12-07 | 许晓山 | 一种车载导航*** |
| CN109903254A (zh) * | 2019-03-04 | 2019-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于泊松核改进的双边滤波方法 |
| CN111667428A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 基于自动搜索的噪声生成方法和装置 |
| CN112954136A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 抑制航空斜视远距离成像遥感图像散粒噪声的方法及装置 |
| CN113139914A (zh) * | 2021-03-16 | 2021-07-20 | 哈尔滨工业大学（深圳） | 图像去噪方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090324117A1 (en) * | 2008-06-27 | 2009-12-31 | Microsoft Corporation | Image denoising techniques |
| CN103136732A (zh) * | 2013-02-19 | 2013-06-05 | 北京工业大学 | 一种基于矩阵填充的图像去噪方法 |
| CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
| CN106331433A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
-
2017
- 2017-03-23 CN CN201710179189.9A patent/CN107123094B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090324117A1 (en) * | 2008-06-27 | 2009-12-31 | Microsoft Corporation | Image denoising techniques |
| CN103136732A (zh) * | 2013-02-19 | 2013-06-05 | 北京工业大学 | 一种基于矩阵填充的图像去噪方法 |
| CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
| CN106331433A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| HUIJI，ET AL: "《Robust video denoising using low rank matrix completion》", 《COMPUTER VISION & PATTERN RECOGNITION》 * |
| 周宏潮，等: "《混合泊松高斯分布模型的参数估计》", 《中国空间科学技术》 * |
| 王圳萍，等: "《加权低秩矩阵恢复的混合噪声图像去噪》", 《计算机科学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108499117A (zh) * | 2018-04-11 | 2018-09-07 | 李�杰 | 可推动式吊篮秋千 |
| CN108499117B (zh) * | 2018-04-11 | 2019-10-18 | 浦江县神力链条有限公司 | 可推动式吊篮秋千 |
| CN108596863A (zh) * | 2018-06-11 | 2018-09-28 | 深圳市唯特视科技有限公司 | 一种基于最佳线性预测的泊松图像去噪方法 |
| CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪*** |
| CN108955699A (zh) * | 2018-07-21 | 2018-12-07 | 许晓山 | 一种车载导航*** |
| CN108955699B (zh) * | 2018-07-21 | 2022-05-27 | 深圳市安则为科技有限公司 | 一种车载导航*** |
| CN109903254B (zh) * | 2019-03-04 | 2020-08-18 | 中国科学院长春光学精密机械与物理研究所 | 基于泊松核改进的双边滤波方法 |
| CN109903254A (zh) * | 2019-03-04 | 2019-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于泊松核改进的双边滤波方法 |
| CN111667428A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 基于自动搜索的噪声生成方法和装置 |
| CN111667428B (zh) * | 2020-06-05 | 2024-07-23 | 上饶市纯白数字科技有限公司 | 基于自动搜索的噪声生成方法和装置 |
| CN112954136A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 抑制航空斜视远距离成像遥感图像散粒噪声的方法及装置 |
| CN113139914A (zh) * | 2021-03-16 | 2021-07-20 | 哈尔滨工业大学（深圳） | 图像去噪方法、装置、电子设备及存储介质 |
| CN113139914B (zh) * | 2021-03-16 | 2023-02-17 | 哈尔滨工业大学（深圳） | 图像去噪方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107123094B (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107123094A (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
| CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
| US20220044375A1 (en) | Saliency Map Enhancement-Based Infrared and Visible Light Fusion Method | |
| CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
| CN112767251B (zh) | 基于多尺度细节特征融合神经网络的图像超分辨率方法 | |
| Zhang et al. | Image compressive sensing recovery via collaborative sparsity | |
| CN105976318A (zh) | 一种图像超分辨率重建方法 | |
| CN103455988B (zh) | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 | |
| CN109523470A (zh) | 一种深度图像超分辨率重建方法及*** | |
| CN106920220A (zh) | 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法 | |
| CN105046672A (zh) | 一种图像超分辨率重建方法 | |
| CN106485671A (zh) | 基于边缘的多方向加权tv和自相似性约束图像去模糊方法 | |
| CN110060286B (zh) | 一种单目深度估计方法 | |
| CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
| CN103595981A (zh) | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 | |
| CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
| CN103268482B (zh) | 一种低复杂度的手势提取和手势深度获取方法 | |
| Zheng et al. | Single-image deraining via recurrent residual multiscale networks | |
| CN112634163A (zh) | 基于改进型循环生成对抗网络去图像运动模糊方法 | |
| CN105427243A (zh) | 基于自适应插值核学习的视频超分辨率重建方法 | |
| CN104036468A (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
| CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
| CN116563916A (zh) | 基于注意力融合的循环人脸超分辨率方法及*** | |
| CN102222321A (zh) | 一种视频序列盲重建方法 | |
| Nugroho et al. | Improvement Of Image Quality Using Convolutional Neural Networks Method |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230419 Address after: 519000 room 501b, building 6, No. 19, Yongtian Road, Xiangzhou District, Zhuhai City, Guangdong Province Patentee after: Guangdong Boke Electronic Technology Co.,Ltd. Address before: Room 302, Zone B, Building 1, Innovation Center, Science and Technology Innovation Zone, Mianyang City, Sichuan Province, 621000 Patentee before: SICHUAN JINGMU TECHNOLOGY CO.,LTD. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A video denoising method using a mixture of Poisson, Gaussian, and impulse noise Effective date of registration: 20231018 Granted publication date: 20200717 Pledgee: Agricultural Bank of China Limited Zhongshan Tanzhou sub branch Pledgor: Guangdong Boke Electronic Technology Co.,Ltd. Registration number: Y2023980061590 |