CN110246089B - 基于非局域均值滤波的Bayer域图像降噪***及其方法 - Google Patents
基于非局域均值滤波的Bayer域图像降噪***及其方法 Download PDFInfo
- Publication number
- CN110246089B CN110246089B CN201810187236.9A CN201810187236A CN110246089B CN 110246089 B CN110246089 B CN 110246089B CN 201810187236 A CN201810187236 A CN 201810187236A CN 110246089 B CN110246089 B CN 110246089B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- value
- local mean
- image block
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 99
- 238000001914 filtration Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000006641 stabilisation Effects 0.000 claims abstract description 14
- 238000011105 stabilization Methods 0.000 claims abstract description 14
- 230000000087 stabilizing effect Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000001629 suppression Effects 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 11
- 229910003460 diamond Inorganic materials 0.000 claims description 6
- 239000010432 diamond Substances 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- QNRATNLHPGXHMA-XZHTYLCXSA-N (r)-(6-ethoxyquinolin-4-yl)-[(2s,4s,5r)-5-ethyl-1-azabicyclo[2.2.2]octan-2-yl]methanol;hydrochloride Chemical compound Cl.C([C@H]([C@H](C1)CC)C2)CN1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OCC)C=C21 QNRATNLHPGXHMA-XZHTYLCXSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000016776 visual perception 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
一基于非局域均值的Bayer域图像降噪的***及其方法，首先通过方差稳定化正变换将图像中的噪声转换为高斯噪声；并通过积分图快速计算像素点的统计值以便对其做出预判，对于通过相似度预判的参考点则进行相似度权重计算，并对其进行非局域均值滤波，并将通过非局域均值滤波的图像进行噪声补偿处理，最后通过方差稳定化变换获得降噪的图像。因此，通过该方法可以去除图像中的噪声并能很好的保持图像的纹理细节，使得图像看起来更加自然。
Description
技术领域
本发明涉及一图像处理技术，更进一步地，涉及一种基于非局域均值的Bayer域图像降噪***及其方法，直接应用于相机采集得到的原始RAW图，可有效去除图像获取和传输过程中产生的噪声。
背景技术
图像噪声是图像中不携带有效信息的部分。噪声对图像的破坏作用主要表现在以下两方面：一是影响主观视觉感受，降低了人们观看、理解和欣赏图像的能力。例如，电视上的雪花点和模糊的纸张打印效果。二是使图像的后续中高层研究及应用无法进行或者得出错误结论。
数字图像中的噪声主要来源于图像的获取过程和传输过程。在图像获取过程中，由于成像传感器自身质量的影响以及环境条件的作用，产生图像退化，使图像质量下降。在图像在传输过程中，传输信道中的干扰是造成图像污染主要因素。噪声形成的原因多种多样，而其本质特性也千差万别。按照图像与噪声间的相关性划分，图像噪声可分为加性噪声和乘性噪声。按照成因，又可将噪声划分为热噪声、闪烁噪声、发射噪声和有色噪声等。把噪声看作是一种随机变量，按照概率密度函数来对噪声进行分类，常见的噪声可以分为高斯噪声、脉冲噪声、均匀噪声、指数噪声、瑞丽噪声、伽马噪声等。
基于不同理论，如概率统计、偏微方程、线性与非线性滤波、频谱分析等，研究者们提出了大量图像降噪算法。这些算法大致可分为两类，即变换域降噪方法与空域降噪方法。
变换域降噪算法的基本思想是首先将图像从图像空间转换到变换域空间，然后在变换域空间中对图像进行去噪，最后将去噪后的图像再从变换域空间转换到图像空间。
一类最常用的变换空间是频域空间，在此空间内，图像的信息表现为不同频率分量的组合。在频域内对各频率的分析比较直观，只要抑制噪声所在频率范围内的能量，就可以改变输出图像的频率分布，达到去噪的目的。在频域和空间域之间的转换方法主要是傅立叶正、反变换。一些在图像空间域比较难以表达的噪声信号，可以通过变换到频域之后，分析其频谱特性，从而较为容易地描述、刻画和滤除。由于图像频谱是由全体像素共同构成，体现了图像的全局属性，如平均强度等，能较好地反映图像的整体的宏观特性。所以频域去噪算法对于具有全局统计规律的噪声的去噪效果较好。然而正是由于频域全局性，以及不能对单个像素进行处理，所造成去噪算法在操作上不直观，并且对图像的局部细节结构不能很好地加以刻画，而很多图像的特征正是体现在局部。这正是频域去噪算法的局限性。
