CN110992288B - 一种用于矿山井筒环境下的视频图像盲去噪方法 - Google Patents
一种用于矿山井筒环境下的视频图像盲去噪方法 Download PDFInfo
- Publication number
- CN110992288B CN110992288B CN201911242397.4A CN201911242397A CN110992288B CN 110992288 B CN110992288 B CN 110992288B CN 201911242397 A CN201911242397 A CN 201911242397A CN 110992288 B CN110992288 B CN 110992288B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- frame
- video
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006073 displacement reaction Methods 0.000 claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/285—Analysis of motion using a sequence of stereo image pairs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种用于矿井环境下的视频图像盲去噪方法,包括:选取与待去噪视频图像前后相邻的若干图像帧,在每一图像帧中寻找具有典型特征的图像块群,通过在前一帧图像中查找和该图像块群具有最小差异度的块群来确定帧间的精确位移;将待去噪视频图像划分成若干图像块,根据帧间的精确位移快速构建每个图像块的自相似序列集;将自相似序列集对应的二维图像块组合成三维矩阵并进行三维变换,并对变换系数进行自适应阈值滤波;对三维逆变换后的三维矩阵聚合生成去噪图像。本发明在提高算法执行效率的同时,与现有的图像去噪方法相比较,所得去噪图像具有较好的信噪比和视觉效果。
Description
技术领域
本发明涉及矿山井安筒全和数字图像处理技术领域,尤其涉及一种用于矿山井筒环境下的视频图像盲去噪方法。
背景技术
随着图像处理技术的发展,对所采集的矿山井筒设施视频图像进行拼接、识别,快速、准确地判断设备是否存在故障引起了重视,然而在复杂的提升井筒环境中,在高速运动的罐笼上,借助摄像技术采集的设施视频图像中包含较多的噪声,从而影响后继井筒设施故障自动分析与识别的精度。对噪声图像进行去噪是数字图像处理和计算机视觉领域中的一个基本而关键的问题。具体而言,噪声在图像上常表现为引起较强视觉效果的孤立像素点或像素块,图像去噪是指减少数字图像中的噪声的过程。
近年来,许多研究人员对图像去噪算法进行了大量的研究,目前图像去噪方法主要有基于深度学***的噪声图像具有较好的去噪效果,但是对于噪声水平未知的矿山井筒视频图像去噪效果并不理想。常出现的情况是当噪声方差估计过小时,噪声则不能较好地被去除,当噪声方差估计过大时,去噪后的图像细节又会出现模糊现象。
另外,从时效方面分析,图像去噪是一个相对耗时的过程,已有传统去噪方法需要对图像中的每个像素点计算它与搜索窗口内若干个像素间的相似度,或者将图像划分成若干个图像块并在搜索窗口内查找若干与之相似的图像块,利用这些像素或图像块进行加权平均实现图像去噪。搜索窗口的大小直接影响算法的时间复杂度,小的搜索区域计算量小但是去噪性能较差,而较大的搜索区域去噪性能较好但是增加了计算量。已有的图像去噪算法由于没有利用井筒视频图像帧间的冗余信息,导致算法复杂度较高并且去噪效果不理想。
发明内容
针对上述存在的技术问题,本发明的目的是提供一种用于矿山井筒环境下的视频图像盲去噪方法,利用视频图像帧间存在的冗余信息,以高信噪比且高效地对噪声方差未知的井筒图像进行有效地盲去噪。
本发明的技术方案为一种用于矿山井筒环境下的视频图像盲去噪方法,包括以下步骤:
步骤1,在待去噪图像上寻找n个典型特征图像块,并根据块群结构构建典型特征块群;
步骤2,利用步骤1所获得的典型特征块群计算视频帧间精确位移;
步骤3,根据步骤2中计算得到的帧间精确位移,对噪声图像帧中的每个图像块构建自相似序列集;
步骤4,对噪声图像的噪声水平进行估计,并在此基础上计算三维变换系数的自适应阈值;
步骤5,根据步骤3所得的相似序列集,使用基于自适应阈值的三维变换和三维逆变换对自相似序列集进行滤波获得对应得三维图像块矩阵,并对三维图像块矩阵进行加权融和,获得最终的去噪图像。
