CN110490815A - 一种基于***Bregman算法的区域自适应去噪方法 - Google Patents
一种基于***Bregman算法的区域自适应去噪方法 Download PDFInfo
- Publication number
- CN110490815A CN110490815A CN201910628465.4A CN201910628465A CN110490815A CN 110490815 A CN110490815 A CN 110490815A CN 201910628465 A CN201910628465 A CN 201910628465A CN 110490815 A CN110490815 A CN 110490815A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- pixel
- algorithm
- region
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于***Bregman算法的区域自适应去噪方法,利用基于各向异性TV模型的***Bregman算法和各向同性扩散模型的***Bregman算法分别对含噪模型进行去噪,提取前者的边缘区域信息和后者的平坦区域信息并相加,最后引入非局部均值滤波,得到最终的去噪图片。本发明解决了现有TV模型去噪技术中存在的最小化模型时速度慢的问题,并在去噪的同时能更好的保护边缘,得到较好的去噪效果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于***Bregman算法的区域自适应去噪方法。
背景技术
近年来,图像去噪技术成为图像处理技术研究的重要课题之一。在图像的获取和传输过程中,由于受到多种因素干扰,图像不可避免地带有噪声,从而严重影响图像的质量,给图像观测、特征信息提取和分析等图像处理过程带来了很大的困难。对图像进行后续处理前,必须先对图像去噪,减弱干扰,以使图像更有利于下一步的图像处理工作。由于噪声与边缘点难于区分,局部来看图像灰度都发生了阶跃,因而怎样在图像降噪和图像细节信息保留之间采取有效的折中是图像降噪的关键。
在过去,有许多经典的方法来解决噪声图像,主要分为四类,即:空间域滤波,变换域滤波,偏微分方程,变分方法。基于变分方法,全变分(TV)正则化已被证明是最成功的图像去噪技术之一,因为它有效的边缘保持。然而,它有一个显着的缺点,就是容易产生阶梯效应。为了解决这个问题,张红英等将图像的梯度信息引入全变分去噪(ZTV)模型,该模型在图像的边缘区域自动选择了更好的边缘保留TV模型,并在平滑区域自动选择了具有更好平滑度的L2范式模型,但是TV和ZTV模都很难最小化模型。
因此,如何快速的最小化基于TV模型的算法并且能获得较好的去噪效果,对于图像去噪领域是一个非常重要的技术。
发明内容
本发明的目的是提供一种基于***Bregman算法的区域自适应去噪的方法,解决了现有TV模型去噪技术中存在的最小化模型时速度慢的问题,并在去噪的同时有效保护图像边缘不被模糊。
本发明所采用的技术方案是,包括以下步骤:
步骤1:输入一幅大小为M×N像素的原始图像f(x,y),用高斯噪声对原始图像f(x,y)进行加噪,得到噪声图像f0(x,y);
步骤2:利用基于各向异性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F1(x,y);然后利用基于各向同性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F2(x,y);
步骤3:对步骤1中噪声图像f0(x,y)进行区域检测;
步骤4:根据步骤3得到区域检测的结果,提取步骤2中图像F1(x,y)的边缘区域和步骤2中图像F2(x,y)的平坦区域,分别得到图像G1(x,y)和G2(x,y);
步骤5:将步骤4得到的图像G1(x,y)、G2(x,y)相加得到G(x,y);
步骤6:引入非局部均值滤波,将步骤5得到的图像G(x,y)进行滤波处理,得到最终的去噪图像F(x,y)。
本发明的特点还在于:
步骤1具体为:
步骤1.1:从国际标准图像处理数据库中选出1张灰度的大小为256*256像素的图像,定义为f(x,y);
步骤1.2:对步骤1.1中得到的图片f(x,y),用标准差为35的高斯噪声进行加噪,得到加噪图像f0(x,y);高斯噪声是指她的概率密度函数服从高斯分布,概率密度函数公式如下所示:
其中z表示灰度值,μ表示z的平均值或期望值,σ表示z的标准差,标准差的平方σ2称为z的方差。
步骤2中***Bregman算法具体过程如下:
步骤2.1:利用Bregman迭代算法求解凸优化:
其中Φ(u)是平滑先验约束,是正则化项;而H(u)则是数据项;
步骤2.2:将上述表达式变换为下面的等价形式,得到***Bregman迭代:
步骤2.3:将步骤2.2的公式进一步变换:
J(u,d)=|d|1+H(u);
步骤2.4:由步骤2.1-2.3得出如下迭代序列:
步骤3具体为:
步骤3.1:首先对步骤1得到的加噪图像f0(x,y)进行高斯平滑滤波处理,过程如下公式所示,先去除一部分噪声:
fs(x,y)=f0(x,y)*G(x,y)
其中G(x,y)是高斯函数,fs(x,y)是对加噪图像f0(x,y)进行高斯平滑处理之后的图像;
步骤3.2:计算步骤3.1中图像fs(x,y)的梯度值和方向,计算过程如下所示:
P[i,j]=(f[i.j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2
Q[i,j]=(f[i+1,j]-f(i,j)+f(i+1,j+1)-f(i,j+1))/2
M[i,j]=(P[i,j]2+Q[i,j]2)1/2
θ=arctan(Q[i,j]/P[i,j])
其中px,py是卷积算子,P[i,j]和Q[i,j]分别是图像在水平和垂直方向上的卷积结果,M[i,j]是最终得到的梯度幅值,θ值为梯度方向;
步骤3.3:非极大值抑制:将梯度方向分成四个方向(0°,45°,90°,135°),根据步骤3.2得到的梯度方向θ,比较它前面和后面的梯度值;
步骤3.4:根据步骤3.3得到的结果采用双阈值进行筛选:设置一个高阈值TH和一个低阈值TL,则有:
a.对于任意边缘像素低于TL的则丢弃;
b.对于任意边缘像素高于TH的则保留;
c.对于任意边缘像素值在TL与TH之间的,如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留,否则丢弃;
步骤3.5:对步骤3.4得到的结果进行二值化,得到最终边缘检测的结果,将边缘区域的像素置255,平坦区域的像素置0。
引入非局部均值滤波的过程如下所示:
NLM(p)=1/C(p)∫f(d(B(p),B(q))u(q)dq
其中d表示以p,q为中心点的邻域块之间的欧几里德距离,f表示单调递减函数,并且约束距离越近,权重值越大。C(p)是归一化系数。
本发明的有益效果是,由于自然图像包含大量重复冗余信息,因此用非局部均值滤波器来改善TV去噪效果,借此提供基于***Bregman算法的区域自适应去噪方法,能有效解决传统TV模型去噪技术中存在的最小化模型时速度慢的问题;本发明提供的方法不仅能有效地去除高斯噪声,而且还减少梯度效应并保留细节和纹理结构信息。
附图说明
图1是本发明一种基于***Bregman算法的区域自适应去噪方法的流程图;
图2为原始图像;
图3是添加高斯噪声之后的图像;
图4为基于L1范数的TV模型去噪效果;
图5为基于L2范数的各向同性扩散模型去噪效果;
图6为边缘检测的结果;
图7是高斯平滑滤波示意图;
图8是梯度计算示意图;
图9是梯度四个方向示意图;
图10是提取图3结果的边缘区域;
图11是提取图4结果的平坦区域;
图12是图像中冗余信息的示意图;
图13是非局部均值滤波算法示意图;
图14是最终的去噪效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于***Bregman算法的区域自适应去噪方法,如图1所示,包括以下步骤:
步骤1:输入一幅大小为M×N像素的原始图像f(x,y),用高斯噪声对原始图像f(x,y)进行加噪,得到噪声图像f0(x,y);
步骤1.1:从国际标准图像处理数据库中选出1张灰度的大小为256*256像素的图像,定义为f(x,y),如图2所示;
步骤1.2:对步骤1.1中得到的图片f(x,y),用标准差为35的高斯噪声进行加噪,得到加噪图像f0(x,y),如图3所示。高斯噪声是指她的概率密度函数服从高斯分布,概率密度函数公式如下所示:
其中z表示灰度值,μ表示z的平均值或期望值,σ表示z的标准差。标准差的平方σ2称为z的方差。
此时,对现有的基于L1范数的TV去噪模型和基于L2范数的各向同性扩散去噪模型进行分析:
对基于L1范数的TV去噪模型和基于L2范数的各向同性扩散去噪模型进行分析,L1范数的TV去噪模型公式是:通过推导得到其欧拉-拉格朗日方程是:其中▽是梯度算子,是扩散系数,我们可以很容易地发现在图像边缘处较大,使得扩散系数较小,这意味着沿边缘方向的扩散较弱,从而保留边缘;在平滑处较小,这使扩散系数更大,意味着平坦区域的扩散更强,从而消除噪声。但该模型有可能将噪声视为边缘,使其在平滑区域产生阶梯效应;