另外一类变换域去噪算法是基于小波变换的算法，可以分为三种。第一种算法是基于小波变换模极大值原理去噪。由于信号和噪声的模极大值在小波变换中呈现不同的变化趋势，所以通过从小波变换模极大值中去除噪声产生的模极大值，然后用剩余的模极大值重构原信号，达到去噪的目的。第二种算法是根据信号和噪声的小波变化在各尺度上相关性的不同进行区分，从而达到去噪的目的。相关性去噪算法效果比较稳定，并且由于信号在边缘有较强的相关性，所以对图像边缘分析有一定优势。第三种算法是小波阈值去噪算法。由于信号对应的小波系数包含重要信息，所以幅值大数量少；而噪声的小波系数幅度小数量多，分布较为一致。基于这一思想，通过将小波系数中绝对值较小的置零，保留或收缩绝对值较大的系数，最后根据剩余的估计小波系数进行信号重构，达到去噪目的。小波变换相比于傅里叶变换多了一个频率的维度，可以对信号在频域进行更为细致的处理。但是通常小波变换的计算量较大，并且通常要求较大的滤波窗口，因此在实际应有中对软硬件资源的要求较高。
空域降噪方法是一类更为直接的降噪方法，通常假设原始图像局部光滑，从而通过求局部均值或加权均值来实现对当前像素的增强。早期的一些空域方法，如均值滤波器和高斯滤波器，在权值计算上只考虑空间位置，不考虑灰度大小，从而具有各向同性的缺陷，易产生过光滑现象，并导致降噪结果不能很好地保留图像的有用细节。针对这一问题，通过在权值计算过程中引入灰度值信息，一些细节保持能力较强的改进的空域滤波器被先后提出。这其中包括各向异性滤波器、Yaroslavsky滤波器、Susan滤波器、双边滤波器、三边滤波器等。尽管这些滤波器在细节保持方面的能力有所增强，它们在图像滤波方面仍有着共同缺陷：一是权值的获取是基于单像素的，当这些像素被噪声污染时，其权值获取的鲁棒性变差；二是这些滤波器的降噪结果中经常存在一些虚假纹理。
为了弥补上述局部空域滤波方法的不足，Buades等提出了非局域均值滤波(Non-LocalMeans,NLM)。与上述传统空域滤波相比，非局域均值滤波利用图像的周期性(自相似性)，从一个更大范围内(非局域)选取像素对当前像素进行加强。同时，非局域均值滤波中像素相似性权值的计算不再是基于单个像素点，而是基于相应的图像块。尽管非局域均值滤波的降噪思想十分朴素，其性能却十分优良，从而吸引了众多研究者的注意，非局域滤波器设计已成为图像降噪领域的研究热点。
经典的非局域均值滤波方法性能优良，但在实际应用中存在几个待改进的问题。一是非局域均值算法只对高斯噪声有效，而实际图像噪声并非简单的高斯噪声。二是非局域均值算法只适用于灰度图像或去马赛克之后的RGB图像，而在相机的图像处理流水线中，一般是在Bayer域进行降噪处理的。三是由于采用了图像块来计算像素相似性权值，非局域均值算法的运算复杂度相对于经典空域算法是非常大的。四是非局域均值算法在噪声去除和图像信息纹理保留之间难以取得良好的平衡，特别是对于图像中离散的强噪声，或者降噪强度太小而无法有效去除，或者降噪强度太大而同时去除了很多有效图像信息。
本发明正是基于以上背景，提出一种基于非局域均值的Bayer域图像降噪方法用于去除图像中的噪声，对于本发明关于一种基于非局域均值的Bayer域图像降噪方法的具体步骤和实施将在以下内容中详细介绍和描述。
发明内容
本发明的一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，对降噪去除的噪声进行抑制和回代，一方面有效抑制了强噪声，使得图像更均匀，另一方面噪声按比例回代也保留了更多的纹理细节，使图像看起来更自然。
本发明的另一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，其中，在标定噪声过程中，采用高斯-泊松噪声模型刻画RAW图中噪声，并使用方差稳定化正变换将噪声转换为高斯噪声。
本发明的另一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，其中，在不同通道上，采用不同形状的邻域图像块对像素点做非局域均值滤波处理。
本发明的另一个目的在于提供一基于非局域均值的Bayer域图像降噪***及其方法，其中，在对当前像素点和参考点做相似度计算时，如果像素点在R和B通道，则采用矩形块图像块，如果像素点在G通道，则采用菱形块图像块，这样充分利用了G通道的高分辨率，同时平衡了G通道中Gr像素和Gb像素的不平衡。
本发明的另一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，其中，利用积分图(summed square image)快速计算得到每个像素点邻域图像块的统计值，用于非局域均值降噪预判断，以跳过不相似的图像块的相似度权重计算，减少运算量，提高运算速率。
本发明的另一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，利用积分图可在一次计算过程中快速得到每个像素点邻域图像块的统计值，避免了相似度低的像素参与均值降噪，使降噪效果更好。
本发明的另一个目的在于提供一基于非局域均值滤波的Bayer域图像降噪***及其方法，其中，对非局域均值降噪滤出的噪声进行处理和回代，其中对于强噪声给予大的抑制系数，对于弱的噪声给予小的抑制系数，并且通过函数曲线控制使其相对大小关系不变，然后将噪声按照一定比例加回去噪后的图像，防止图像颜色改变。
依本发明的一个方面，本发明进一步提供一基于非局域均值滤波的Bayer域图像降噪的方法，其特征在于，包括以下步骤：
S10.分别在RAW图中的R、G、B通道内标定每个图像块中的中心像素点噪声值；
S20.利用方差稳定化正变换将图像中的噪声变换为高斯噪声，并获得降噪前的图像的像素值；
S30基于降噪前的像素值，通过非局域均值的Bayer域图像降噪去除图像内的高斯噪声，其具体步骤包括：
S32)分别在R、G、B通道内，计算每一当前像素点和参考点之间的相似度权重值；和
S33)基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声，并获得降噪后的图像的像素值；和
S40.对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值。
依本发明的另一个方面，本发明进一步提供一基于非局域均值滤波的Bayer域图像降噪的方法，其特征在于，包括步骤：