进一步的,步骤1的实现方式为,
对给定大小的图像块,搜索图像块的均方差大于给定阈值的n个图像块为典型特征块,根据预定义的块群结构,构建n个典型特征块群;
设t时刻的待去噪的视频图像为ut,前一帧视频图像为ut-1,确定视频图像帧ut和ut-1的帧间位移时,图像ut中的每个图像块大小为N2×N2,对视频图像帧ut中左上角坐标位于x处的待判别的图像块进行归一化,生成图像块的均值和均方差为:
以每一个典型特征块为中心,根据块群结构将与其直接相邻并大小相同的邻域图像块一起作为特征块群。
进一步的,步骤2的实现方式为,
其中,下标xR为参考图像块的左上角像素在ut中的二维坐标,下标x为图像块的左上角像素在uk中的二维坐标;为二维欧式距离;T2D为二维离散余弦DCT变换;则和被判别为相似图像块,Tm是指给定的差异度阈值;
设搜索到的第1个典型特征图像块的左上角像素坐标为x10,根据初始给定的帧间位移估计Δini,映射到前一视频图像帧ut-1中的坐标为x10+Δini;在视频帧ut-1中,以坐标x10+Δini为中心,在宽度为2Δini的正方形邻域内,搜索与n个典型特征图像块群具有最小差异度的图像块群,确定帧间的精确位移为:
其中xij为第i个特征块群中序号为j的图像块的左上角像素坐标;n为图像中典型特征图像块群的个数;m为每个块群中图像块的个数;wij为第i个特征块群中的序号为j的图像块的距离权重,对于每个块群i,其典型特征图像块的块距离di1=0,而块群直接相邻的上下左右四个图像块距离dij=1,四个角上的块距离
进一步的,步骤3的实现方式为,
将视频图像帧ut以步长为Nstep划分为N1×N1大小的图像块作为参考块,在以ut为中心的前后连续2l+1帧视频图像ut-l,…,ut,…,ut+l上,依次查找每个参考块的自相似图像块并构建相应的自相似序列集;
进一步的,步骤4的实现方式为,
计算三维变换自适应阈值,利用典型特征块群和图像帧间位移,求取视频图像帧ut和ut-1间的差异度对噪声图像的噪声水平进行估计,计算过程为:
通过计算多幅不同噪声方差的视频图像帧在最佳去噪效果时对应的阈值λ3D和对应的平均帧间差异度distt,通过对λ3D和distt进行拟合,得到自适应阈值λ3D:
λ3D=min(0.1824×(distt)2+0.7285×distt+0.0394,6.386)。
进一步的,步骤5的具体实现方式为,
对于参考块的自相似序列集如果则采用基于阈值的离散余弦去噪算法对该图像块进行去噪处理,反之则采用3D滤波变换,对变换后的系数进行阈值处理,从而减弱噪声干扰;将中对应的图像块组合成三维图像矩阵通过3D变换及逆变换后的三维矩阵为:
三维图像块矩阵是由个经过3D滤波的二维图像块组成,每个滤波后的二维图像块表示为下标sn表示二维图像块所在的帧序号,同时将每个图像块中所有元素的坐标映射为和参考图像块对应的像素的坐标相同,即每个图像块的左上角像素坐标为xR;每个图像块内的任意坐标x处像素的权重定义为:
本发明具有以下优点和积极效果:
(1)本发明利用视频帧间信息冗余,通过典型特征块群快速确定帧间精确位移,从而解决了图像视频采集装置抖动及非匀速运动导致帧间位移存在差异的问题;
(2)本发明仅利用视频帧间精确位移快速构建自相似序列集,避免了对每个图像块进行区域搜索,从而进一步提高了算法的执行效率;
(3)本发明根据帧间信息冗余,利用平均帧间差异度估计待去噪视频图像的噪声的强度,在此基础上构建自适应阈值,从而解决了图像的盲去噪问题;
(4)本发明使用基于自适应阈值的3D变换和3D逆变换对图像滤波,将3D逆变换后的三维矩阵进行加权聚合生成去噪图像,从而使算法处理后的去噪图像具有更好的视觉效果和信噪比。
附图说明
图1为本发明实施例的典型特征块群结构示意图,中间部分为典型特征图像块;
图2为本发明实施例的处理流程图;
图3为本发明实施例的处理效果图,其中(a)为噪声图像,(b)为NL-Means算法去噪后的图像,(c)为FNL-Means算法去噪后的图像,(d)为BM3D算法去噪后的图像,(e)为BM3D-B算法去噪后的图像,(f)为本发明去噪后的图像,箭头后的图像为放大效果图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明技术方案可采用计算机软件技术实现自动运行流程,实施例所提供一种用于矿山井筒环境下的视频图像盲去噪方法的流程依次包括以下步骤:
1、在待去噪图像上寻找典型特征图像块,并根据块群结构构建典型特征块群
本发明利用典型特征图像块构建特征块群,用于快速定位帧间精确位移,以便后继快速构建图像块的自相似序列集,从而提高去噪的时间效率和信噪比。但是在实际应用中,视频采集装置抖动及非匀速运动使得仅依靠采集装置移动速度计算的帧间位移并不准确,需要进一步精确确定帧间位移,为了避免通过典型特征块可以提高视频帧间位移定位的精度。
实施例定义第t时刻的视频图像帧为ut,待判别的图像块大小为N2×N2个像素,实验表明N2取值为16获得较好的效果。以确定视频图像帧ut-1和ut的帧间位移定位为例,为了防止光照等因素影响,对视频图像帧ut中待判别的图像块进行归一化,生成图像块的均值和均方差为:
实施例给定阈值Ts,待判别图像块满足时被判别为典型特征图像块,具体实施中,典型特征块阈值Ts在[0.04,0.08]之间取值均可获得较好实验结果,本发明选取Ts=0.06,Ts本文选取N2=16。从左到右从上到下顺序搜寻n个彼此不重叠的典型特征图像块,根据实施例给定的如图1所示的包含5个图像块的块群结构,构建n个典型特征图像块群将其联合起来共同确定帧间位移,实验表明n=2可以获得较好的去噪效果和较高的时间效率。
2、利用典型特征块群计算视频帧间精确位移
本发明利用当前图像帧中搜索到的典型特征块群确定和前一帧视频图像之间的精确帧间位移,实施实例通过在前一帧视频图像中搜索和当前图像帧的典型特征块群具有最小差异度的块群来定位帧间精确位移。
式中,下标xR为参考图像块的左上角像素在视频图像帧ut中的二维坐标,下标x为图像块的左上角像素在视频图像帧uk中的二维坐标;为二维欧式距离;T2D为二维离散余弦DCT变换。理想情况下,当时,图像块和参考图像块为相似图像块。考虑噪声的影响,给定差异度阈值Tm,满足:
不同的N1值影响算法的实效和去燥图像的信噪比。实验结果表明,当N1取值较小时,去噪后的图像存在块效应现象,当N1取较大值时,图像块内像素的相关性较低,去噪后图像包含较多噪声,并且时间效率降低,N1选取8获得较好结果。具体实施时,当Tm较小时,去噪后图像的平均信噪比随着Tm的增加而增加,而当Tm超过某一值而继续增加时,去噪后图像的平均信噪比随之下降。Tm取值过大,将导致自相似序列集中的图像块间差异度较大,去噪后的图像出现模糊现象,Tm取值过小,将导致自相似序列集中的图像块减少,使得去噪后的图像包含较多噪声。从实验结果中可看出,Tm在区间[0.14,0.26]中取值均可获得较好的去噪结果,本发明在图像的噪声方差小于30时,去Tm=0.15,大于等于30时取Tm=0.20。
本发明设搜索到的第1个典型特征图像块的左上角像素坐标为x10,根据初始给定的帧间位移估计Δini,映射到前一视频图像帧ut-1中的坐标为x10+Δini。在视频帧ut-1中,以坐标x10+Δini为中心,在宽度为2Δini的正方形邻域内,搜索与n个典型特征图像块群具有最小差异度的图像块群,确定帧间的精确位移为:
其中xij为第i个特征块群中序号为j的图像块的左上角像素坐标;n为图像中典型特征图像块群的个数;m为每个块群中图像块的个数;wij为第i个特征块群中的序号为j的图像块的距离权重,对于每个块群i,其典型特征图像块的块距离di1=0,而直接相邻的上下左右四个图像块距离dij=1,四个角上的块距离实施例在实施过程中,实验说明特性特征块群个数n取值为2即可获得较好的运行效果。
实施例在实施过程中对连续多帧视频图像帧进行去燥时,当视频图像帧ut的去噪操作完成时,视频图像帧ut+l之前的帧间精确位移均已获得,在对视频图像帧ut+1进行去噪时,仅需在视频图像帧ut+l+1上进行典型特征块查找来确定视频图像帧ut+l和ut+l+1之间的帧间位移,算法将进一步降低每个视频图像帧去噪的计算量。
3、对于噪声视频图像帧构建每个图像块的自相似序列集
本发明根据帧间精确位移对噪声图像帧中的每个图像块构建自相似序列集。将视频图像帧ut以步长为Nstep划分为N1×N1大小的图像块作为参考块,在以ut为中心的前后连续2l+1帧视频图像ut-l,…,ut,…,ut+l上,依次查找每个参考块的自相似图像块并构建相应的自相似序列集。不同的步长Nstep影响算法的时效,Nstep取值过小,算法的运行时间长,而取值过大,去噪的效果变差。实验表明,Nstep选取3可获得较好的运行结果。
本发明中,l取4时信噪比最高,去噪效果最好,但是算法耗时过长;l取1时运行时间最短,但去噪效果稍差,去噪图像细节部分保持稍差。综合信噪比和运行时间,本发明选择l=3,即在连续7帧视频图像帧上构建自相似序列集。
4、对噪声图像的噪声水平进行估计,在此基础上计算三维变换系数的自适应阈值;
本发明利用典型特征块群和帧间精确位移求取视频图像帧ut和ut-1间的差异度为:
在没有噪声的情况下distt的值为0,在存在噪声的情况下,distt的大小和噪声的强度相关,可以用来估计图像噪声方差。
本发明通过计算多幅不同噪声方差的视频图像帧在最佳去噪效果时对应的阈值λ3D和对应的平均帧间差异度distt,通过对λ3D和distt进行拟合,得到自适应阈值λ3D为:
λ3D=min(0.1824×(distt)2+0.7285×distt+0.0394,6.386) (10)
5、对每个图像块的自相似序列集进行自适应阈值的3维滤波,并对滤波后的三位图像块矩阵进行加权融合,生成最终去噪图像。
实施例对于参考块的自相似序列集如果则采用基于阈值的离散余弦(DCT)去噪算法对该图像块进行去噪处理,反之则采用3D滤波变换,对变换后的系数进行阈值处理,从而减弱噪声干扰。将中对应的图像块组合成三维图像矩阵通过3D变换及逆变换后的三维矩阵为:
三维图像块矩阵是由个经过3D滤波的二维图像块组成,每个滤波后的二维图像块表示为下标sn表示二维图像块所在的帧序号,同时将每个图像块中所有元素的坐标映射为和参考图像块对应的像素的坐标相同,即每个图像块的左上角像素坐标为xR。每个图像块内的任意坐标x处像素的权重定义为:
本发明在具体实施时,如果对视频中的连续多帧视频图像帧去噪,则当视频图像帧ut的去噪操作完成时,视频图像帧ut+l之前的帧间精确位移均已获得,在对视频图像帧ut +1进行去噪时,仅需在视频图像帧ut+l+1上进行典型特征块查找来确定视频图像帧ut+l和ut +l+1之间的帧间位移,算法将进一步降低每个视频图像帧去噪的计算量。
实验结果表明,通过本技术方案,可以对噪声水平为止的矿山井筒视频图像进行有效的盲去噪,相比于现有的图像去噪算法,本算法具有更高的去噪信噪比和更好的时效。
本文中所描述的具体实施例仅仅是对本发明作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种用于矿山井筒环境下的视频图像盲去噪方法,其特征在于,包括以下步骤:
步骤1,在待去噪图像上寻找n个典型特征图像块,并根据块群结构构建典型特征块群;
步骤1的实现方式为,
对给定大小的图像块,搜索图像块的均方差大于给定阈值的n个图像块为典型特征块,根据预定义的块群结构,构建n个典型特征块群;
设t时刻的待去噪的视频图像为ut,前一帧视频图像为ut-1,确定视频图像帧ut和ut-1的帧间位移时,图像ut中的每个图像块大小为N2×N2,对视频图像帧ut中左上角坐标位于x处的待判别的图像块进行归一化,生成图像块的均值和均方差为:
以每一个典型特征块为中心,根据块群结构将与其直接相邻并大小相同的邻域图像块一起作为特征块群;
步骤2,利用步骤1所获得的典型特征块群计算视频帧间精确位移;
步骤3,根据步骤2中计算得到的帧间精确位移,对噪声图像帧中的每个图像块构建自相似序列集;
步骤4,对噪声图像的噪声水平进行估计,并在此基础上计算三维变换系数的自适应阈值;
步骤5,根据步骤3所得的相似序列集,使用基于自适应阈值的三维变换和三维逆变换对自相似序列集进行滤波获得对应得三维图像块矩阵,并对三维图像块矩阵进行加权融和,获得最终的去噪图像。
2.根据权利要求1所述一种用于矿山井筒环境下的视频图像盲去噪方法,其特征在于:步骤2的实现方式为,
其中,下标xR为参考图像块的左上角像素在ut中的二维坐标,下标x为图像块的左上角像素在uk中的二维坐标;为二维欧式距离;T2D为二维离散余弦DCT变换;则和被判别为相似图像块,Tm是指给定的差异度阈值;
设搜索到的第1个典型特征图像块的左上角像素坐标为x10,根据初始给定的帧间位移估计Δini,映射到前一视频图像帧ut-1中的坐标为x10+Δini;在视频帧ut-1中,以坐标x10+Δini为中心,在宽度为2Δini的正方形邻域内,搜索与n个典型特征图像块群具有最小差异度的图像块群,确定帧间的精确位移为:
3.根据权利要求2所述一种用于矿山井筒环境下的视频图像盲去噪方法,其特征在于:步骤3的实现方式为,
将视频图像帧ut以步长为Nstep划分为N1×N1大小的图像块作为参考块,在以ut为中心的前后连续2l+1帧视频图像ut-l,…,ut,…,ut+l上,依次查找每个参考块的自相似图像块并构建相应的自相似序列集;
4.根据权利要求3所述一种用于矿山井筒环境下的视频图像盲去噪方法,其特征在于:步骤4的实现方式为,
计算三维变换自适应阈值,利用典型特征块群和图像帧间位移,求取视频图像帧ut和ut-1间的差异度对噪声图像的噪声水平进行估计,计算过程为:
通过计算多幅不同噪声方差的视频图像帧在最佳去噪效果时对应的阈值λ3D和对应的平均帧间差异度distt,通过对λ3D和distt进行拟合,得到自适应阈值λ3D:
