CN111784733B - 图像处理方法、装置、终端和计算机可读存储介质 - Google Patents
图像处理方法、装置、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111784733B CN111784733B CN202010642524.6A CN202010642524A CN111784733B CN 111784733 B CN111784733 B CN 111784733B CN 202010642524 A CN202010642524 A CN 202010642524A CN 111784733 B CN111784733 B CN 111784733B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- algorithm
- processed
- preset
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 230000009466 transformation Effects 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000010845 search algorithm Methods 0.000 claims abstract description 15
- 230000001131 transforming effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 4
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000011282 treatment Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Picture Signal Circuits (AREA)
Abstract
本申请揭示了一种图像处理方法,应用于图像处理领域,该方法包括:实时获取待处理图像,并通过预设搜索算法确定待处理图像的运动向量;若运动向量不为0向量,则按照预设变换算法,将待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;将噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的目标类型的噪声,按照预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若运动向量为0向量,则将当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像。该方法还揭示了图像处理装置、终端及计算机可读存储介质,可实时处理图像,提高图像清晰度。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像处理方法、图像处理装置、终端和计算机可读存储介质。
背景技术
DR(Digital Radiography)设备,即直接数字化X射线摄影***,由于在临床辅助诊断中具有重要价值越来越受医院放射科青睐。但也有不足,例如平板探测器采集到的透视图像的泊松分布型噪声非常明显,影响临床辅助诊断。因此需要在图像处理时,在不影响临床诊断的前提下采用将降噪算法降低图像噪声,该降噪算法包括高斯滤波方法、双边滤波方法、NLM(Non-Local Means,非局部均值)滤波方法、BM3D(Block-Matchingand3Dfiltering)算法等。
上述处理图像技术对高斯噪声的降除效果比较好,但完整的BM3D算法目前无法做到对图像的实时处理,而其他算法虽然能做到实时处理,但对非高斯噪声的降噪效果不佳。因此使用上述技术处理的X光透视图像清晰度较低,无法满足临床辅助诊断要求。
发明内容
本发明实施例提供一种图像处理方法、图像处理装置、终端和计算机可读存储介质,以解决不能实时处理图像,以及图像处理质量不高的问题。
本发明实施例提供了一种图像处理方法,包括:
实时获取待处理图像,并通过预设搜索算法确定所述待处理图像的运动向量;若所述运动向量不为0向量,则按照预设变换算法,将所述待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;将所述噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的所述目标类型的噪声,按照所述预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若所述运动向量为0向量,则将所述当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像。
本发明实施例还提供了一种图像处理装置,包括:
运动估计模块,用于实时获取待处理图像,并通过预设搜索算法确定所述待处理图像的运动向量;
噪声变换模块,用于若所述运动向量不为0向量,则按照预设变换算法,将所述待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;
滤波模块,用于将所述噪声处理图像按照预设滤波算法进行滤波;所述噪声变换模块,还用于将滤波后的图像中的所述目标类型的噪声,按照所述预设变换算法的逆变换算法进行逆变换,得到第一结果图像;输出模块,用于输出所述第一结果图像;计算模块,用于若所述运动向量为0向量,则将所述当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到第二结果图像。所述输出模块,还用于输出所述第二结果图像。
本发明实施例还提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其所述处理器执行所述计算机程序时实现如上所述的图像处理方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的图像处理方法。