S10)分别在RAW图中的R、G、B通道标定噪声值；
S20)利用方差稳定化正变换将图像中的噪声变换为高斯噪声；
S30)通过非局域均值滤波的Bayer域图像降噪降低图像内的高斯噪声，其具体步骤包括：
S31)在R、G、B通道内，采用不同形状的邻域图像块计算每一当前像素点和参考点之间的相似度权重值；和
S32)基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声，并获得降噪后的图像的像素值；和
S40)对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值。
依本发明的另一个方面，本发明进一步提供一种基于非局域均值滤波的Bayer域图像降噪的***，其特征在于，包括：
一参数初始化模块，用于在RAW图中的R、G、B通道内标定噪声值；
一转换模块；其中，所述转换模块包括一正变换模块，其中所述正变换模块用于将图像的噪声转换为高斯噪声；
一降噪处理模块，其中，所述降噪处理模块包括一判断模块和一非局域均值滤波模块，其中，所述判断模块分别计算在R、G、B通道内每一当前像素点和参考点之间的相似度权重值；所述非局域均值滤波模块采用非局域均值滤波去除图像中的高斯噪声；和
一补偿模块，其中，所述补偿模块对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值，获得降噪后的图像。
附图说明
图1是根据本发明的一个优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的***的结构图。
图2是根据本发明的上述优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的***的相似度判断示意图。
图3是根据本发明的上述优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的***的RGB通道计算相似度的图像块形状示意图。
图4是根据本发明的上述优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的方法的***流程图。
图5是根据本发明的上述优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的方法针对非局域均值的Bayer域图像降噪去除图像内的高斯噪声的流程图。
图6是根据本发明的上述优选实施例的一种基于非局域均值滤波的Bayer域图像降噪的方法针对非局域均值的Bayer域图像降噪去除图像内的高斯噪声的流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或者两个以上。
在本发明的描述中，需要理解的是，属于“第一”、“第二”等仅用于描述目的，而不能理解为指示或者暗示相对重要性。本发明的描述中，需要说明的是，除非另有明确的规定和限定，属于“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或者一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以是通过媒介间接连结。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1至图4所示，显示了本发明的一种基于非局域均值的Bayer域图像降噪***，其中，所述基于非局域均值的Bayer域图像降噪***包括一参数初始化模块10，一转换模块20，一降噪处理模块30和一补偿模块40，其中所述参数初始化模块10，所述转换模块20、所述降噪处理模块30和所述补偿模块40之间互相可通信连接。
如图1所示，所述输入模块10用于读取RAW图像以进行降噪处理，RAW图是指未经加工的图像，可以理解为RAW图像就是CMOS或者CCD图像感应器将捕捉到的光源信号转化为数字信号的原始数据。所述输入模块10读取RAW图像是为了保证图像质量和图像的真实数据未被修改，保证后续的降噪处理可以稳定进行。
如图1至图3所示，所述参数初始化模块10电通信连接于所述输入模块10，接收来自所述输入模块10输入的RAW图像，用于读取RAW图像中的方差稳定变换(variancestabilizing transform，简称VST)参数，图片相关参以及控制降噪强度参数。其中，其中方差稳定化变换参数在算法外部，通过在不同相机ISO下拍摄色卡(比如标准24色卡)图片并进行标定获取。对每一档ISO下的色卡图片，噪声标定具体步骤是：
(1)对拍摄色卡得到的RAW图，分成R、G、B三个通道。
(2)对每个通道取图像上不同颜色的均匀的色块，每个色块的平均值作为中心像素点真值，也就是该点的信号大小，图像块内像素值的方差作为中心像素点噪声大小的平方，由此快速得到噪声方差-信号形状曲线。
(3)采用高斯-泊松噪声模型刻画RAW图中的噪声
其中σ2(y)为噪声方差，y为像素实际信号值，a、b为高斯泊松噪声参数。通过拟合噪声方差-信号形状曲线得到高斯-泊松噪声参数a、b。
值得一说的是，噪声标定是事先进行的，只需进行一次，之后每次拍摄图像，都是用先前标定的参数，进行滤波降噪，即得到处理好的图像。
所述变换模块30包括一正变换模块21和一逆变换模块22，其中，所述正变换模块21用于将信号相关的噪声转换为与信号无关的高斯噪声，其中，所述正变换模块21通过一方差稳定化正变换模型将信号相关的噪声转换为信号不相关的高斯噪声，并获得降噪前的图像像素值，所述方差稳定性正变换模型为：
其中y′为经过方差稳定化变换后的像素值，k为经过方差稳定化变换后噪声方差值，一般可设为1。
如图1所示，所述降噪处理模块30电连接于所述正变换模块21用于对通过所述方差稳定化正变换后的图像进行降噪处理，将经过方差稳定化变换后每个像素点区分R、G、B通道分别进行非局域均值滤波降噪处理。如图2所示，在非局域均值降噪过程中，最重要的是计算当前像素点p和参考点q之间的相似度，参考点q在像素点p的领域搜索区域B中查找。在本发明中，当前点p和参考点q之间的相似度通过一个相似度权重模型来衡量的。