基于L2范数的各向同性扩散去噪模型是通过推导得到其欧拉-拉格朗日方程是:从式中可以看出,该模型的扩散系数是1,所以在各个方向的扩散强度是一样的。由此可以得出,该模型可能会模糊边缘,但不会产生阶梯效应。
步骤2:利用基于各向异性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F1(x,y);然后利用基于各向同性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F2(x,y),如图4、图5所示;
步骤3:对步骤1中噪声图像f0(x,y)进行区域检测,具体为:
对步骤1中得到的加噪图像f0(x,y)用Canny算法进行区域检测,将图像分为边缘区域和平坦区域,如图6所示。该边缘检测算法主要分为一下几个步骤。
步骤3.1:首先对步骤1得到的加噪图像f0(x,y)进行高斯平滑滤波处理(如图7所示),过程如下公式所示,先去除一部分噪声。
fs(x,y)=f0(x,y)*G(x,y)
其中G(x,y)是高斯函数,fs(x,y)是对加噪图像f0(x,y)进行高斯平滑处理之后的图像。
步骤3.2:计算步骤3.1中图像fs(x,y)的梯度值和方向,如图8所示,计算过程如下所示:
P[i,j]=(f[i.j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2
Q[i,j]=(f[i+1,j]-f(i,j)+f(i+1,j+1)-f(i,j+1))/2
M[i,j]=(P[i,j]2+Q[i,j]2)1/2
θ=arctan(Q[i,j]/P[i,j])
其中px,py是卷积算子,P[i,j]和Q[i,j]分别是图像在水平和垂直方向上的卷积结果,M[i,j]是最终得到的梯度幅值,θ值为梯度方向。
步骤3.3:非极大值抑制:我们把梯度方向分成四个方向:0°,45°,90°,135°(如图9所示),根据步骤3.2得到的梯度方向θ,比较它前面和后面的梯度值。
步骤3.4:根据步骤3.3得到的结果,还是会有少量的非边缘像素被包含到结果中,我们需要采用双阈值进行筛选。设置一个高阈值TH和一个低阈值TL。则有:
a.对于任意边缘像素低于TL的则丢弃
b.对于任意边缘像素高于TH的则保留
c.对于任意边缘像素值在TL与TH之间的,如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留,否则丢弃。
步骤3.5:对步骤3.4得到的结果进行二值化,得到最终边缘检测的结果,将边缘区域的像素置255,平坦区域的像素置0。
步骤4:根据步骤3得到区域检测的结果,提取步骤2中图像F1(x,y)的边缘区域和步骤2中图像F2(x,y)的平坦区域,分别得到图像G1(x,y)和G2(x,y),如图10和图11所示,将图像F1(x,y)和F2(x,y)的其他区域像素置0。
步骤5:将步骤4得到的图像G1(x,y)、G2(x,y)相加得到G(x,y);
步骤6:引入非局部均值滤波,将步骤5得到的图像G(x,y)进行滤波处理,得到最终的去噪图像F(x,y):
因为图像中有很多重复冗余的信息(如图12所示),引入非局部均值滤波(如图13所示),将步骤5得到的图像G(x,y)进行滤波处理,得到最终的去噪图像F(x,y),如图14所示。引入非局部均值滤波的过程如下所示:
NLM(p)=1/C(p)∫f(d(B(p),B(q))u(q)dq
其中d表示以p,q为中心点的邻域块之间的欧几里德距离,f表示单调递减函数,并且约束距离越近,权重值越大。C(p)是归一化系数。
本发明的有益效果是本发明提供的去噪方法在充分分析图像和边缘信息的结构前提下建立了基于Canny算法和***Bregman方法的有效TV去噪方法。由于自然图像包含大量重复冗余信息,因此选用非局部均值滤波器来改善TV去噪效果。通过对提出的新型TV模型的分析,结果表明本发明基于***Bregman算法的区域自适应去噪方法不仅能有效地去除高斯噪声,而且还减少梯度效应并保留细节和纹理结构信息。
Claims (5)
1.基于***Bregman算法的区域自适应去噪方法,其特征在于,包括以下步骤:
步骤1:输入一幅大小为M×N像素的原始图像f(x,y),用高斯噪声对原始图像f(x,y)进行加噪,得到噪声图像f0(x,y);
步骤2:利用基于各向异性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F1(x,y);然后利用基于各向同性TV模型的***Bregman算法对步骤1的含噪图像f0(x,y)进行去噪,得到去噪后的图像F2(x,y);
步骤3:对步骤1中噪声图像f0(x,y)进行区域检测;
步骤4:根据步骤3得到区域检测的结果,提取步骤2中图像F1(x,y)的边缘区域和步骤2中图像F2(x,y)的平坦区域,分别得到图像G1(x,y)和G2(x,y);