λ3D=min(0.1824×(distt)2+0.7285×distt+0.0394,6.386)。
5.根据权利要求4所述一种用于矿山井筒环境下的视频图像盲去噪方法,其特征在于:步骤5的具体实现方式为,
对于参考块的自相似序列集如果则采用基于阈值的离散余弦去噪算法对该图像块进行去噪处理,反之则采用3D滤波变换,对变换后的系数进行阈值处理,从而减弱噪声干扰;将中对应的图像块组合成三维图像矩阵通过3D变换及逆变换后的三维矩阵为:
三维图像块矩阵是由个经过3D滤波的二维图像块组成,每个滤波后的二维图像块表示为下标sn表示二维图像块所在的帧序号,同时将每个图像块中所有元素的坐标映射为和参考图像块对应的像素的坐标相同,即每个图像块的左上角像素坐标为xR;每个图像块内的任意坐标x处像素的权重定义为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242397.4A CN110992288B (zh) | 2019-12-06 | 2019-12-06 | 一种用于矿山井筒环境下的视频图像盲去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242397.4A CN110992288B (zh) | 2019-12-06 | 2019-12-06 | 一种用于矿山井筒环境下的视频图像盲去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992288A CN110992288A (zh) | 2020-04-10 |
CN110992288B true CN110992288B (zh) | 2023-04-28 |
Family
ID=70090839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911242397.4A Active CN110992288B (zh) | 2019-12-06 | 2019-12-06 | 一种用于矿山井筒环境下的视频图像盲去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992288B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583151B (zh) * | 2020-05-09 | 2023-05-12 | 浙江大华技术股份有限公司 | 一种视频降噪方法及设备、计算机可读存储介质 |
CN112055255B (zh) * | 2020-09-15 | 2022-07-05 | 深圳创维-Rgb电子有限公司 | 拍摄画质优化方法、装置、智能电视和可读存储介质 |
CN112529854B (zh) * | 2020-11-30 | 2024-04-09 | 华为技术有限公司 | 一种噪声估计方法、装置、存储介质及设备 |
CN113055670B (zh) * | 2021-03-08 | 2024-03-19 | 浙江裕瀚科技有限公司 | 一种基于hevc/h.265的视频编码的方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404148A (zh) * | 2011-03-09 | 2013-11-20 | 日本电信电话株式会社 | 图像处理方法、图像处理装置、视频编码化/解码方法、视频编码化/解码装置以及它们的程序 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107172322A (zh) * | 2017-06-16 | 2017-09-15 | 北京飞识科技有限公司 | 一种视频降噪方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311690B2 (en) * | 2014-03-11 | 2016-04-12 | Adobe Systems Incorporated | Video denoising using optical flow |
-
2019
- 2019-12-06 CN CN201911242397.4A patent/CN110992288B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404148A (zh) * | 2011-03-09 | 2013-11-20 | 日本电信电话株式会社 | 图像处理方法、图像处理装置、视频编码化/解码方法、视频编码化/解码装置以及它们的程序 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107172322A (zh) * | 2017-06-16 | 2017-09-15 | 北京飞识科技有限公司 | 一种视频降噪方法和装置 |