本发明实施例中,实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量,若该运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像,将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像,通过先搜索图像的运动向量,并根据运动向量是否为0向量分别进行不同方式的降噪处理,可提高图像的降噪效果,并且处理速度快,可实现对图像的实时降噪,以及,在处理图像时充分利用了相邻帧的信息,可以进一步提高图像的清晰度。
附图说明
图1是本发明一实施例提供的图像处理方法的流程示意图;
图2为本发明的图像处理方法的应用场景示意图;
图3为本发明另一实施例提供的图像处理方法的流程示意图;
图4为本发明实施例中图像处理装置的结构示意图;
图5为本发明实施例中终端的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的图像处理方法的流程示意图,该图像处理方法可以实时处理DR透视图像,也可处理其他图像,请参阅图2,图2为图像处理方法的应用场景示意图,平板探测器10和终端20通过有线或无线方式连接,进行数据传输。其中,平板探测器10用于获取透视图像,终端20中运行该图像处理方法,对该透视图像进行处理。终端20包括PC机等终端。该图像处理方法主要包括以下步骤:
S101、实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量;
本实施例中的图像处理方法可用于实时处理平板探测器获取的透视图像。实时获取待处理的图像,该待处理的图像即为平板探测器实时获得的透视图像。
运动向量,即运动矢量,表示运动估计的点的位置的坐标。
预设搜索算法,可以是全搜索法,三步搜索法,四步搜索法,菱形搜索法等。
判断该运动向量是否为0向量,若否,则表示相邻帧的图像内容发生了相对移动,执行步骤S102;若是,在理论上则表示相邻帧的图像内容没有相对移动,执行步骤S104。
S102、若运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;
该目标类型的噪声是指加性噪声,而平板探测器的加性噪声属于泊松分布。
具体地,按照预设的anscombe(安斯科姆)变换算法,将该待处理图像中的加性噪声从泊松分布变换为高斯分布噪声,得到该噪声处理图像。变换关系为:
其中,x为该待处理图像的像素数据,y为该噪声处理图像的像素数据。
S103、将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;
将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的加性噪声,按照anscombe变换算法的逆变换算法,从高斯分布转换为泊松分布,得到第一结果图像,并输出该第一结果图像,具体可以是显示在终端的屏幕上,提供给用户查看。
S104、若运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像。
若运动向量为0向量,则在当前帧中确定参考像素,并在该当前帧的前后两个相邻帧的图像中确认该参考像素的匹配点,该匹配点满足var(M2/M1)的值最小,其中M1为该参考像素的邻域,M2为该匹配点的邻域,var表示均方差计算。然后经匹配点加权平均计算,得到第二结果图像,并输出该第二结果图像,具体可以是显示在终端的屏幕上,提供给用户查看。
本发明实施例中,实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量,若该运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像,将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像,通过先搜索图像的运动向量,并根据运动向量是否为0向量分别进行不同方式的降噪处理,可提高图像的降噪效果,并且处理速度快,可实现对图像的实时降噪,以及,在处理图像时充分利用了相邻帧的信息,可以进一步提高图像的清晰度。
参见图3,图3为本发明另一个实施例提供图像处理方法,该包括:
S201、实时获取待处理图像,并通过三步搜索算法确定该待处理图像的运动向量;
三步搜索法是一种运动估计算法,主要是比较搜索区域正方形的中心点和四周的八个搜索点,计算这九个点的SAD(Sum of absolute difference,绝对差和)值,选择SAD值最小的点作为下一次搜索的中心点,然后,以上一步中得到的点为中心,将本次搜索步长减为上次搜索步长的一半,然后进行相似的搜索,跟踪最小块误差点,如此在第三次搜索时就能找到最佳匹配位置,该最佳匹配位置即为运动估计的点,其坐标即为运动向量。
具体地,在当前帧的图像中取预设尺寸(如3×3)的图像块作为参考块,该参考块一共9个点,即中心点和周围的8个点。进一步在当前帧的前后两个相邻帧中,将与该参考块的中心点相同的像素点作为原点,将以该原点为中心点,尺寸与参考块相同的图像块作为起始块,即,该起始块也是一共由9个点构成。以预设的最大搜索长度(例如8)的一半作为搜索步长,在该两个相邻帧中确定该参考块的搜索块。具体地是将参考块和搜索块对应位置的像素值相减,求绝对值,在对这些绝对值求和,得到SAD值,那么当SAD值最小时,块误差最小,该搜索块和该参考块最相似。将最小的块误差对应的最小块误差点(MBD,minimumblock distortion)作为下一步的中心点。
进一步地,将步长减半,即从4减到2,中心点移到上一步的MBD点,重新在新的中心点的周围,距离该新的中心点步长为2的8个点,进行上述比较的,得到下一步的中心点。然后,再次将步长减半,即从2减到1,得到的MBD点即为运动估计的点,其坐标为运动向量。
判断运动向量是否为0向量,即该MBD点的坐标是否为(0,0),若是,则执行步骤S205,若否,则执行步骤S202。
S202、若该运动向量不为0向量,则按照anscombe变换算法,将该待处理图像中的加性噪声变换为高斯分布噪声,得到该噪声处理图像;
S203、将该噪声处理图像按照块匹配滤波算法进行滤波;
具体地,滤波步骤包括:在噪声处理图像中确认参照块,并按照预设的匹配规则,在噪声处理图像中确认多个参照块的相似块;
将噪声处理图像中的多个相似块整合为三维矩阵Q(P),通过维纳滤波将三维矩阵Q(P)进行系数放缩以实现滤波,缩放公式如下:
N(P)=Twein_inverse(wp·Twein(Q1(P)));
其中,N(P)表示系数矩阵,用于加权时作为系数;Twein_inverse()表示三维逆变换,wp为维纳滤波系数;Twein(Q(P))表示三维矩阵的三维变换;
通过三维反变换,将该三维矩阵变换回图像估计,并通过每个对应位置的相似块的值与系数矩阵N(P)加权得到每个像素的灰度值的方式,将噪声处理图像中的多个相似块还原到噪声处理图像的原位置。
S204、将滤波后的图像中的加性噪声,按照anscombe变换算法的逆变换算法进行逆变换,进逆变换,得到滤波后的图像中的加性噪声从高斯分布转换回泊松分布,得到并输出第一结果图像;
S205、若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像。
具体地,在该当前帧中选定参考像素Icur(x,y),并确定该参考像素的邻域,需要说明的是,邻域的大小是预设的值,可以根据需要设置邻域的大小,具体地,若以该参考像素为中心点,确定3×3大小的参考块,则在该参考块中将除去该参考像素之外的像素点所在的区域确定为该参考像素的邻域,进一步地,在该当前帧的前后两个相邻帧中分别查找该参考像素的匹配点Ineighbor(x’,y’),该匹配点满足var(M2/M1)的值最小,其中M1为该参考像素的邻域,M2为该匹配点的邻域,var表示均方差计算;
将前相邻帧的匹配点与当前帧的该参考像素进行加权平均计算,将计算得到的灰度值与后相邻帧的匹配点再次进行加权平均计算,得到目标像素的灰度值;
按照如下公式进行匹配点加权平均计算,得到目标像素的灰度值:
I(x,y)=w*Ineighbor(x’,y’)+(1-w)*Icur(x,y)
其中,w为权重值,w=exp(-var(M2/M1)/sigma^2),sigma为预置的常数,具体可根据实际效果来设置调整,且w≤0.5,I(x,y)为该目标像素的灰度值,Icur(x,y)为该参考像素的灰度值或该计算得到的灰度值,第一次加权平均计算,是将该参考像素的灰度值作为Icur(x,y)进行计算,第二次加权平均计算,则是将计算得到的灰度值作为Icur(x,y)进行计算,Ineighbor(x’,y’)为两个该匹配点像素的灰度值,以上灰度值中的(x,y)和(x’,y’)为对应的像素点的坐标;
将该目标像素组成的图像作为该第二结果图像,并输出该第二结果图像。
本实例中,实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量,若该运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像,将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像,通过先搜索图像的运动向量,并根据运动向量是否为0向量分别进行不同方式的降噪处理,可提高图像的降噪效果,并且处理速度快,可实现对图像的实时降噪,以及,在处理图像时充分利用了相邻帧的信息,可以进一步提高图像的清晰度。
参阅图4,本发明实施例还提供了一种图像处理装置,该装置可以是终端,也可以是终端中的一个模块,可以实现上述图像处理方法,该装置包括:
运动估计模块301,用于实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量;
噪声变换模块302,用于若该运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;
滤波模块303,用于将该噪声处理图像按照预设滤波算法进行滤波;
噪声变换模块302,还用于将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到第一结果图像;
输出模块304,用于输出该第一结果图像;
计算模块305,用于若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到第二结果图像。
输出模块304,还用于输出该第二结果图像。
进一步地,运动估计模块301,还用于确定该待处理图像的当前帧的前后两个相邻帧,并通过三步搜索算法,在该前后两个相邻帧中确定该运动向量。
噪声变换模块302,具体用于按照anscombe变换算法,将该待处理图像中的加性噪声变换为高斯分布噪声,得到该噪声处理图像。
滤波模块303,还用于对该噪声处理图像进行滤波预处理,得到该噪声处理图像的初步滤波图像;
在该噪声处理图像中确认参照块,并按照预设的匹配规则,从该噪声处理图像中确认多个该参照块的相似块;
将该噪声处理图像中的多个相似块整合为三维矩阵,通过维纳滤波将该三维矩阵进行系数放缩以实现滤波,缩放公式如下:
N(P)=Twein_inverse(wp·Twein(Q1(P)));
其中,N(P)表示系数矩阵;Twein_inverse()表示三维逆变换,wp为维纳滤波系数;Twein(Q(P))表示该三维矩阵的三维变换;
通过三维反变换,将该三维矩阵变换回图像估计,并通过每个对应位置的相似块的值与系数矩阵N(P)加权得到每个像素的灰度值的方式,将该噪声处理图像中的多个相似块还原到该噪声处理图像的原位置。
噪声变换模块302,还具体用于将滤波后的图像中的加性噪声,按照该anscombe变换算法的逆变换算法,从高斯分布转换回泊松分布。
计算模块305,还用于在该当前帧中选定参考像素,并确定该参考像素的邻域;
在该前后两个相邻帧中查找该参考像素的匹配点,该匹配点满足var(M2/M1)的值最小,其中M1为该参考像素的邻域,M2为该匹配点的邻域,var表示均方差计算;
将前相邻帧的匹配点与当前帧的该参考像素进行加权平均计算,将计算得到的灰度值与后相邻帧的匹配点再次进行加权平均计算,得到目标像素的灰度值;
按照如下公式进行匹配点加权平均计算,得到目标像素的灰度值:
I(x,y)=w*Ineighbor(x’,y’)+(1-w)*Icur(x,y)
其中,w为权重值,w=exp(-var(M2/M1)/sigma^2),sigma为预置的常数,具体可根据实际效果来设置调整,且w≤0.5,I(x,y)为该目标像素的灰度值,Icur(x,y)为该参考像素的灰度值,或该计算得到的灰度值,第一次加权平均计算,是将该参考像素的灰度值作为Icur(x,y)进行计算,第二次加权平均计算,则是将计算得到的灰度值作为Icur(x,y)进行计算,Ineighbor(x’,y’)为该两个匹配点像素的灰度值;
将该目标像素组成的图像作为该第二结果图像,并输出该第二结果图像。
本实施例中,实时获取待处理图像,并通过预设搜索算法确定该待处理图像的运动向量,若该运动向量不为0向量,则按照预设变换算法,将该待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像,将该噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的该目标类型的噪声,按照该预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;若该运动向量为0向量,则将该当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像,通过先搜索图像的运动向量,并根据运动向量是否为0向量分别进行不同方式的降噪处理,可提高图像的降噪效果,并且处理速度快,可实现对图像的实时降噪,以及,在处理图像时充分利用了相邻帧的信息,可以进一步提高图像的清晰度。
参见图5,本发明实施例还提供了一种终端4,包括存储器401、处理器402以及存储在存储器401中并可在处理器402上运行的计算机程序,处理器402执行计算机程序时实现如前述图1~图3所示实施例中的图像处理方法的各步骤。
处理器402可以是中央处理单元(Central Processing Unit,CPU),还可以是微处理器等其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器401可以包括只读存储器和随机存取存储器,还可以包括非易失性随机存取存储器。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现前述图1~图3所示实施例中的图像处理方法的各步骤。
其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
上述计算机可读存储介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机可读存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上为对本发明所提供的图像处理方法、图像处理装置、终端和计算机可读存储介质的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种图像处理方法,其特征在于,包括:
实时获取待处理图像,并通过预设搜索算法确定所述待处理图像的运动向量;
若所述运动向量不为0向量,则按照预设变换算法,将所述待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;
将所述噪声处理图像按照预设滤波算法进行滤波,并将滤波后的图像中的所述目标类型的噪声,按照所述预设变换算法的逆变换算法进行逆变换,得到并输出第一结果图像;
若所述运动向量为0向量,则将当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像;
所述通过预设搜索算法,确定所述待处理图像的运动向量包括:
确定所述待处理图像的当前帧的前后两个相邻帧;
通过三步搜索算法,在所述前后两个相邻帧中确定所述运动向量;
所述按照预设变换算法,将所述待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像包括:
按照anscombe变换算法,将所述待处理图像中的加性噪声变换为高斯分布噪声,得到所述噪声处理图像;
所述将所述噪声处理图像按照预设滤波算法进行滤波包括:
在所述噪声处理图像中确认参照块,并按照预设的匹配规则,从所述噪声处理图像中确认多个所述参照块的相似块;
将所述噪声处理图像中的多个相似块整合为三维矩阵;
通过维纳滤波将所述三维矩阵进行系数放缩以实现滤波,缩放公式如下:
N(P)=Twein_inverse(wp·Twein(Q1(P)));
其中,N(P)表示系数矩阵;Twein_inverse()表示三维逆变换,wp为维纳滤波系数;Twein(Q(P))表示所述三维矩阵的三维变换;
通过三维反变换,将所述三维矩阵变换回图像估计,并通过每个对应位置的相似块的值与所述系数矩阵加权得到每个像素的灰度值的方式,将所述噪声处理图像中的多个相似块还原到所述噪声处理图像的原位置;
所述将所述当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到并输出第二结果图像包括:
在所述当前帧中选定参考像素,并确定所述参考像素的邻域;
在所述前后两个相邻帧中各自查找所述参考像素的匹配点,每个所述匹配点满足var(M2/M1)的值最小,其中M1为所述参考像素的邻域,M2为所述匹配点的邻域,var表示均方差计算;
将前相邻帧的匹配点与所述当前帧的所述参考像素进行加权平均计算,将计算得到的灰度值与后相邻帧的匹配点再次进行加权平均计算,得到目标像素的灰度值:
上述两次平均加权计算的公式为:
I(x,y)=w*Ineighbor(x’,y’)+(1-w)*Icur(x,y)
其中,w为权重值,w=exp(-var(M2/M1)/sigma^2),sigma为常数,且w≤0.5,I(x,y)为所述目标像素的灰度值,Icur(x,y)为所述参考像素的灰度值或所述计算得到的灰度值,Ineighbor(x’,y’)为两个所述匹配点像素的灰度,其中的(x,y)和(x’,y’)分别为各自对应像素点的坐标;
将所述目标像素组成的图像作为所述第二结果图像,并输出所述第二结果图像。
2.根据权利要求1所述的方法,其特征在于,所述将滤波后的图像中的所述目标类型的噪声,按照所述预设变换算法的逆变换算法进行逆变换包括:
将滤波后的图像中的加性噪声,按照所述anscombe变换算法的逆变换算法,从高斯分布转换回泊松分布。
3.一种图像处理装置,其特征在于,包括:
运动估计模块,用于实时获取待处理图像,并通过预设搜索算法确定所述待处理图像的运动向量;
噪声变换模块,用于若所述运动向量不为0向量,则按照预设变换算法,将所述待处理图像中的目标类型的噪声处理为高斯分布噪声,得到噪声处理图像;
滤波模块,用于将所述噪声处理图像按照预设滤波算法进行滤波;
所述噪声变换模块,还用于将滤波后的图像中的所述目标类型的噪声,按照所述预设变换算法的逆变换算法进行逆变换,得到第一结果图像;
输出模块,用于输出所述第一结果图像;
计算模块,用于若所述运动向量为0向量,则将当前帧的前后两个相邻帧的帧图像进行匹配点加权平均计算,得到第二结果图像;
所述输出模块,还用于输出所述第二结果图像;
所述运动估计模块,还用于确定所述待处理图像的当前帧的前后两个相邻帧;通过三步搜索算法,在所述前后两个相邻帧中确定所述运动向量;
所述噪声变换模块,还用于按照anscombe变换算法,将所述待处理图像中的加性噪声变换为高斯分布噪声,得到所述噪声处理图像;所述滤波模块,还用于在所述噪声处理图像中确认参照块,并按照预设的匹配规则,从所述噪声处理图像中确认多个所述参照块的相似块;
将所述噪声处理图像中的多个相似块整合为三维矩阵;
通过维纳滤波将所述三维矩阵进行系数放缩以实现滤波,缩放公式如下:
N(P)=Twein_inverse(wp·Twein(Q1(P)));
其中,N(P)表示系数矩阵;Twein_inverse()表示三维逆变换,wp为维纳滤波系数;Twein(Q(P))表示所述三维矩阵的三维变换;
通过三维反变换,将所述三维矩阵变换回图像估计,并通过每个对应位置的相似块的值与所述系数矩阵加权得到每个像素的灰度值的方式,将所述噪声处理图像中的多个相似块还原到所述噪声处理图像的原位置;
所述计算模块,还用于在所述当前帧中选定参考像素,并确定所述参考像素的邻域;在所述前后两个相邻帧中各自查找所述参考像素的匹配点,每个所述匹配点满足var(M2/M1)的值最小,其中M1为所述参考像素的邻域,M2为所述匹配点的邻域,var表示均方差计算;将前相邻帧的匹配点与所述当前帧的所述参考像素进行加权平均计算,将计算得到的灰度值与后相邻帧的匹配点再次进行加权平均计算,得到目标像素的灰度值:上述两次平均加权计算的公式为:
I(x,y)=w*Ineighbor(x’,y’)+(1-w)*Icur(x,y)
其中,w为权重值,w=exp(-var(M2/M1)/sigma^2),sigma为常数,且w≤0.5,I(x,y)为所述目标像素的灰度值,Icur(x,y)为所述参考像素的灰度值或所述计算得到的灰度值,Ineighbor(x’,y’)为两个所述匹配点像素的灰度,其中的(x,y)和(x’,y’)分别为各自对应像素点的坐标;将所述目标像素组成的图像作为所述第二结果图像,并输出所述第二结果图像。
4.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的图像处理方法。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010642524.6A CN111784733B (zh) | 2020-07-06 | 2020-07-06 | 图像处理方法、装置、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010642524.6A CN111784733B (zh) | 2020-07-06 | 2020-07-06 | 图像处理方法、装置、终端和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784733A CN111784733A (zh) | 2020-10-16 |
CN111784733B true CN111784733B (zh) | 2024-04-16 |
Family
ID=72758083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010642524.6A Active CN111784733B (zh) | 2020-07-06 | 2020-07-06 | 图像处理方法、装置、终端和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784733B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311147A (zh) * | 2021-05-06 | 2022-11-08 | 影石创新科技股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014240A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
CN102201113A (zh) * | 2010-03-23 | 2011-09-28 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
CN104424628A (zh) * | 2013-09-02 | 2015-03-18 | 南京理工大学 | 基于ccd图像的利用帧间相关性降噪的方法 |
CN110738612A (zh) * | 2019-09-27 | 2020-01-31 | 深圳市安健科技股份有限公司 | X光透视图像的降噪方法及计算机可读存储介质 |
CN111353948A (zh) * | 2018-12-24 | 2020-06-30 | Tcl集团股份有限公司 | 一种图像降噪方法、装置及设备 |
-
2020
- 2020-07-06 CN CN202010642524.6A patent/CN111784733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201113A (zh) * | 2010-03-23 | 2011-09-28 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
CN102014240A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
CN104424628A (zh) * | 2013-09-02 | 2015-03-18 | 南京理工大学 | 基于ccd图像的利用帧间相关性降噪的方法 |
CN111353948A (zh) * | 2018-12-24 | 2020-06-30 | Tcl集团股份有限公司 | 一种图像降噪方法、装置及设备 |
CN110738612A (zh) * | 2019-09-27 | 2020-01-31 | 深圳市安健科技股份有限公司 | X光透视图像的降噪方法及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于下采样的快速块匹配搜索算法及降噪应用;张莎;田逢春;谭洪涛;;计算机应用;20101001(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784733A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151690B2 (en) | Image super-resolution reconstruction method, mobile terminal, and computer-readable storage medium | |
CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
CN110163237B (zh) | 模型训练及图像处理方法、装置、介质、电子设备 | |
EP2164040B1 (en) | System and method for high quality image and video upscaling | |
Zeng et al. | A generalized DAMRF image modeling for superresolution of license plates | |
CN106780336B (zh) | 一种图像缩小方法及装置 | |
Jeong et al. | Multi-frame example-based super-resolution using locally directional self-similarity | |
CN113658085B (zh) | 图像处理方法及装置 | |
Pok et al. | Efficient block matching for removing impulse noise | |
CN110958363B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
CN113012061A (zh) | 降噪处理方法、装置及电子设备 | |
CN111784733B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN112801879B (zh) | 图像超分辨率重建方法、装置、电子设备及存储介质 | |
CN113935934A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
Zhang et al. | Nonlocal edge-directed interpolation | |
Goto et al. | Learning-based super-resolution image reconstruction on multi-core processor | |
CN110689486A (zh) | 图像的处理方法、装置、设备及计算机可存储介质 | |
CN111062279B (zh) | 照片处理方法及照片处理装置 | |
US9064190B2 (en) | Estimating pixel values in digital image processing | |
Jiang et al. | Learning in-place residual homogeneity for single image detail enhancement | |
CN110738612B (zh) | X光透视图像的降噪方法及计算机可读存储介质 | |
Allaberdiev et al. | Speeded-up robust feature matching algorithm based on image improvement technology | |
JP2020181402A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
Kishan et al. | Patch-based and multiresolution optimum bilateral filters for denoising images corrupted by Gaussian noise | |
Chaudhary et al. | Denoising Tc-99m DMSA images using denoising convolutional neural network with comparison to a block matching filter |
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 |