如图1所示，所述降噪处理模块30包括一统计预判模块31，其中，所述统计预判模块31内置有一统计预判模型用于预判当前点p和参考点q之间的相似度，以便简化算法的复杂度。通常，对于一幅图像，如果每个像素点p都在其邻域搜索区域每个参考点q位置计算上述相似度权重，则算法复杂度是十分高的。因此，在所述统计预算模块中，利用积分图快速计算每个像素点领域图像块的统计值，统计值采用均值计算模型、方差计算模型和偏度计算模型进行统计，以进行图像块相似度的预判断。
在本发明中，所述均值计算模型为：
其中ui为邻域图像块内像素均值，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
所述方差计算模型为：
其中vi为邻域图像块内像素方差，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
所述偏度计算模型为：
其中ri为邻域图像块内像素方差，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
上述所述均值计算模型、方差计算模型以及偏度计算模型针对统计中的计算是一次性并且快速的。通过比较参考点q和像素点p之间的统计值，可以提前对其相似性做出预判，对于不相似的参考点q，则直接跳过相似度权重模型计算，以便简化计算的复杂度。因此，通过统计预判模块31，不仅加快了计算速度，也避免了相似度低的像素参与均值降噪，使得降噪效果更好。
对通过所述统计预判模块31提前对参考点q和像素点p之间的相似性预判的参考点q，通过所述降噪处理模块30的一判断模块32来计算参考点q和像素点p之间的相似度，其中，所述判断模块32通过内置有所述相似度权重模型计算器相似度，该相似度权重模型为：
其中w(p,q)为像素点p和参考点q之间的相似度权重；k为方差稳定化变换后噪声值；θ为可调节的降噪强度控制系数；d2为像素点p和参考点q邻域图像块之间的欧式距离。d2的计算函数为：
其中P表示像素点p、参考点q的领域图像块；N为图像块中像素点数。
此外，对于本发明来说，所述判断模块可以直接对像素点p、参考点q通过所述相似度权重模型计算。
值得一说的是，在本发明中，如图3所示，R、G通道采用和G通道不一样的图像块形状做相似度计算，具体来说，如果像素点p属于R或者B通道，则采用矩形图像块做相似度计算。如果像素点p属于G通道，则采用菱形图像块做相似度计算，这样充分利用了G通道的高分辨率，同时平衡了G通道中Gr显示和Gb像素的不平衡。换句话说，如果当前像素点属于R通道或者B通道，则邻域图像块为矩形图像块；如果当前像素点属于G通道，则邻域图像块为菱形图像块。
如图1所示，所述降噪处理模块30进一步还包括一非局域均值滤波模块33，其中，所述非局域均值滤波模块33电连接于所述判断模块32用于去除图像中的高斯噪声，并获得降噪后的图像的像素值。具体来说，所述非局域均值滤波模块33将所述判断模块32通过所述相似度权重模型计算出的w(p,q)为像素点p和参考点q之间的相似度权重输入到所述非局域均值滤波模块33内的一非局域均值滤波像素值模型中，该非局域均值滤波像素值模型为
其中，
为p点经过非局域均值滤波后的值，y′q为p点领域搜索区域B内像素点q的值，w(p,q)为p点和q点之间的相似度权重，Cp为归一化系数
由于R、G通道采用和G通道不一样的图像块形状做相似度计算，其中，像素点p属于R或者B通道，则采用矩形图像块做相似度计算；像素点p属于G通道，则采用菱形图像块做相似度计算，因此，在所述非局域均值滤波模块33内，采用非局域均值滤波像素值模型计算
时，也是区分R、G、B通道来计算，进而可以得到在不同通道内的
值。为了方便后续对图像的降噪处理，在通过所述非局域均值滤波模块33分别在R、G、B通道滤波后。
如图1所示，所述基于非局域均值的Bayer域图像降噪***进一步包括一补偿模块40，其中，所述补偿模块40电连接于所述降噪处理模块30，对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值，这样一方面有效抑制了强噪声，使得图像更均匀。另一方面噪声按比例回代也保留了更多的纹理细节，使图像看起来更自然。
所述补偿模块40是通过将去噪前的像素值减去经过所述非局域均值滤波模块33的所述非局域均值滤波模型降噪后的像素值，以便得到去除的噪声值，
其中，所述k′为降噪前后去除的图像的噪声值，
为降噪后的图像的像素值，y′为降噪前的图像的像素值。
在对去除的噪声值k′再次进行处理操作，其中，对于强噪声给予大的噪声抑制系数，对于弱的噪声给予小的噪声抑制系数，并且通过函数曲线控制使其相对大小关系不变，抑制模型为：
其中，α1、α2、α3为噪声抑制系数，0<α3<α2<α1<1,k为经过方差稳定化变换后噪声方差值,然后将抑制后的噪声按照一定比例加回去噪后的图像，得到经过所述补偿模块40的抑制模型处理的像素值：
其中，
为通过降噪回代后的图像的像素值，y′为降噪后的图像的像素值，
为抑制后的图像的噪声值。
这样，一方面有效抑制了强噪声，使得图像更均匀。另一方面噪声按比例回代也保留了更多的纹理细节，使图像看起来更加自然。
通过所述补偿模块40得到降噪回代后的图像的像素值，而此时图像的像素值是通过正变换模块21的方差稳定化正变换模型转换而来，因此，为了保障图像处于正常的格式，需要将图像通过所述逆变换模块22进行转换，因此，所述逆变换模块22逆变换降噪回代后的图像的像素值，获得降噪后的图像。因此，所述逆变换模块通过一方差稳定化逆变换模型对当前像素值
进行逆变换，该方差稳定化逆变换模型为：
这里
为经过方差稳定化逆变换后的像素值，y0为常量，一般取0。从而得到最后的经过降噪的图像。
如图4至图6所示，显示了本发明的一种基于非局域均值的Bayer域图像降噪的方法，其中，所述基于非局域均值的Bayer域图像降噪的方法，包括以下步骤：
S10，分别在RAW图中的R、G、B通道内标定每个图像块中的中心像素点噪声值。
读取图像参数并进行噪声标定，读取方差稳定化变换(VST变换)参数、图片相关参数、控制降噪强度参数。其中，方差稳定化变换参数在算法外部，通过在不同相机ISO下拍摄色卡(比如标准24色卡)图片并进行标定获取。对每一档ISO下的色卡图片，噪声标定具体步骤是：
获取不同相机ISO下的色卡的R、G、B通道的图像，在R、G、B通道，以图像色块内像素值的的平均值作为中心像素点真值，采用高斯-泊松噪声模型刻画RAW图中的噪声值：