步骤5:将步骤4得到的图像G1(x,y)、G2(x,y)相加得到G(x,y);
步骤6:引入非局部均值滤波,将步骤5得到的图像G(x,y)进行滤波处理,得到最终的去噪图像F(x,y)。
2.根据权利要求1所述的基于***Bregman算法的区域自适应去噪方法,其特征在于,所述步骤1具体为:
步骤1.1:从国际标准图像处理数据库中选出1张灰度的大小为256*256像素的图像,定义为f(x,y);
步骤1.2:对步骤1.1中得到的图片f(x,y),用标准差为35的高斯噪声进行加噪,得到加噪图像f0(x,y);高斯噪声是指她的概率密度函数服从高斯分布,概率密度函数公式如下所示:
其中z表示灰度值,μ表示z的平均值或期望值,σ表示z的标准差,标准差的平方σ2称为z的方差。
3.根据权利要求1所述的基于***Bregman算法的区域自适应去噪方法,其特征在于,所述步骤2中***Bregman算法具体过程如下:
步骤2.1:利用Bregman迭代算法求解凸优化:
其中Φ(u)是平滑先验约束,是正则化项;而H(u)则是数据项;
步骤2.2:将上述表达式变换为下面的等价形式,得到***Bregman迭代:
步骤2.3:将步骤2.2的公式进一步变换:
J(u,d)=|d|1+H(u);
步骤2.4:由步骤2.1-2.3得出如下迭代序列:
4.根据权利要求1所述的基于***Bregman算法的区域自适应去噪方法,其特征在于,所述步骤3具体为:
步骤3.1:首先对步骤1得到的加噪图像f0(x,y)进行高斯平滑滤波处理,过程如下公式所示,先去除一部分噪声:
fs(x,y)=f0(x,y)*G(x,y)
其中G(x,y)是高斯函数,fs(x,y)是对加噪图像f0(x,y)进行高斯平滑处理之后的图像;
步骤3.2:计算步骤3.1中图像fs(x,y)的梯度值和方向,计算过程如下所示:
P[i,j]=(f[i.j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2
Q[i,j]=(f[i+1,j]-f(i,j)+f(i+1,j+1)-f(i,j+1))/2
M[i,j]=(P[i,j]2+Q[i,j]2)1/2
θ=arctan(Q[i,j]/P[i,j])
其中px,py是卷积算子,P[i,j]和Q[i,j]分别是图像在水平和垂直方向上的卷积结果,M[i,j]是最终得到的梯度幅值,θ值为梯度方向;
步骤3.3:非极大值抑制:将梯度方向分成四个方向(0°,45°,90°,135°),根据步骤3.2得到的梯度方向θ,比较它前面和后面的梯度值;
步骤3.4:根据步骤3.3得到的结果采用双阈值进行筛选:设置一个高阈值TH和一个低阈值TL,则有:
a.对于任意边缘像素低于TL的则丢弃;
b.对于任意边缘像素高于TH的则保留;
c.对于任意边缘像素值在TL与TH之间的,如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留,否则丢弃;
步骤3.5:对步骤3.4得到的结果进行二值化,得到最终边缘检测的结果,将边缘区域的像素置255,平坦区域的像素置0。
5.根据权利要求1所述的基于***Bregman算法的区域自适应去噪方法,其特征在于,所述引入非局部均值滤波的过程如下所示:
NLM(p)=1/C(p)∫f(d(B(p),B(q))u(q)dq
其中d表示以p,q为中心点的邻域块之间的欧几里德距离,f表示单调递减函数,并且约束距离越近,权重值越大。C(p)是归一化系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628465.4A CN110490815A (zh) | 2019-07-12 | 2019-07-12 | 一种基于***Bregman算法的区域自适应去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628465.4A CN110490815A (zh) | 2019-07-12 | 2019-07-12 | 一种基于***Bregman算法的区域自适应去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490815A true CN110490815A (zh) | 2019-11-22 |
Family
ID=68547113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910628465.4A Pending CN110490815A (zh) | 2019-07-12 | 2019-07-12 | 一种基于***Bregman算法的区域自适应去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490815A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
