CN110634112A - 一种双域分解的矿井下含噪声图像的增强方法 - Google Patents

一种双域分解的矿井下含噪声图像的增强方法 Download PDF

Info

Publication number
CN110634112A
CN110634112A CN201910976955.3A CN201910976955A CN110634112A CN 110634112 A CN110634112 A CN 110634112A CN 201910976955 A CN201910976955 A CN 201910976955A CN 110634112 A CN110634112 A CN 110634112A
Authority
CN
China
Prior art keywords
image
noise
layer
detail
decomposition
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
Application number
CN201910976955.3A
Other languages
English (en)
Other versions
CN110634112B (zh
Inventor
田子建
王满利
张向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201910976955.3A priority Critical patent/CN110634112B/zh
Publication of CN110634112A publication Critical patent/CN110634112A/zh
Application granted granted Critical
Publication of CN110634112B publication Critical patent/CN110634112B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种双域分解的矿井下含噪声图像的增强方法，该方法首先使用空域高斯滤波器分层分解矿井下含噪声图像，实现图像对比度提高与噪声抑制的解耦合；接着利用分层获得的基础层的最大亮通道图像，作为Retinex模型的照度分量估计，根据Retinex增强原理，实现基础层对比度的提高；然后使用非下采样剪切波变换分解分层获得的细节层，在剪切波变换域对分解系数实施硬阈值收缩，实现细节层噪声抑制，非下采样剪切波逆变换收缩的分解系数，获得噪声抑制细节层，使用基础层相同的增强比例，实现噪声抑制细节层的增强；最后由增强的基础层和噪声抑制的增强细节层融合得到融合增强图像，对融合增强图像实施Gamma微调整，获得最终的噪声抑制与对比提高的增强图像。