其中σ2(y)为噪声方差，y为中心像素点真值，a、b为高斯泊松噪声参数。
S20,利用方差稳定化变换将图像中的噪声变换为高斯噪声，并获得降噪前的图像的像素值；
使用方差稳定化正变换模型将像素信号相关的噪声转换为信号无关的高斯噪声，该方差稳定化正变换模型为：
其中y′为经过方差稳定化变换后的像素值，k为经过方差稳定化变换后噪声方差值，一般可设为1。
其中，所述方差稳定化正变换模型被内置于一变换模块的一正变换模块21内，用于执行所述将方差稳定化正变换模型将像素信号相关的噪声转换为信号无关的高斯噪声。
S30，基于非局域均值的Bayer域图像降噪去除图像内的高斯噪声；
如图4和图5所示，在步骤S40中，通过降噪处理模块30对RAW图像进行降噪处理，其包括以下步骤：
S31)分别在R、G、B通道内，计算每一当前像素点和参考点之间的相似度权重值；和
S32)基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声，并获得降噪后的图像的像素值。
如图4和图6所示，在步骤S40中，通过降噪处理模块30对RAW图像进行降噪处理，其包括以下步骤：
S31’，统计预判每一像素点和参考点之间的相似度；
S32’，通过相似度权重模型计算像素点和参考点之间的相似度权重；和
S33’，基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声，并获得降噪后的图像的像素值。
在步骤S31中，统计预判像素点和参考点之间的相似度，还进一步包括以下步骤：
通过均值计算模型统计，其中，所述均值计算模型为：
其中ui为邻域图像块内像素均值，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
通过方差计算模型统计，其中，所述方差计算模型为：
其中vi为邻域图像块内像素方差，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
通过偏度计算模型统计，其中，所述偏度计算模型为：
其中ri为邻域图像块内像素方差，P为领域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
在步骤S32或者S32’中，计算通过相似度预判的参考点q的相似度权重，其中，该相似度权重模型为：
其中w(p,q)为像素点p和参考点q之间的相似度权重；k为方差稳定化变换后噪声值；θ为可调节的降噪强度控制系数；d2为像素点p和参考点q邻域图像块之间的欧式距离。d2的计算函数为：
其中P表示像素点p、参考点q的领域图像块；N为图像块中像素点数。
S33或者S33’，计算非局域均值滤波后的像素值，其中，非局域均值滤波模型为：
其中，
为p点经过非局域均值滤波后的值，y′q为p点领域搜索区域B内像素点q的值，w(p,q)为p点和q点之间的相似度权重，Cp为归一化系数
在步骤S43或者S43’中，如果当前像素点属于R通道或者B通道，则邻域图像块为矩形图像块；如果当前像素点属于G通道，则邻域图像块为菱形图像块。
S40，对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值；
在步骤S40中，其中，去除噪声值是通过将降噪后的图像的像素值减去降噪前的图像的像素值：
其中，所述k′为降噪前后去除的噪声值，
为降噪后的图像的像素值，y′为降噪前的图像的像素值。
其中，该抑制模型为：
其中，α1、α2、α3为噪声抑制系数，0<α3<α2<α1<1,k为经过方差稳定化变换后噪声方差值,然后将抑制后的噪声值回代加到降噪后的图像的像素值中：
其中，
为通过降噪回代后的图像的像素值，y′为降噪后的图像的像素值，
为抑制后的图像的噪声值。
这样，一方面有效抑制了强噪声，使得图像更均匀。另一方面噪声按比例回代也保留了更多的纹理细节，使图像看起来更加自然。
S50，逆变换降噪回代后的图像的像素值，获得降噪后的图像。
将降噪回代后的图像的像素值通过方差稳定化逆变换模型进行方差稳定化逆变换，其中，该方差稳定化逆变换模型为：
这里
为经过方差稳定化逆变换后的像素值，y0为常量，一般取0。
经过所述逆变换模块从而得到最后的经过降噪的图像。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
Claims (12)
1.基于非局域均值滤波的Bayer域图像降噪的方法，其特征在于，包括以下步骤：
a)分别在RAW图中的R、G、B通道标定噪声值；
b)利用方差稳定化正变换将图像中的噪声变换为高斯噪声；
c)通过非局域均值滤波的Bayer域图像降噪降低图像内的高斯噪声，其具体步骤包括：
c1)在R、G、B通道内，采用不同形状的邻域图像块计算每一当前像素点和参考点之间的相似度权重值；和
c2)基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声，并获得降噪后的图像的像素值；和
d)对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值；
其中，在步骤c1)中，采用相似度权重模型计算每一像素点和参考点之间的相似度权重，其中在步骤c1)中，如果当前像素点属于R通道或者B通道，则邻域图像块为矩形图像块；如果当前像素点属于G通道，则邻域图像块为菱形图像块。
2.如权利要求1所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，在步骤a)中，标定每个图像块中的像素点的噪声值进一步包括步骤：
获取不同相机ISO下的色卡的R、G、B通道的图像，在R、G、B通道，以图像色块内像素值的的平均值作为中心像素点真值，采用高斯-泊松噪声模型刻画RAW图中的噪声值：
σ2(y)＝ay+b
其中σ2(y)为噪声方差，y为中心像素点真值，a、b为高斯泊松噪声参数。
3.如权利要求2所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，所述相似度权重模型为：
其中w(p,q)为像素点p和参考点q之间的相似度权重；k为方差稳定化变换后噪声值；θ为可调节的降噪强度控制系数；d2为像素点p和参考点q邻域图像块之间的欧式距离，该欧式距离d2的计算模型为：
