CN112258424B - 各向异性高斯边窗核约束的图像引导滤波方法 - Google Patents
各向异性高斯边窗核约束的图像引导滤波方法 Download PDFInfo
- Publication number
- CN112258424B CN112258424B CN202011294114.3A CN202011294114A CN112258424B CN 112258424 B CN112258424 B CN 112258424B CN 202011294114 A CN202011294114 A CN 202011294114A CN 112258424 B CN112258424 B CN 112258424B
- Authority
- CN
- China
- Prior art keywords
- anisotropic gaussian
- determining
- kernel
- image
- edge window
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 3
- 108010046685 Rho Factor Proteins 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004321 preservation Methods 0.000 description 8
- 241000282326 Felis catus Species 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 241001533104 Tribulus terrestris Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种各向异性高斯边窗核约束的图像引导滤波方法,由构建各向异性高斯核、确定各向异性高斯边窗核、确定各向异性高斯边窗核半径、确定各向异性高斯边窗核权重矩阵、构建各向异性高斯边窗核引导滤波器、选取最优滤波结果、确定滤波结果7个步骤组成。由于本发明采用各向异性高斯边窗核,在具有强的保边效果的同时,与传统的盒滤波方法相比,经本发明处理后的图像,边缘清晰、保持性好。在进行引导滤波处理时,采用了各向异性高斯边窗核滤波的权重系数进行加权滤波,具有更好的边缘保持性。采用了线性滤波方法,大大降低了滤波方法的复杂度。本发明具有滤波方法简单、便于操作、高分辨边缘保持性好等优点,可用于图像滤波处理。
Description
技术领域
本发明属于图像处理技术领域,具体涉及到图像的边缘处理。
技术背景
边缘保持滤波方法常用于计算机视觉、图形图像处理的预处理操作,结果的好坏直接影响了许多后续操作。边缘保持滤波方法不仅注重图像的平滑处理,还注重保持边缘细节。传统的图像平滑方法侧重于平滑效果,导致图像经过滤波操作后边缘细节丢失。为了解决边缘细节丢失的技术问题,很多边缘保持的滤波方法被提出,并被广泛应用于计算机动画、数码摄影等技术领域。
基于局部滤波器的图像滤波方法会利用相邻像素计算新像素,例如盒式滤波器,高斯滤波器、平均滤波器。它们用加权卷积和局部窗口内相邻像素的卷积代替目标像素。为了解决局部滤波方法引起的梯度反转等伪影的技术问题,图像引导滤波方法通过引导图像的梯度自适应判断需要保留的边缘结构,同时利用线性滤波方法大大降低了滤波方法的复杂度。但引导滤波方法在滤波过程中像素位于矩形窗口中心,从而对边缘两侧的像素都执行线性组合和平均运算,最终导致边缘模糊和光晕之类的伪影。为此,侧窗方法被提出,它将每个像素视为潜在边缘,在其周围生成多个局部侧面窗口,并将目标像素与窗口的侧边对齐。在多个侧窗滤波结果中选取最优结果作为目标像素的滤波结果。由于侧窗引导滤波方法不会跨越边缘,可以更好地保留边缘并减少伪影。但是侧窗滤波方法要达到理想边缘保持效果,会受限于矩形窗口的宽度,宽度越大,边缘分辨率越小。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的不足,提供一种方法简单、便于操作、高分辨边缘保持性好的各向异性高斯边窗核约束的图像引导滤波方法。
解决上述技术问题所采用的技术方案由下述步骤组成:
(1)构建各向异性高斯核
按下式构建各向异性高斯核gσ,ρ,θ(n):
其中n是滤波窗口内的局部像素位置,θ是以y轴为基准的旋转角度,θ∈(0,π],σ为高斯尺度,σ∈(1,6],ρ为各向异性因子,ρ∈(1,12],Rθ是方向为θ的旋转矩阵。
(2)确定各向异性高斯边窗核
按式(3)确定各向异性高斯边窗核Nθ:
Nθ={n|xcosθ+ysinθ>0,gσ,ρ,θ(n)>ε,n=[x,y]} (3)
其中x、y是非负整数,ε为阈值,ε∈[0.00005,0.00015]。
(3)确定各向异性高斯边窗核半径
按式(4)确定各向异性高斯边窗核半径r:
(4)确定各向异性高斯边窗核权重矩阵
按式(5)确定各向异性高斯边窗核权重矩阵wm,θ:
wm,θ={gσ,ρ,θ(m),m∈Nm,θ} (5)
其中Nm,θ是以m为基准的各向异性高斯边窗核,wm,θ表示以像素m为基准的各向异性高斯边窗核权重矩阵。
(5)构建各向异性高斯边窗核引导滤波器
1)确定输出图像q与引导图像I之间的线性关系
按式(6)确定滤波输出图像qn与引导图像In之间的线性关系:
其中qn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中In的线性变换结果,In是以像素m为基准的各向异性高斯边窗核Nm,θ中的引导图像像素值,am是以像素m为基准的各向异性高斯边窗核Nm,θ的增益系数,bm是以像素m为基准的各向异性高斯边窗核Nm,θ的偏差系数。
2)确定增益系数、偏差系数
用最小二乘法确定每个像素的增益系数am、偏差系数bm:
其中输入图像pn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中的像素值,是pn在以像素m为基准的各向异性高斯边窗核窗口Nm,θ中的加权均值,μm和分别是In在wm,θ的加权均值和加权方差,ε是正则化参数。
3)确定滤波窗口内的平均系数
其中Nn,θ以n为基准的各向异性高斯边窗核,wn,θ是以n为基准的各向异性高斯边窗的权重矩阵。
4)确定滤波输出结果
按式(6)、式(12)、式(13)得:
(6)选取最优滤波结果
按式(16)确定最优滤波结果qs:
(7)确定滤波结果
将最优滤波结果qs重新替换成输入图像I,重复步骤(1)-(6),得到图像最终滤波结果qo:
qo=qs (17)
其中S为1,2,...,7。
在本发明的构建各向异性高斯核步骤(1)中,所述的σ取值最佳为3,ρ取值最佳为6。
在本发明的确定各向异性高斯边窗核步骤(2)中,所述的ε取值最佳为0.0001。
本发明具有以下优点:
由于本发明采用各向异性高斯边窗核,在具有强的保边效果的同时,与传统的盒滤波方法相比,经本发明处理后的图像,边缘清晰、保持性好。在进行引导滤波处理时,采用了各向异性高斯边窗核滤波的权重系数进行加权滤波,具有更好的边缘保持性。采用了线性滤波方法,大大降低了滤波方法的复杂度。本发明具有滤波方法简单、便于操作、高分辨边缘保持性好等优点,可用于图像滤波处理。
附图说明
图1是本发明实施例1的流程图。
图2是取自猫狗图像数据集中的1幅猫头图像。
图3是本发明方法滤波后的图像。
图4是引导滤波方法滤波后的图像。
图5是侧窗引导滤波方法滤波后的图像。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下面的实施例。
实施例1
在图1中,本实施例的各向异性高斯边窗核约束的图像引导滤波方法由下述步骤组成:
(1)构建各向异性高斯核
按下式构建各向异性高斯核gσ,ρ,θ(n):
其中n是滤波窗口内的局部像素位置,θ是以y轴为基准的旋转角度,θ∈(0,π],σ为高斯尺度,σ∈(1,6],本实施例的σ取值为3,ρ为各向异性因子,ρ∈(1,12],本实施例ρ取值为6,Rθ是方向为θ的旋转矩阵。
(2)确定各向异性高斯边窗核
按式(3)确定各向异性高斯边窗核Nθ:
Nθ={n|xcosθ+ysinθ>0,gσ,ρ,θ(n)>ε,n=[x,y]} (3)
其中x、y是非负整数,ε为阈值,ε∈[0.00005,0.00015],本实施例的ε取值为0.0001。
该步骤中,采用各向异性高斯边窗核,与传统的盒滤波方法相比,经本发明处理后的图像,边缘清晰、保持性好,具有强的保边效果。
(3)确定各向异性高斯边窗核半径
按式(4)确定各向异性高斯边窗核半径r:
(4)确定各向异性高斯边窗核权重矩阵
按式(5)确定各向异性高斯边窗核权重矩阵wm,θ:
wm,θ={gσ,ρ,θ(m),m∈Nm,θ} (5)
其中Nm,θ是以m为基准的各向异性高斯边窗核,wm,θ表示以像素m为基准的各向异性高斯边窗核权重矩阵。
该步骤中,采用了各向异性高斯边窗核滤波的权重系数进行加权滤波,具有更好的边缘保持性。
(5)构建各向异性高斯边窗核引导滤波器
1)确定输出图像q与引导图像I之间的线性关系
按式(6)确定滤波输出图像qn与引导图像In之间的线性关系:
其中qn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中In的线性变换结果,In是以像素m为基准的各向异性高斯边窗核Nm,θ中的引导图像像素值,am是以像素m为基准的各向异性高斯边窗核Nm,θ的增益系数,bm是以像素m为基准的各向异性高斯边窗核Nm,θ的偏差系数。
2)确定增益系数、偏差系数
用最小二乘法确定每个像素的增益系数am、偏差系数bm:
其中输入图像pn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中的像素值,是pn在以像素m为基准的各向异性高斯边窗核窗口Nm,θ中的加权均值,μm和分别是In在wm,θ的加权均值和加权方差,ε是防止am过大的正则化参数。
3)确定滤波窗口内的平均系数
其中Nn,θ以n为基准的各向异性高斯边窗核,wn,θ是以n为基准的各向异性高斯边窗的权重矩阵。
4)确定滤波输出结果
按式(6)、式(12)、式(13)得:
该步骤中,采用线性滤波方法,大大降低了滤波方法的复杂度。
(6)选取最优滤波结果
按式(16)确定最优滤波结果qs:
(7)确定滤波结果
将最优滤波结果qs重新替换成输入图像I,重复步骤(1)-(6),得到图像最终滤波结果qo:
qo=qs (17)
其中S为1,2,...,7;
实施例2
本实施例的各向异性高斯边窗核约束的图像引导滤波方法由下述步骤组成:
(1)构建各向异性高斯核
按下式构建各向异性高斯核gσ,ρ,θ(n):
其中n是滤波窗口内的局部像素位置,θ是以y轴为基准的旋转角度,θ∈(0,π],σ为高斯尺度,σ∈(1,6],本实施例的σ取值为1.5,ρ为各向异性因子,ρ∈(1,12],本实施例ρ取值为1.5,Rθ是方向为θ的旋转矩阵。
(2)确定各向异性高斯边窗核
按式(3)确定各向异性高斯边窗核Nθ:
Nθ={n|xcosθ+ysinθ>0,gσ,ρ,θ(n)>ε,n=[x,y]} (3)
其中x、y是非负整数,ε为阈值,ε∈[0.00005,0.00015],本实施例的ε取值为0.00005。
其它实施例与实施例1相同。
实施例3
本实施例的各向异性高斯边窗核约束的图像引导滤波方法由下述步骤组成:
(1)构建各向异性高斯核
按下式构建各向异性高斯核gσ,ρ,θ(n):
其中n是滤波窗口内的局部像素位置,θ是以y轴为基准的旋转角度,θ∈(0,π],σ为高斯尺度,σ∈(1,6],本实施例的σ取值为6,ρ为各向异性因子,ρ∈(1,12],本实施例ρ取值为12,Rθ是方向为θ的旋转矩阵。
(2)确定各向异性高斯边窗核
按式(3)确定各向异性高斯边窗核Nθ:
Nθ={n|xcosθ+ysinθ>0,gσ,ρ,θ(n)>ε,n=[x,y]} (3)
其中x、y是非负整数,ε为阈值,ε∈[0.00005,0.00015],本实施例的ε取值为0.00015。
其它实施例与实施例1相同。
为了验证本发明的有益效果,发明人采用本发明实施例1的方法构建的各向异性高斯边窗核约束引导滤波方法(以下简称本发明方法)与现有的引导滤波方法(以下简称对比方法1)、侧窗引导滤波方法(以下简称对比方法2。进行了对比测试实验,各种实验情况如下:
1、实验方法
(1)不同滤波方法对猫头图像边缘保留滤波的影响
实验所用图像见图2,取自猫狗图像数据集,输入不同的阈值ε、滤波窗口半径r,分别采用本发明方法、对比方法1、对比方法2对图2中的图像进行了滤波处理,采用本发明方法滤波后的结果见图3,采用对比方法1滤波后结果见图4,采用对比方法2滤波后结果见图5。
由图3、4、5可见,对比方法1和对比方法2随着阈值ε与滤波窗口半径r增加变得越来越模糊,本发明方法的输出受阈值ε、滤波窗口半径r变化的影响小,对相同的参数,对比方法1和对比方法2相较于本方法,猫头图像边缘更加模糊,随着阈值ε与滤波窗口半径r的增大,这种效果更加明显。
(2)不同滤波方法对猫头图像的边缘保持指数的比较
边缘保持指数EPI反映滤波方法的边缘保持能力,EPI值越高,边缘保持性越强。按已有的方法(下式)确定边缘保持指数EPI:
其中,M为原始图像像素值,M’为滤波后的图像像素值,α为图像像素行数,β为列数,i、j是像素坐标,取值为有限的正整数。
实验图像采自猫狗图像数据集见图2,采用本发明方法、对比方法1、对比方法2在相同滤波窗口半径r、阈值ε参数下,确定图像所示的边缘保持指数EPI值,实验结果见表1,表1显示了不同滤波方法的边缘保持指数EPI随着阈值ε、滤波窗口半径r的改变而改变。
表1猫头图像不同参数对应的边缘保持指数EPI
由表1可见,在不同滤波窗口半径r、阈值ε下,本发明方法与对比方法1、对比方法2相比,同一参数条件,本发明方法边缘保持指数EPI更高,可以更好地保留图像中的边缘信息。
Claims (3)
1.一种各向异性高斯边窗核约束的图像引导滤波方法,其特征在于它是由下述步骤组成:
(1)构建各向异性高斯核
按下式构建各向异性高斯核gσ,ρ,θ(n):
其中n是滤波窗口内的局部像素位置,θ是以y轴为基准的旋转角度,θ∈(0,π],σ为高斯尺度,σ∈(1,6],ρ为各向异性因子,ρ∈(1,12],Rθ是方向为θ的旋转矩阵;
(2)确定各向异性高斯边窗核
按式(3)确定各向异性高斯边窗核Nθ:
Nθ={n|xcosθ+ysinθ>0,gσ,ρ,θ(n)>ε,n=[x,y]} (3)
其中x、y是非负整数,ε为阈值,ε∈[0.00005,0.00015];
(3)确定各向异性高斯边窗核半径
按式(4)确定各向异性高斯边窗核半径r:
(4)确定各向异性高斯边窗核权重矩阵
按式(5)确定各向异性高斯边窗核权重矩阵wm,θ:
wm,θ={gσ,ρ,θ(m),m∈Nm,θ} (5)
其中Nm,θ是以m为基准的各向异性高斯边窗核,wm,θ表示以像素m为基准的各向异性高斯边窗核权重矩阵;
(5)构建各向异性高斯边窗核引导滤波器
1)确定输出图像q与引导图像I之间的线性关系
按式(6)确定滤波输出图像qn与引导图像In之间的线性关系:
其中qn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中In的线性变换结果,In是以像素m为基准的各向异性高斯边窗核Nm,θ中的引导图像像素值,am是以像素m为基准的各向异性高斯边窗核Nm,θ的增益系数,bm是以像素m为基准的各向异性高斯边窗核Nm,θ的偏差系数;
2)确定增益系数、偏差系数
用最小二乘法确定每个像素的增益系数am、偏差系数bm:
其中输入图像pn是以像素m为基准的各向异性高斯边窗核Nm,θ窗口中的像素值,是pn在以像素m为基准的各向异性高斯边窗核窗口Nm,θ中的加权均值,μm和分别是In在wm,θ的加权均值和加权方差,ε是正则化参数;
3)确定滤波窗口内的平均系数
其中Nn,θ以n为基准的各向异性高斯边窗核,wn,θ是以n为基准的各向异性高斯边窗的权重矩阵;
4)确定滤波输出结果
按式(6)、式(12)、式(13)得:
(6)选取最优滤波结果
按式(16)确定最优滤波结果qs:
(7)确定滤波结果
将最优滤波结果qs重新替换成输入图像pn,重复步骤(1)-(6),得到图像最终滤波结果qo:
qo=qs (17)
其中S为1,2,...,7。
2.根据权利要求1所述的各向异性高斯边窗核约束的图像引导滤波方法,其特征在于:在构建各向异性高斯核步骤(1)中,所述的σ取值为3,ρ取值为6。
3.根据权利要求1所述的各向异性高斯边窗核约束的图像引导滤波方法,其特征在于:在确定各向异性高斯边窗核步骤(2)中,所述的ε取值为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294114.3A CN112258424B (zh) | 2020-11-18 | 2020-11-18 | 各向异性高斯边窗核约束的图像引导滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294114.3A CN112258424B (zh) | 2020-11-18 | 2020-11-18 | 各向异性高斯边窗核约束的图像引导滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258424A CN112258424A (zh) | 2021-01-22 |
CN112258424B true CN112258424B (zh) | 2021-10-22 |
Family
ID=74266203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011294114.3A Active CN112258424B (zh) | 2020-11-18 | 2020-11-18 | 各向异性高斯边窗核约束的图像引导滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258424B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866883A (zh) * | 2019-11-29 | 2020-03-06 | 上海联影医疗科技有限公司 | 一种双能ct图像去噪方法、装置、终端及存储介质 |
CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034983B (zh) * | 2013-01-10 | 2016-01-27 | 厦门大学 | 一种基于各向异性滤波的去雾方法 |
US9569880B2 (en) * | 2013-12-24 | 2017-02-14 | Intel Corporation | Adaptive anisotropic filtering |
CN104376319B (zh) * | 2014-10-22 | 2018-03-23 | 西安工程大学 | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 |
CN104766278A (zh) * | 2015-03-19 | 2015-07-08 | 天津大学 | 基于自适应平滑系数的各向异性滤波方法 |
GB2542774B (en) * | 2015-09-25 | 2021-08-18 | Smiths Heimann Sas | Denoising and/or zooming of inspection images |
CN107909545B (zh) * | 2017-11-17 | 2021-05-14 | 南京理工大学 | 一种提升单帧图像分辨率的方法 |
CN110348343A (zh) * | 2019-06-27 | 2019-10-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种暴力行为监测方法、装置、存储介质及终端设备 |
CN110390338B (zh) * | 2019-07-10 | 2022-08-05 | 武汉大学 | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 |
CN110827221A (zh) * | 2019-10-31 | 2020-02-21 | 天津大学 | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 |
CN111192208B (zh) * | 2019-12-18 | 2024-04-09 | 合肥登特菲医疗设备有限公司 | 一种基于边窗滤波器的牙齿cr图像增强方法及装置 |
CN111583111B (zh) * | 2020-04-27 | 2023-12-19 | 浙江大华技术股份有限公司 | 动态范围图像压缩方法、计算机设备及存储装置 |
CN111784610A (zh) * | 2020-07-02 | 2020-10-16 | 重庆邮电大学 | 一种基于聚类的边窗滤波器优化方法 |
-
2020
- 2020-11-18 CN CN202011294114.3A patent/CN112258424B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866883A (zh) * | 2019-11-29 | 2020-03-06 | 上海联影医疗科技有限公司 | 一种双能ct图像去噪方法、装置、终端及存储介质 |
CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112258424A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309570B (zh) | 一种钛合金棒材质量检测方法及*** | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
Deng et al. | Wavelet domain style transfer for an effective perception-distortion tradeoff in single image super-resolution | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN106651792B (zh) | 一种卫星影像条带噪声去除方法及装置 | |
CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN111242854B (zh) | 一种图像去噪方法 | |
CN109214993B (zh) | 一种雾霾天气智能车视觉增强方法 | |
CN112465852A (zh) | 一种用于电力设备红外图像分割的改进区域生长方法 | |
DE102020134755A1 (de) | Verarbeiten von videoframes über neuronales faltungsnetzwerk durch verwenden von statistiken vorhergehender frames | |
CN116912115A (zh) | 一种水下图像自适应增强方法、***、设备及存储介质 | |
CN114219740A (zh) | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
Manjon et al. | Multispectral MRI de-noising using non-local means | |
CN115375574A (zh) | 基于区域自适应的多尺度非局部低剂量ct图像去噪方法 | |
CN114708352A (zh) | 一种基于无监督学习的低剂量ct图像恢复方法及*** | |
CN112258424B (zh) | 各向异性高斯边窗核约束的图像引导滤波方法 | |
CN114022384A (zh) | 一种基于各向异性扩散模型的自适应边缘保持去噪方法 | |
CN113450275A (zh) | 基于元学习的画质增强***及方法、存储介质 | |
Vincent et al. | Edge enhancement and noise smoothening of CT images with anisotropic diffusion filter and unsharp masking | |
Jebur et al. | Image denoising techniques: An overview | |
CN111784610A (zh) | 一种基于聚类的边窗滤波器优化方法 | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
CN112541873B (zh) | 一种基于双边滤波器的图像处理方法 | |
CN114723663A (zh) | 针对目标检测对抗攻击的预处理防御方法 |
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 |