Description

一种双域分解的矿井下含噪声图像的增强方法
技术领域
本发明属于图像处理技术领域，具体涉及一种双域分解的矿井下含噪声图像的增强方法。
背景技术
随着智慧矿山发展步伐的加快，各种图像识别技术不断向矿井下延伸，但矿井下成像环境差、电磁干扰多、导致采集图像对比度低其富含噪声，矿井图像增强与噪声抑制成为矿井图像识别及应用需要解决的首要问题。
目前图像增强常用算法有：直方图均衡化、直方图规定化、基于物理模型图像增强算法、基于偏微分方程和变分的图像增强算法以及变化域图像增强算法。
直方图均衡化使图像灰度值占据所有可能灰度级，并使均衡化的直方图分布均匀，提高图像对比度、提升图像亮度。直方图规定化则使图像直方图分布变换为所希望的分布。直方图规定化与均衡化算法相似，都具有简单高效的特点，但是，直方图变换时，会引起噪声的放大，因此，不能胜任噪声图像的增强。
基于物理模型的增强算法是依据图像模型，利用算法剔除模型中的图像扰动成分，实现图像的增强，算法具有明确的物理意义。其中，Retinex模型将图像表述为反射分量和照度分量的乘积，反射分量表征物体的固有颜色特性，照度分量表征环境的亮度分量。基于Retinex理论的图像增强算法是从原始图像中剔除模型中的照度分量，求解成像物固有颜色特征的反射分量，实现图像增强，该类算法增强图像对比度与亮度的性能优异。但是，Retinex增强算法因无法识别与反射分量同处于高频段的噪声，致使其也不能很好胜任噪声图像的增强。
基于偏微分方程和变分的图像增强算法是根据某一图像模型，设计不同的约束条件，对模型优化求解，实现图像增强。该类算法随着约束条件的不同，增强效果也不同，部分增强算法具有一定的抑制噪声的能力，但是，该类算法需要迭代求解，算法复杂，也无法很好胜任矿井含噪声图像的增强。
变换域图像增强算法是将图像分解为变换域不同频率和方向上的分解系数，加强不同尺度的分解系数，利用加强的分解系数重构出增强图像，实现对比度提高与细节特征突显。相比上述其他类型增强算法，变换域图像增强算法分离、抑制噪声有独特优势，但是，变换域图像增强算法在提升图像对比度与亮度方面性能较弱，而矿井下成像环境差，图像对比度低，矿井下图像增强算法必须具有强有力的提高对比度的能力。
鉴于上述情况，我们发明了一种双域分解的矿井下含噪声图像的增强方法。该方法综合了Retinex图像增强方法提高图像对比度的能力和非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)近似最优稀疏表达高维函数分离噪声的优势，解耦实现了矿井下图像对比提高与噪声抑制，达到增强矿井下含噪声图像的目的。
发明内容
为提高矿井下含噪声图像的可观测性，本发明利用空域均值滤波器分层噪声图像，实现决定图像对比度的基础层和包含图像纹理细节、噪声的细节层解耦，消除提高图像对比度时噪声的干扰，排除抑制噪声对提高对比度的影响，解耦实现矿井下噪声图像对比提高与噪声抑制。
为达到上述目的，本发明采取的技术方案为：一种双域分解的矿井下含噪声图像的增强方法，所述方法包括如下步骤：
步骤一：图像的空域分解：利用空域高斯滤波器将矿井下含噪声图像的三个颜色通道fc,c∈{r,g,b}，分层，高斯滤波器的输出为基础层原噪声图像与基础层的差值图像为细节层
Figure BDA0002233954360000022
基础层据定了图像的整体对比度，细节层包含了原图像的纹理细节与噪声；
步骤二：基础层增强：根据Retienex模型，计算基础层
Figure BDA0002233954360000023
的最大亮通道，即计算三个颜色通道的最大值，将最大亮通道值作为Retienex模型的光照分量Lbase，
Figure BDA0002233954360000024
除以光照分量，得到增强基础层图像
Figure BDA0002233954360000025
步骤三：细节层的非下采样剪切波变换降噪：利用非下采样剪切波变换将细节层
Figure BDA0002233954360000026
c∈{r,g,b}分解，得到的分解系数矩阵
Figure BDA0002233954360000027
c∈{r,g,b},j＝1,2,…,J,s＝1,2,…,Sj，J为最大分解尺度数，Sj为j尺度对应的最大方向数，阈值收缩
Figure BDA0002233954360000028
得到抑制噪声的系数矩阵
Figure BDA0002233954360000029
对实施非下采样剪切波逆变换，重构出噪声抑制的细节层除以Lbase得到噪声抑制增强细节层
Figure BDA00022339543600000212
步骤四：层图像融合：将噪声抑制增强细节层
Figure BDA00022339543600000213
乘以细节加强因子λ,λ≥1加上
Figure BDA00022339543600000214
得到融合增强图像
Figure BDA00022339543600000215
利用Gamma变换微调