其中，P表示像素点p、参考点q的邻域图像块；N为图像块中像素点数。
4.如权利要求3所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，在步骤c)中的步骤c1)之前，进一步包括步骤：
利用积分图预判每一当前像素点和参考点之间的相似度，其中，积分图采用均值计算模型、方差计算模型和偏度计算模型计算；
其中，所述均值计算模型为：
其中ui为每个邻域图像块内像素均值，P为每个邻域图像块，NP为每个邻域图像块中像素点数，包括R、G、B三通道像素；
其中，所述方差计算模型为：
vi＝∑(y′i-ui)/(NP 2-1)
其中vi为邻域图像块内像素方差，P为邻域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素；
其中，所述偏度计算模型为：
其中ri为邻域图像块内像素偏度，P为邻域图像块，NP为图像块中像素点数，包括了R、G、B三通道像素。
5.如权利要求4所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，在步骤c2)中，通过非局域均值滤波模型进行非局域均值滤波去除图像中的高斯噪声，其中，所述非局域均值滤波模型为：
其中，
为p点经过非局域均值滤波后的值，y′q为p点邻域搜索区域B内像素点q的值，w(p,q)为p点和q点之间的相似度权重，Cp为归一化系数Cp＝∑w(p,q)。
6.如权利要求5所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，在步骤d)中，通过抑制模型对去除的噪声值进行抑制，其中，所述抑制模型为：
其中，α1、α2、α3为噪声抑制系数，0＜α3＜α2＜α1＜1，k为经过方差稳定化变换后噪声方差值；所述k′为去除的图像的噪声值，
为抑制后的图像的噪声值。
7.如权利要求6所述的基于非局域均值滤波的Bayer域图像降噪的方法，其中，在步骤e)之后，还包括步骤：
通过方差稳定化逆变换模型逆变换降噪回代后的图像的像素值，获得降噪后的图像，其中，所述方差稳定化逆变换模型为：
这里
为经过方差稳定化逆变换后的像素值，
为降噪回代后的图像的像素值，y0为常量。
8.基于非局域均值滤波的Bayer域图像降噪的方法，其特征在于，包括以下步骤：
i1)分别在RAW图中的R、G、B通道内标定噪声值；
i2)利用方差稳定化变换将图像中的噪声变换为高斯噪声；
i3)通过非局域均值的Bayer域图像降噪去除图像内的高斯噪声，其具体步骤包括：
i31)利用积分图预判每一当前像素点和参考点之间的相似度；
i32)分别在R、G、B通道内，对通过相似度预判的图像块计算每一当前像素点和参考点之间的相似度权重值；
i33)基于相似度权重值，采用非局域均值滤波去除图像中的高斯噪声；和
i4)对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值；
其中，采用相似度权重模型计算每一像素点和参考点之间的相似度权重，其中如果当前像素点属于R通道或者B通道，则邻域图像块为矩形图像块；如果当前像素点属于G通道，则邻域图像块为菱形图像块。
9.基于非局域均值滤波的Bayer域图像降噪的***，其特征在于，包括：
参数初始化模块，用于在RAW图中的R、G、B通道内标定噪声值；
转换模块；其中，所述转换模块包括一正变换模块，其中所述正变换模块用于将图像的噪声转换为高斯噪声；
降噪处理模块，其中，所述降噪处理模块包括判断模块和非局域均值滤波模块，其中，所述判断模块分别计算在R、G、B通道内每一当前像素点和参考点之间的相似度权重值；所述非局域均值滤波模块采用非局域均值滤波去除图像中的高斯噪声；和
补偿模块，其中，所述补偿模块对去除的噪声值进行抑制，并将抑制后的噪声值回代到降噪后的像素值中，得到经过降噪回代后的图像的像素值，获得降噪后的图像；
其中，所述判断模块通过相似度权重模型计算每一像素点和参考点之间的相似度权重；其中在所述相似度权重模型中，如果当前像素点属于R通道或者B通道，则邻域图像块为矩形图像块；如果当前像素点属于G通道，则邻域图像块为菱形图像块。
10.如权利要求9所述的基于非局域均值滤波的Bayer域图像降噪的***，其中，所述降噪处理模块进一步包括统计预判模块，其中，所述统计预判模块利用积分图预判每一当前像素点和参考点之间的相似度。
11.如权利要求10所述的基于非局域均值滤波的Bayer域图像降噪的***，其中，所述补偿模块通过抑制模型对噪声进行抑制获得抑制后的噪声值。
12.如权利要求11所述的基于非局域均值滤波的Bayer域图像降噪的***，其中，所述变换模块包括逆变换模块，其中，所述逆变换模块逆变换降噪回代后的图像的像素值，获得降噪后的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810187236.9A CN110246089B (zh) | 2018-03-07 | 2018-03-07 | 基于非局域均值滤波的Bayer域图像降噪***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810187236.9A CN110246089B (zh) | 2018-03-07 | 2018-03-07 | 基于非局域均值滤波的Bayer域图像降噪***及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110246089A CN110246089A (zh) | 2019-09-17 |
| CN110246089B true CN110246089B (zh) | 2021-06-04 |
Family
ID=67881943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810187236.9A Active CN110246089B (zh) | 2018-03-07 | 2018-03-07 | 基于非局域均值滤波的Bayer域图像降噪***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246089B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110855246B (zh) * | 2019-11-08 | 2023-04-11 | 成都天奥测控技术有限公司 | 一种产生任意方差高斯白噪声的方法 |
| CN111008943B (zh) * | 2019-12-24 | 2023-04-14 | 广州柏视医疗科技有限公司 | 低剂量dr图像降噪方法及*** |
| CN113129221B (zh) * | 2019-12-31 | 2023-08-18 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111882499B (zh) * | 2020-07-15 | 2024-04-16 | 上海联影医疗科技股份有限公司 | Pet图像的降噪方法、装置以及计算机设备 |
| WO2022126516A1 (en) * | 2020-12-17 | 2022-06-23 | Covidien Lp | Adaptive image noise reduction system and method |
| CN112734666B (zh) * | 2020-12-31 | 2023-04-07 | 西安电子科技大学 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
| CN112884667B (zh) * | 2021-02-04 | 2021-10-01 | 湖南兴芯微电子科技有限公司 | 一种Bayer域降噪方法和降噪*** |
| CN112907468A (zh) * | 2021-02-04 | 2021-06-04 | 浙江大华技术股份有限公司 | 图像降噪方法、设备及计算机存储介质 |
| CN114092562A (zh) * | 2021-10-19 | 2022-02-25 | 上海闻泰信息技术有限公司 | 噪声模型标定方法、图像去噪方法、装置、设备和介质 |
| CN115049550A (zh) * | 2022-05-18 | 2022-09-13 | 电子科技大学 | 毫米波安检图像降噪方法 |
| CN116363018B (zh) * | 2023-05-30 | 2023-08-08 | 江苏游隼微电子有限公司 | 一种自适应的nlm降噪方法 |
| CN116912132B (zh) * | 2023-09-11 | 2023-12-26 | 归芯科技(深圳)有限公司 | Bayer域3DNR图像去噪方法及其装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020918A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于形状自适应邻域均值的非局部均值去噪方法 |
| CN103345726A (zh) * | 2013-06-14 | 2013-10-09 | 华为技术有限公司 | 图像去噪处理方法、装置和终端 |
| CN104574304A (zh) * | 2014-12-25 | 2015-04-29 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像重构方法及*** |
| CN106530236A (zh) * | 2015-09-11 | 2017-03-22 | 上海联影医疗科技有限公司 | 一种医学图像处理方法及*** |
| KR101720881B1 (ko) * | 2015-12-03 | 2017-03-28 | 한양대학교 산학협력단 | 주성분 분석을 이용한 비지역적 평균 알고리즘 기반의 영상 잡음제거 방법 및 이를 이용하는 영상 처리 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9760966B2 (en) * | 2013-01-08 | 2017-09-12 | Nvidia Corporation | Parallel processor with integrated correlation and convolution engine |
-
2018
- 2018-03-07 CN CN201810187236.9A patent/CN110246089B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020918A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于形状自适应邻域均值的非局部均值去噪方法 |
| CN103345726A (zh) * | 2013-06-14 | 2013-10-09 | 华为技术有限公司 | 图像去噪处理方法、装置和终端 |
| CN104574304A (zh) * | 2014-12-25 | 2015-04-29 | 深圳市一体太赫兹科技有限公司 | 一种毫米波图像重构方法及*** |
| CN106530236A (zh) * | 2015-09-11 | 2017-03-22 | 上海联影医疗科技有限公司 | 一种医学图像处理方法及*** |
| KR101720881B1 (ko) * | 2015-12-03 | 2017-03-28 | 한양대학교 산학협력단 | 주성분 분석을 이용한 비지역적 평균 알고리즘 기반의 영상 잡음제거 방법 및 이를 이용하는 영상 처리 장치 |
Non-Patent Citations (5)
| Title |
|---|
| "Image De-noising based on Non Local Means(NLM) using Curvelet transformation";Arvind Pandey等;《International Journal of Engineering Research & Technology (IJERT)》;20160331;第5卷(第3期);全文 * |
| "Non-local Methods with Shape-Adaptive Patches (NLM-SAP)";Deledalle CA.等;《Journal of Mathematical Imaging and Vision》;20110518;第43卷;全文 * |
| "Parameter-Free Fast Pixelwise Non-Local Means Denoising";Jacques Froment;《Image Processing On Line》;20141119;第300-326页 * |
| "基于非局部均值的图像去噪应用研究";沈言浩;《万方数据库》;20120531;第2.3.2节，第3章，第4章 * |
| "基于非局部均值的极化SAR降斑研究";杨国辉;《中国优秀硕士学位论文全文数据库·信息科技辑》;20130515;第2013年卷(第5期);第3.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110246089A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246089B (zh) | 基于非局域均值滤波的Bayer域图像降噪***及其方法 | |
| Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
| Zhu et al. | Single image dehazing using color attenuation prior. | |
| CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
| Chatterjee et al. | Noise suppression in low-light images through joint denoising and demosaicing | |
| JP4858609B2 (ja) | ノイズ低減装置、ノイズ低減方法、及びノイズ低減プログラム | |
| CN103369209A (zh) | 视频降噪装置及方法 | |
| Lee et al. | Image contrast enhancement using classified virtual exposure image fusion | |
| CN110942427A (zh) | 一种图像降噪的方法及装置、设备、存储介质 | |
| Mu et al. | Low and non-uniform illumination color image enhancement using weighted guided image filtering | |
| KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
| Ghita et al. | Texture Enhanced Histogram Equalization Using TV-${\rm L}^{1} $ Image Decomposition | |
| EP2309447A1 (en) | Image contrast enhancement | |
| Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
| KR101907451B1 (ko) | 베이어 패턴 필터 기반 고해상도 컬러 영상 복원 및 화질 향상 장치 및 방법 | |
| CN110020999B (zh) | 一种基于同态滤波的非制冷红外热像自适应映射方法 | |
| CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及*** | |
| CN110136085B (zh) | 一种图像的降噪方法及装置 | |
| Park et al. | Image enhancement for extremely low light conditions | |
| CN116109511A (zh) | 红外图像边缘增强的方法和*** | |
| Swarup et al. | DWT based historical image enhancement technique using adaptive gamma correction | |
| Mutaqin et al. | Increase dehazing process using fast guided filter on the dark channel prior | |
| Balamurugan et al. | Source camera identification using SPN with PRNU estimation and enhancement | |
| Kumar | Satellite image denoising using local spayed and optimized center pixel weights | |
| Wu et al. | Contrast enhancement based on discriminative co-occurrence statistics |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190917 Assignee: Zhejiang Shunwei Technology Co.,Ltd. Assignor: SUNNY OPTICAL (ZHEJIANG) RESEARCH INSTITUTE Co.,Ltd. Contract record no.: X2024330000055 Denomination of invention: Bayer domain image denoising system and its method based on non local mean filtering Granted publication date: 20210604 License type: Common License Record date: 20240515 |