Non-Patent Citations (1)
Title |
---|
Kostadin Dabov等.Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering.IEEE TRANSACTIONS ON IMAGE PROCESSING.2007,第16卷(第8期),摘要,正文II、III部分. * |
Also Published As
Publication number | Publication date |
---|---|
CN110992288A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992288B (zh) | 一种用于矿山井筒环境下的视频图像盲去噪方法 | |
CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
JP7256902B2 (ja) | ビデオノイズ除去方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN108257165B (zh) | 图像立体匹配方法、双目视觉设备 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及*** | |
CN107730536B (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
CN111612817A (zh) | 基于深浅特征自适应融合与上下文信息的目标跟踪方法 | |
CN111753693B (zh) | 一种静态场景下目标检测方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN111652790A (zh) | 一种亚像素图像配准方法 | |
CN115131351A (zh) | 基于红外图像的机油散热器检测方法 | |
Abd Manap et al. | Disparity refinement based on depth image layers separation for stereo matching algorithms | |
KR101870700B1 (ko) | 3차원 복원을 위한 핸드헬드 비디오로부터 고속 키 프레임 추출 방법 | |
CN108010044A (zh) | 一种视频边界检测的方法 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
Zhang et al. | Local stereo matching: An adaptive weighted guided image filtering-based approach | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
CN107248143B (zh) | 一种基于图像分割的深度图像修复方法 | |
CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 | |
RU2580466C1 (ru) | Устройство восстановления карты глубины сцены | |
CN111160362B (zh) | 一种fast特征均匀化提取与帧间特征误匹配去除方法 | |
CN112801903B (zh) | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 | |
RU2716311C1 (ru) | Устройство для восстановления карты глубины с поиском похожих блоков на основе нейронной сети | |
CN110430340B (zh) | 一种脉冲阵列信号的降噪方法与*** | |
CN112529815A (zh) | 一种雨后真实图像中雨滴去除方法及*** |
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 |