Figure BDA00022339543600000216
得到最终增强图像
Figure BDA00022339543600000217
进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤一中，高斯滤波的高斯核函数为
Figure BDA00022339543600000218
其中，σ为高斯核函数的方差。
r,g,b通道基础层图像由输入矿井下噪声图像与高斯核函数卷积得出，则细节层图像由输入图像与基础层相减得出：
Figure BDA0002233954360000031
式中，*表示卷积运算fc、
Figure BDA0002233954360000032
分别表示各通道对应的输入矿井噪声图像、基础层图像和细节层图像，c∈{r,g,b}代表彩色图像的三个颜色通道。
进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤二中，基础层
Figure BDA0002233954360000033
c∈{r,g,b}的最大亮通道
Figure BDA0002233954360000034
作为Retinex模型的照度分量估计值，其中，ε是防止Lbase为零的小正数，则基础层的增强图像
Figure BDA0002233954360000035
由Retinex模型得出：
Figure BDA0002233954360000036
进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤三中，为便于表述，定义符号TNSST()表示NSST变换，则细节层分解系数集合
Figure BDA0002233954360000037
由细节层图像经NSST分解得出：
Figure BDA00022339543600000310
式中，J为最大分解尺度数，Sj为j尺度对应的最大方向数。
根据细节层分解系数
Figure BDA00022339543600000311
抑制噪声的细节层分解系数
Figure BDA00022339543600000312
通过硬阈值收缩得出：
Figure BDA00022339543600000313
式中，kj表示尺度j对应的阈值系数，σc表示噪声标准差，由小波噪声经验估计公式估计得出，使用Symlets小波系的Sym4小波对细节层图像
Figure BDA00022339543600000314
进行一次分解，使用对角细节小波系数
Figure BDA00022339543600000315
的中位数估计噪声标准差σc:
Figure BDA00022339543600000316
式中，|·|是取绝对值操作符，median(·)表示取中位数操作。
Figure BDA00022339543600000317
表示蒙特卡洛方法(Monte Carlo method)联合小波噪声经验公式得到的不同尺度j与方向滤波器s对应的分解系数矩阵方差估计。计算过程：首先，利用伪随机算法生成大小与
Figure BDA00022339543600000319
相同的单位标准方差噪声图像Noise1；然后，利用atrous小波以NSST分解
Figure BDA0002233954360000041
的尺度数与方向滤波器数分解Noise1；最后，利用小波噪声经验公式估计Noise1各分解系数的噪声方差
Figure BDA0002233954360000042
根据
Figure BDA0002233954360000043
由NSST逆变换重构出抑制噪声增强细节层
Figure BDA0002233954360000045
由
Figure BDA0002233954360000046
除以Lbase得出：
Figure BDA0002233954360000047
式中，
Figure BDA0002233954360000048
表示NSST逆变换。
进一步地，根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法，所述步骤四中，层融合增强图像
Figure BDA0002233954360000049
由和
Figure BDA00022339543600000411
按融合公式
Figure BDA00022339543600000412
λ≥1获得，最终增强图像
Figure BDA00022339543600000413
由Gamma校正
Figure BDA00022339543600000414
得出：
Figure BDA00022339543600000415
式中，
Figure BDA00022339543600000416
和
Figure BDA00022339543600000417
表示
Figure BDA00022339543600000418
的最小值和最大值。
本发明的有益效果为：针对矿井下噪声图像增强时，对比度提高与噪声抑制的矛盾，提出使用空域高斯滤波器分层分解图像，实现图像对比度提高和噪声抑制的解耦；根据Retinex模型增强基础层图像，提高基础层图像的对比度；使用NSST近似最优稀疏表达高维函数的优势，稀疏表达细节层图像，通过阈值收缩NSST的分解系数，实现细节层噪声抑制；融合处理后的基础层与细节层图像达到整体图像对比度提高与噪声抑制的目的。
附图说明
图1双域分解矿井下噪声图像的增强框架。
具体实施方式
下面结合附图和实施实例对本发明进行详细说明。
一种双域分解的矿井下含噪声图像的增强方法，包括如下步骤：
第一步：输入图像r、g、b通道分层分解
如图1所示，使用高斯滤波器将输入图像按r、g、b三通道分层分解，所述高斯滤波器为空域平滑滤波器，高斯滤波器的高斯核函数的模板大小为15×15，方差为3。“图像r、g、b通道分层分解”虚线框中，基础层r、g、b通道图像
Figure BDA0002233954360000051
由输入图像fc,c∈{r,g,b}与高斯核函数
Figure BDA0002233954360000052
卷积得出，细节层r、g、b通道图像由fc,c∈{r,g,b}减去
Figure BDA0002233954360000053
得出，即：
Figure BDA0002233954360000054
第二步：基础层r、g、b通道增强
如图1所示，“基础层r、g、b通道增强”虚线框中，依据高斯滤波器分层分解得到的
Figure BDA0002233954360000055
取
Figure BDA0002233954360000056
的r、g、b通道最大值作为Retinex的照度分量：
Figure BDA0002233954360000057
ε是一个不等零的小正数，作用是防止Lbase为零。根据Retinex模型：
Figure BDA0002233954360000058
可知，基础层的增强图像
Figure BDA0002233954360000059
可由
Figure BDA00022339543600000510
除以Lbase获得，即：
Figure BDA00022339543600000511
第三步：细节层r、g、b通道降噪
如图1所示，“细节层r、g、b通道降噪”虚线框中，依据分层分解得到的细节层图像
Figure BDA00022339543600000512
NSST采用4个尺度，相应的方向滤波器数为8、8、16、16分解细节层r、g、b通道图像，得到
Figure BDA00022339543600000513
c∈{r,g,b}的分解系数集合
Figure BDA00022339543600000514
采用0、3.1、3.1和4的阈值系数硬阈值收缩
Figure BDA00022339543600000515
得到噪声抑制的分解系数集合
Figure BDA00022339543600000516
Figure BDA00022339543600000517
其中，噪声标准差σc，由小波噪声经验估计公式估计得出
Figure BDA00022339543600000518
c∈{r,g,b}，细节层分解系数矩阵的方差
Figure BDA00022339543600000519
由蒙特卡洛方法估计得出，计算过程：首先，利用伪随机算法生成大小与
Figure BDA00022339543600000521
相同的单位标准方差噪声图像Noise1；然后，利用atrous小波以NSST分解
Figure BDA00022339543600000522
的尺度数与方向滤波器数分解Noise1；最后，利用小波噪声经验公式估计Noise1各分解系数的噪声方差
Figure BDA00022339543600000523
之后，对
Figure BDA00022339543600000524
Figure BDA00022339543600000525
实施NSST逆变换得到噪声抑制的细节层
Figure BDA00022339543600000526
最后，按照基础层的增强比例，增强噪声抑制的细节层即
Figure BDA00022339543600000528
除以Lbase得出抑制噪声增强细节层
Figure BDA00022339543600000529
即：
Figure BDA0002233954360000061
第四步：
如图1所示，“分层r、g、b图像融合”虚线框中，使用增强的基础层
Figure BDA0002233954360000062
和抑制噪声增强细节层
Figure BDA0002233954360000063
根据层图像的融合规则：细节加强系数λ＝1.4，获得层融合增强图像对
Figure BDA0002233954360000066
实施Gamma变换，获得最终增强图像
Figure BDA0002233954360000067
即：
Figure BDA0002233954360000068

Claims (5)

1.一种双域分解的矿井下含噪声图像的增强方法，其特征在于，所述方法包括如下步骤：
步骤一：图像的空域分解：利用空域高斯滤波器将矿井下含噪声图像的三个颜色通道fc,c∈{r,g,b}，分层，高斯滤波器的输出为基础层
Figure FDA0002233954350000011
原噪声图像与基础层的差值图像为细节层
Figure FDA0002233954350000012
基础层据定了图像的整体对比度，细节层包含了原图像的纹理细节与噪声；
步骤二：基础层增强：根据Retienex模型，计算基础层
Figure FDA0002233954350000013
的最大亮通道，即计算三个颜色通道的最大值，将最大亮通道值作为Retienex模型的光照分量Lbase，
Figure FDA0002233954350000014
除以光照分量，得到增强基础层图像
Figure FDA0002233954350000015
步骤三：细节层的非下采样剪切波变换降噪：利用非下采样剪切波变换将细节层
Figure FDA0002233954350000016
分解，得到的分解系数矩阵
Figure FDA0002233954350000017
J为最大分解尺度数，Sj为j尺度对应的最大方向数，阈值收缩
Figure FDA0002233954350000018
得到抑制噪声的系数矩阵
Figure FDA0002233954350000019
对
Figure FDA00022339543500000110
实施非下采样剪切波逆变换，重构出噪声抑制的细节层除以Lbase得到噪声抑制增强细节层
Figure FDA00022339543500000112
步骤四：层图像融合：将噪声抑制增强细节层
Figure FDA00022339543500000113
乘以细节加强因子λ,λ≥1加上
Figure FDA00022339543500000114
得到融合增强图像
Figure FDA00022339543500000115
利用Gamma变换微调
Figure FDA00022339543500000116
得到最终增强图像
Figure FDA00022339543500000117
2.根据权利要求1所述的一种双域分解的矿井下含噪声图像的增强方法，其特征在于，所述步骤一中，高斯滤波的高斯核函数为
Figure FDA00022339543500000118
其中，σ为高斯核函数的方差。r,g,b通道基础层图像由输入矿井下噪声图像与高斯核函数卷积得出，则细节层图像由输入图像与基础层相减得出：
Figure FDA00022339543500000119
式中，*表示卷积运算fc、
Figure FDA00022339543500000120
分别表示各通道对应的输入矿井噪声图像、基础层图像和细节层图像，c∈{r,g,b}代表彩色图像的三个颜色通道。
3.根据权利要求1、2所述的一种双域分解的矿井下含噪声图像的增强方法，其特征在于，所述步骤二中，基础层
Figure FDA00022339543500000121
的最大亮通道
Figure FDA00022339543500000122
作为Retinex模式照度分量估计值，其中，ε是防止Lbase为零的小正数，基础层的增强图像由Retinex模型得出：
4.根据权利要求1、2、3所述的一种双域分解的矿井下含噪声图像的增强方法，其特征在于，所述步骤三中，细节层经由非下采样剪切波变换分解，得到细节层分解系数集合
Figure FDA0002233954350000022
Figure FDA0002233954350000023
分解系数硬阈值收缩，得到噪声抑制的分解系数集合
Figure FDA0002233954350000025
非下采样剪切波逆变换噪声抑制的分解系数集合重构出融合增强图像
Figure FDA0002233954350000026
融合增强图像除以基础层的最大亮通道Lbase获得最终增强细节层。
5.根据权利要求1-4所述的一种双域分解的矿井下含噪声图像的增强方法，其特征在于，所述步骤四中，层融合增强图像
Figure FDA0002233954350000029
由
Figure FDA00022339543500000210
和
Figure FDA00022339543500000211
按融合公式
Figure FDA00022339543500000212
获得，最终增强图像
Figure FDA00022339543500000213
由Gamma校正得出：
CN201910976955.3A 2019-10-15 2019-10-15 一种双域分解的矿井下含噪声图像的增强方法 Expired - Fee Related CN110634112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910976955.3A CN110634112B (zh) 2019-10-15 2019-10-15 一种双域分解的矿井下含噪声图像的增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910976955.3A CN110634112B (zh) 2019-10-15 2019-10-15 一种双域分解的矿井下含噪声图像的增强方法

Publications (2)

Publication Number Publication Date
CN110634112A true CN110634112A (zh) 2019-12-31
CN110634112B CN110634112B (zh) 2022-02-22

Family

ID=68975120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910976955.3A Expired - Fee Related CN110634112B (zh) 2019-10-15 2019-10-15 一种双域分解的矿井下含噪声图像的增强方法

Country Status (1)

Country Link
CN (1) CN110634112B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898567A (zh) * 2020-08-04 2020-11-06 昆山九毫米电子科技有限公司 基于经验小波变换的弹丸激波信号噪声抑制方法
CN113674158A (zh) * 2020-05-13 2021-11-19 浙江宇视科技有限公司 图像处理方法、装置、设备及存储介质
CN117372301A (zh) * 2023-09-27 2024-01-09 深圳市梦作坊科技有限公司 基于多模耦合技术的游戏图像处理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346776A (zh) * 2013-08-02 2015-02-11 杭州海康威视数字技术股份有限公司 基于Retinex理论的非线性图像增强方法及其***
CN105139367A (zh) * 2015-07-27 2015-12-09 中国科学院光电技术研究所 一种基于非下采样剪切波的可见光偏振图像融合方法
CN105894462A (zh) * 2016-03-21 2016-08-24 辽宁师范大学 基于剪切波域隐马尔可夫树模型的遥感图像去噪方法
CN107798665A (zh) * 2017-11-07 2018-03-13 天津大学 基于结构‑纹理分层的水下图像增强方法
CN107862666A (zh) * 2017-11-22 2018-03-30 新疆大学 基于nsst域的混合遥感图像增强方法
CN109146814A (zh) * 2018-08-20 2019-01-04 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN109919861A (zh) * 2019-01-29 2019-06-21 浙江数链科技有限公司 红外图像增强方法、装置、计算机设备和存储介质
CN109961411A (zh) * 2019-03-12 2019-07-02 浙江工业大学之江学院 非下采样剪切波变换医学ct图像去噪方法
CN110175964A (zh) * 2019-05-30 2019-08-27 大连海事大学 一种基于拉普拉斯金字塔的Retinex图像增强方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346776A (zh) * 2013-08-02 2015-02-11 杭州海康威视数字技术股份有限公司 基于Retinex理论的非线性图像增强方法及其***
CN105139367A (zh) * 2015-07-27 2015-12-09 中国科学院光电技术研究所 一种基于非下采样剪切波的可见光偏振图像融合方法
CN105894462A (zh) * 2016-03-21 2016-08-24 辽宁师范大学 基于剪切波域隐马尔可夫树模型的遥感图像去噪方法
CN107798665A (zh) * 2017-11-07 2018-03-13 天津大学 基于结构‑纹理分层的水下图像增强方法
CN107862666A (zh) * 2017-11-22 2018-03-30 新疆大学 基于nsst域的混合遥感图像增强方法
CN109146814A (zh) * 2018-08-20 2019-01-04 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN109919861A (zh) * 2019-01-29 2019-06-21 浙江数链科技有限公司 红外图像增强方法、装置、计算机设备和存储介质
CN109961411A (zh) * 2019-03-12 2019-07-02 浙江工业大学之江学院 非下采样剪切波变换医学ct图像去噪方法
CN110175964A (zh) * 2019-05-30 2019-08-27 大连海事大学 一种基于拉普拉斯金字塔的Retinex图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DULIANG LV: "Remote sensing image enhancement based on the combination of nonsubsampled shearlet transform and guided filtering", 《OPTICAL ENGINEERING》 *
田子建 等: "基于双域分解的矿井下图像增强算法", 《光子学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674158A (zh) * 2020-05-13 2021-11-19 浙江宇视科技有限公司 图像处理方法、装置、设备及存储介质
CN111898567A (zh) * 2020-08-04 2020-11-06 昆山九毫米电子科技有限公司 基于经验小波变换的弹丸激波信号噪声抑制方法
CN111898567B (zh) * 2020-08-04 2023-11-07 昆山九毫米电子科技有限公司 基于经验小波变换的弹丸激波信号噪声抑制方法
CN117372301A (zh) * 2023-09-27 2024-01-09 深圳市梦作坊科技有限公司 基于多模耦合技术的游戏图像处理方法

Also Published As

Publication number Publication date
CN110634112B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Majumdar Blind denoising autoencoder
CN110634112B (zh) 一种双域分解的矿井下含噪声图像的增强方法
Yin et al. Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data
Kollem et al. Improved partial differential equation-based total variation approach to non-subsampled contourlet transform for medical image denoising
Jardim et al. Savitzky–Golay filtering as image noise reduction with sharp color reset
Kollem et al. Denoising and segmentation of MR images using fourth order non‐linear adaptive PDE and new convergent clustering
Grigoryan et al. Optimal Wiener and homomorphic filtration
CN104820969A (zh) 一种实时图像盲复原方法
CN111982489B (zh) 选择集成的改进局部特征分解的微弱故障特征提取方法
CN114418886A (zh) 一种基于深度卷积自编码器的鲁棒性去噪方法
CN113222853A (zh) 一种基于噪声估计的渐进式红外图像降噪方法
Krishnan et al. An efficient operator splitting method for noise removal in images
CN108649926B (zh) 基于小波基张量稀疏表示的das数据去噪方法
Zhang et al. Image denoising based on the wavelet semi-soft threshold and total variation
Qingrong et al. Contrast enhancement of medical images using fuzzy set theory and nonsubsampled shearlet transform
Wali et al. Fast and adaptive boosting techniques for variational based image restoration
Deivalakshmi et al. Balanced GHM Mutiwavelet Transform Based Contrast Enhancement Technique for Dark Images Using Dynamic Stochastic Resonance.
Li et al. A novel remote sensing image enhancement method using unsharp masking in nsst domain
Tseng et al. Image restoration using hybrid features improvement on morphological component analysis
Rela et al. Efficient image enhancement techniques applied on medical imaging-A state-of-the art survey
Kumar et al. Edge preservation based CT image denoising using wavelet and curvelet transforms
Sang et al. Sonar image denoising based on HMT model in morphological wavelet domain
Gan et al. New Splitting Algorithms for Multiplicative Noise Removal Based on Aubert-Aujol Model.
Xing et al. ESPI Images Denoising Based on Improved Total Variation
Thompson An empirical evaluation of denoising techniques for streaming data

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: 20220222