-
2019
- 2019-07-12 CN CN201910628465.4A patent/CN110490815A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
Non-Patent Citations (2)
Title |
---|
王军锋 等: "改进的自适应四阶偏微分方程的图像恢复算法", 《计算机技术与发展》 * |
艾立: ""基于变分和偏微分方程的图像去噪研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singer et al. | Diffusion interpretation of nonlocal neighborhood filters for signal denoising | |
CN109003233B (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN107464226B (zh) | 一种基于改进二维经验模态分解算法的图像去噪方法 | |
Jiang et al. | Mathematical-morphology-based edge detectors for detection of thin edges in low-contrast regions | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及*** | |
CN105913382B (zh) | 阈值寻优的高保真各向异性滤波方法 | |
CN111242854B (zh) | 一种图像去噪方法 | |
CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
Vijayakumar | Selective image enhancement and restoration for skin cancer identification | |
CN109949256B (zh) | 一种基于傅里叶变换的天文图像融合方法 | |
CN110047054A (zh) | 一种基于vgg-19提取特征的gan医学图像降噪方法 | |
CN108805845A (zh) | 小波包与偏微分方程相结合的图像去噪方法 | |
Jia et al. | Research on the decomposition and fusion method for the infrared and visible images based on the guided image filtering and Gaussian filter | |
CN112819739B (zh) | 一种扫描电子显微镜图像处理方法和*** | |
CN101957912B (zh) | 基于多尺度各向异性扩散的人脸光照不变图像的获取方法 | |
CN106023097A (zh) | 一种基于迭代法的流场图像预处理算法 | |
CN116342443A (zh) | 一种近红外与可见光图像融合方法及*** | |
CN110490815A (zh) | 一种基于***Bregman算法的区域自适应去噪方法 | |
CN114037618B (zh) | 基于保边滤波和平滑滤波融合的去雾方法、***及存储介质 | |
Biswas et al. | A model of noise reduction using Gabor Kuwahara Filter | |
CN114881883A (zh) | 一种红外图像多维降噪方法、存储介质及装置 | |
CN110647843B (zh) | 一种人脸面部图像处理方法 | |
Chen et al. | A pilot study on a new image enhancement method using spatial statistics | |
CN113487496B (zh) | 一种基于像素类型推断的图像去噪方法、***及装置 | |
Yu et al. | Main Structure Extraction Algorithm Based on Relative Total Variation Model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |