CN113222853B - 一种基于噪声估计的渐进式红外图像降噪方法 - Google Patents
一种基于噪声估计的渐进式红外图像降噪方法 Download PDFInfo
- Publication number
- CN113222853B CN113222853B CN202110577840.4A CN202110577840A CN113222853B CN 113222853 B CN113222853 B CN 113222853B CN 202110577840 A CN202110577840 A CN 202110577840A CN 113222853 B CN113222853 B CN 113222853B
- Authority
- CN
- China
- Prior art keywords
- noise
- infrared image
- pixel
- anchor point
- progressive
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 38
- 230000000750 progressive effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000002146 bilateral effect Effects 0.000 abstract description 2
- 101100173586 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft2 gene Proteins 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011165 process development 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种基于噪声估计的渐进式红外图像降噪方法,通过空间域的双边滤波算法原理实现了含噪红外图像的噪声权重矩阵,通过邻域像素与中心像素灰度差的频域滤波实现了含噪红外图像中噪声能量的梯度估计,通过设置渐进式滤波的步长实现了渐进式红外图像降噪,通过估计红外图像的噪声水平实现了迭代自适应的渐进式红外图像降噪算法。本发明的有益效果是:降低红外图像的噪声水平,提高红外图像视觉质量。
Description
技术领域
本发明涉及红外图像处理领域,尤其涉及一种基于噪声估计的渐进式红外图像降噪方法。
背景技术
降噪即从受噪声污染的图像中重建出原始图像,是图像处理中的一个重要问题。红外图像中存在着较强的噪声,一方面受红外焦平面的工艺发展水平所限,红外图像中存在着非均匀性;另一方面红外成像***中的电子热噪声也会使红外图像受到影响。通常将红外图像中的噪声模型假设为加性高斯白噪声。
目前最先进的图像降噪算法都是基于块的降噪算法。常用的方法是在一个邻域窗口内寻找非局部相似块,然后归一化并同时降噪,比如非局部均值(NLM)等。在这方面实现降噪效果最好的是块匹配和3D滤波(BM3D)算法,BM3D将匹配到的小块堆叠在一起,通过3D小波变换降噪。BM3D的一个改进版本是BM3D-SAPCA算法。但是毫无例外它们都有着非常大的算法复杂度,不适合于对实时性要求较高的***使用。另一方面,双域图像降噪(DDID)被证明是一种简单且能实现高质量降噪效果的降噪算法,该算法综合考虑了空间域和频域特征,通过空间域滤波实现了大振幅的含噪信号的噪声降噪,通过频域实现了小振幅的含噪信号的噪声降噪。但是该算法的实现需要一个引导图像,而这在实际使用场景中往往无法满足。
发明内容
为了解决上述问题,本发明提供的一种基于噪声估计的渐进式红外图像降噪方法,通过空间域的双边滤波算法原理实现了含噪红外图像的噪声权重矩阵,通过邻域像素与中心像素灰度差的频域滤波实现了含噪红外图像中噪声能量的梯度估计,通过设置渐进式滤波的步长实现了渐进式红外图像降噪,通过估计红外图像的噪声水平实现了迭代自适应的渐进式红外图像降噪算法。
一种基于噪声估计的渐进式红外图像降噪方法,包括以下步骤:
S101:采集含有噪声的红外图像,并估计其噪声水平;
S102:对所述含有噪声的红外图像进行步长为1的连续重叠分块,得到图像分块;
S103:以图像分块的中心像素为锚点,计算其邻域内其它像素点相对于该中心锚点的距离,并以距离为自变量计算邻域像素的高斯权重矩阵G1;
S104:以图像分块的中心像素为锚点,计算其邻域内其它像素点的灰度值与该中心锚点灰度值之差,并以灰度值的差为自变量计算邻域像素的高斯权重矩阵G2;
S105:将G1与G2进行点乘,得到联合空间域和灰度域的高斯权重矩阵G3;
S106:将灰度值的差与高斯权重矩阵G3进行点乘,得到加权后的图像分块;
S107:对加权后的图像分块进行二维傅里叶变换,得到频谱矩阵;
S108:以频谱矩阵为自变量计算高斯权重矩阵G4;
S109:对频谱矩阵和高斯权重矩阵G4进行加权、求和,并归一化处理,得到图像分块中心锚点像素的噪声能量梯度估计;
S110:将图像分块的中心锚点像素的灰度值减去噪声能量梯度估计的λ倍,得到降噪后的图像分块的中心锚点像素的灰度值,进而得到降噪后的红外图像;
S111:对所述含有噪声的红外图像进行S102~S111步骤的迭代处理,若后一次降噪后的红外图像与前一次降噪后的红外图像的噪声水平相比,其噪声水平之差小于或等于预设的阈值T,则结束迭代过程,得到最终的降噪后红外图像。
进一步地,步骤S101具体为:通过两个Laplacian Mask组成的核对含有噪声的红外图像进行卷积,得到其噪声水平;
其中,两个Laplacian Mask组成的核如式(1):
N为组成的核;
噪声水平如式(2):
n为噪声水平;W和H表示所述含有噪声的红外图像的宽和高;I表示所述含有噪声的红外图像。
进一步地,步骤S102中,图像分块具体为:依据分块的半径和边长对所述含有噪声的红外图像在上、下、左、右四个方向进行对称复制扩展,得到对称复制扩展后的含有噪声的红外图像,然后以所述含有噪声的红外图像的像素为中心点,以步长为1个像素进行分块;其中分块边长和半径的计算公式如式(3)所示:
r=(a-1)/2 (3)
r表示分块的半径,a表示分块的边长。
进一步地,步骤S103中,邻域内其它像素点相对于该中心锚点的距离,其计算式如式(4):
其中x、y表示所述分块的坐标位置,r表示所述分块的半径,s表示(x,y)位置像素到锚点的距离。
步骤S103中高斯权重矩阵G1如式(5)所示:
其中G1表示以距离为自变量的邻域像素的高斯权重矩阵,s表示所述像素到锚点的距离,σs表示高斯函数的标准差。
进一步地,步骤S104中,高斯权重矩阵G2如式(6)所示:
其中,G2表示以灰度值的差为自变量的邻域像素的高斯权重矩阵,g表示邻域像素与中心锚点像素的灰度差,σg表示高斯函数的标准差。
进一步地,步骤S108中,所述高斯权重矩阵G4的公式如式(7):
其中,F表示加权后的分块的频谱矩阵,σf表示高斯函数的标准差。
进一步地,步骤S109中,图像分块中心锚点像素的噪声能量梯度估计如式(8)所示:
gradient=sum(|F|*G4) /sum(G4) (8)
其中,gradient表示噪声能量的梯度估计,F表示加权后的分块的频谱矩阵,G4表示加权后的分块的频谱矩阵的高斯权重矩阵,sum表示求和。
步骤S110中,降噪后的图像分块的中心锚点像素的灰度值如式(9)所示:
pi=pi-1-λ*gradient (9)
其中,pi表示锚点像素第i次迭代降噪后的灰度值,pi-1表示锚点像素第i-1次迭代降噪后的灰度值,gradient表示所述分块锚点像素的噪声能量的梯度估计,λ表示步长。
本发明提供的有益效果是:降低红外图像的噪声水平,提高红外图像视觉质量。
附图说明
图1是本发明一种基于噪声估计的渐进式红外图像降噪方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,一种基于噪声估计的渐进式红外图像降噪方法,包括以下:。
S101:采集含有噪声的红外图像,并估计其噪声水平;
在步骤S101中,所述估计所述含有噪声的红外图像的噪声水平,具体为:
S201:通过两个Laplacian Mask组成的核来进行卷积操作,所述的两个LaplacianMask如公式(1)、(2)所示,所述的两个Laplacian Mask组成的核如公式(3)所示;
S202:利用所述的两个Laplacian Mask组成的核对所述的含有噪声的红外图像进行卷积即可估计出所述含有噪声的红外图像的噪声水平,其公式如式(4)所示,其中n表示估计的所述含有噪声的红外图像的噪声水平,I表示所述含有噪声的红外图像,W和H表示所述含有噪声的红外图像的宽和高。
S102:对所述含有噪声的红外图像进行步长为1的连续重叠分块,得到图像分块;
在步骤S102中,对所述含有噪声的红外图像进行步长为1的连续重叠的分块,块边长通常为奇数,具体为为了保持图像大小不变,依据分块的半径对所述含有噪声的红外图像在上、下、左、右四个方向进行对称复制扩展,得到对称复制扩展后的含有噪声的红外图像,然后以所述含有噪声的红外图像的像素为中心点,以步长为1个像素进行分块,所述分块边长和半径的计算公式如式(5)所示:
r=(a-1)/2 (5)
其中r表示所述分块的半径,a表示所述分块的边长。
S103:以图像分块的中心像素为锚点,计算其邻域内其它像素点相对于该中心锚点的距离,并以距离为自变量计算邻域像素的高斯权重矩阵G1;
步骤S103中,邻域内其它像素点相对于该中心锚点的距离,其计算式如式(6):
其中x、y表示所述分块的坐标位置,r表示所述分块的半径,s表示(x,y)位置像素到锚点的距离。
步骤S103中高斯权重矩阵G1如式(7)所示:
其中G1表示以距离为自变量的邻域像素的高斯权重矩阵,s表示所述像素到锚点的距离,σs表示高斯函数的标准差
S104:以图像分块的中心像素为锚点,计算其邻域内其它像素点的灰度值与该中心锚点灰度值之差,并以灰度值的差为自变量计算邻域像素的高斯权重矩阵G2;
步骤S104中,高斯权重矩阵G2如式(8)所示:
其中,G2表示以灰度值的差为自变量的邻域像素的高斯权重矩阵,g表示邻域像素与中心锚点像素的灰度差,σg表示高斯函数的标准差。
S105:将G1与G2进行点乘,得到联合空间域和灰度域的高斯权重矩阵G3;联合空间域和灰度域的高斯权重矩阵G3,其公式如式(9)所示:
G3=G1*G2 (9)
S106:将灰度值的差与高斯权重矩阵G3进行点乘,得到加权后的图像分块;在步骤S106中,所述加权后的图像分块,其公式如式(10)所示:
block=g*G3 (10)
其中,block表示所述加权后的图像分块,g表示所述分块邻域像素与锚点像素的灰度差,G3表示所述联合空间域和灰度域的高斯权重矩阵。
S107:对加权后的图像分块进行二维傅里叶变换,得到频谱矩阵;
在步骤S107中,加权后的图像分块的频谱矩阵,其公式如式(11)所示:
F=fft2(block) (11)
其中F表示频谱矩阵,block表示述加权后的分块,fft2表示二维傅里叶变换。
S108:以频谱矩阵为自变量计算高斯权重矩阵G4;
步骤S108中,所述高斯权重矩阵G4的公式如式(12):
其中,F表示加权后的分块的频谱矩阵,σf表示高斯函数的标准差。
S109:对频谱矩阵和高斯权重矩阵G4进行加权、求和,并归一化处理,得到图像分块中心锚点像素的噪声能量梯度估计;
步骤S109中,图像分块中心锚点像素的噪声能量梯度估计如式(13)所示:
gradient=sum(|F|*G4)/sum(G4) (13)
其中,gradient表示噪声能量的梯度估计,F表示加权后的分块的频谱矩阵,|F|表示取模值;G4表示加权后的分块的频谱矩阵的高斯权重矩阵,sum表示求和。
S110:将图像分块的中心锚点像素的灰度值减去噪声能量梯度估计的λ倍,得到降噪后的图像分块的中心锚点像素的灰度值,进而得到降噪后的红外图像;
步骤S110中,降噪后的图像分块的中心锚点像素的灰度值如式(14)所示:
pi=pi-1-λ*gradient (14)
其中,pi表示锚点像素第i次迭代降噪后的灰度值,pi-1表示锚点像素第i-1次迭代降噪后的灰度值,gradient表示所述分块锚点像素的噪声能量的梯度估计,λ表示步长。
S111:对所述含有噪声的红外图像进行S102~S111步骤的迭代处理,若后一次降噪后的红外图像与前一次降噪后的红外图像的噪声水平相比,其噪声水平之差小于或等于预设的阈值T,则结束迭代过程,得到最终的降噪后红外图像。
本发明的有益效果是:降低红外图像的噪声水平,提高红外图像视觉质量。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于噪声估计的渐进式红外图像降噪方法,其特征在于:包括以下步骤:
S101:采集含有噪声的红外图像,并估计其噪声水平;
S102:对所述含有噪声的红外图像进行步长为1的连续重叠分块,得到图像分块;
S103:以图像分块的中心像素为锚点,计算其邻域内其它像素点相对于该中心锚点的距离,并以距离为自变量计算邻域像素的高斯权重矩阵G1;
S104:以图像分块的中心像素为锚点,计算其邻域内其它像素点的灰度值与该中心锚点灰度值之差,并以灰度值的差为自变量计算邻域像素的高斯权重矩阵G2;
S105:将G1与G2进行点乘,得到联合空间域和灰度域的高斯权重矩阵G3;
S106:将灰度值的差与高斯权重矩阵G3进行点乘,得到加权后的图像分块;
S107:对加权后的图像分块进行二维傅里叶变换,得到频谱矩阵;
S108:以频谱矩阵为自变量计算高斯权重矩阵G4;
S109:对频谱矩阵和高斯权重矩阵G4进行加权、求和,并归一化处理,得到图像分块中心锚点像素的噪声能量梯度估计;
S110:将图像分块的中心锚点像素的灰度值减去噪声能量梯度估计的λ倍,得到降噪后的图像分块的中心锚点像素的灰度值,进而得到降噪后的红外图像;
S111:对所述含有噪声的红外图像进行S102~S111步骤的迭代处理,若后一次降噪后的红外图像与前一次降噪后的红外图像的噪声水平相比,其噪声水平之差小于或等于预设的阈值T则结束迭代过程,得到最终的降噪后红外图像。
3.如权利要求1所述的一种基于噪声估计的渐进式红外图像降噪方法,其特征在于:步骤S102中,图像分块具体为:依据分块的半径和边长对所述含有噪声的红外图像在上、下、左、右四个方向进行对称复制扩展,得到对称复制扩展后的含有噪声的红外图像,然后以所述含有噪声的红外图像的像素为中心点,以步长为1个像素进行分块;其中分块边长和半径的计算公式如式(3)所示:
r=(a-1)/2 (3)
r表示分块的半径,a表示分块的边长。
8.如权利要求1所述的一种基于噪声估计的渐进式红外图像降噪方法,其特征在于:步骤S109中,图像分块中心锚点像素的噪声能量梯度估计如式(8)所示:
gradient=sum(|F|*G4)/sum(G4) (8)
其中,gradient表示噪声能量的梯度估计,F表示加权后的分块的频谱矩阵,|F|表示取模值;G4表示加权后的分块的频谱矩阵的高斯权重矩阵,sum表示求和。
9.如权利要求1所述的一种基于噪声估计的渐进式红外图像降噪方法,其特征在于:步骤S110中,降噪后的图像分块的中心锚点像素的灰度值如式(9)所示:
pi=pi-1-λ*gradient (9)
其中,pi表示锚点像素第i次迭代降噪后的灰度值,pi-1表示锚点像素第i-1次迭代降噪后的灰度值,gradient表示所述分块锚点像素的噪声能量的梯度估计,λ表示步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577840.4A CN113222853B (zh) | 2021-05-26 | 2021-05-26 | 一种基于噪声估计的渐进式红外图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577840.4A CN113222853B (zh) | 2021-05-26 | 2021-05-26 | 一种基于噪声估计的渐进式红外图像降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222853A CN113222853A (zh) | 2021-08-06 |
CN113222853B true CN113222853B (zh) | 2022-07-12 |
Family
ID=77098600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577840.4A Active CN113222853B (zh) | 2021-05-26 | 2021-05-26 | 一种基于噪声估计的渐进式红外图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222853B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487522A (zh) * | 2021-09-08 | 2021-10-08 | 深圳市诚识科技有限公司 | 用于图像通信的多信道切换降噪方法 |
CN116758441B (zh) * | 2023-06-16 | 2024-01-26 | 河南通航无人机科技有限公司 | 一种无人机集群智能调度管理*** |
CN117830141B (zh) * | 2024-03-04 | 2024-05-03 | 奥谱天成(成都)信息科技有限公司 | 红外图像竖条纹噪声去除方法、介质、设备及装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100562067C (zh) * | 2007-07-26 | 2009-11-18 | 上海交通大学 | 带有去噪功能的实时数字图像处理增强方法 |
CN104794685B (zh) * | 2014-01-17 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 一种实现图像去噪的方法及装置 |
CN105493140B (zh) * | 2015-05-15 | 2018-02-02 | 北京大学深圳研究生院 | 图像去模糊方法及*** |
CN106156754B (zh) * | 2016-07-29 | 2019-05-31 | 浙江工业大学 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
CN107133948B (zh) * | 2017-05-09 | 2020-05-08 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
CN107229907A (zh) * | 2017-05-09 | 2017-10-03 | 宁波大红鹰学院 | 一种利用无人机检测海洋赤潮发生面积的方法 |
CN110599405B (zh) * | 2018-06-13 | 2023-06-16 | 青岛海信医疗设备股份有限公司 | 一种超声图像增强方法、装置和计算机设备 |
CN109377450B (zh) * | 2018-08-24 | 2021-12-10 | 南京理工大学 | 一种边缘保护的去噪方法 |
CN110060220A (zh) * | 2019-04-26 | 2019-07-26 | 中国科学院长春光学精密机械与物理研究所 | 基于改进bm3d算法的图像去噪方法及*** |
CN110298817A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 基于图像处理的目标物统计方法、装置、设备及存储介质 |
CN111666944B (zh) * | 2020-04-27 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种红外弱小目标检测方法及装置 |
CN111696061A (zh) * | 2020-06-12 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 空间域与变换域相融合的噪声图像重构方法 |
CN112465719A (zh) * | 2020-11-27 | 2021-03-09 | 湖南傲英创视信息科技有限公司 | 变换域图像去噪方法及*** |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、***及装置 |
-
2021
- 2021-05-26 CN CN202110577840.4A patent/CN113222853B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113222853A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222853B (zh) | 一种基于噪声估计的渐进式红外图像降噪方法 | |
Solbo et al. | Homomorphic wavelet-based statistical despeckling of SAR images | |
Oktem et al. | Image filtering based on discrete cosine transform | |
Zhao et al. | Detail-preserving image denoising via adaptive clustering and progressive PCA thresholding | |
US20070047788A1 (en) | System and Method For Ultrasound Specific Segmentation Using Speckle Distributions | |
Goyal et al. | Noise Reduction in MR brain image via various transform domain schemes | |
Grigoryan et al. | Optimal Wiener and homomorphic filtration | |
CN108932699A (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
CN107590781A (zh) | 基于原始对偶算法的自适应加权tgv图像去模糊方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN111652810A (zh) | 一种基于小波域奇异值差分模型的图像去噪方法 | |
TWI783721B (zh) | 決定去模糊化濾波器係數的方法 | |
CN113793280B (zh) | 局部噪声方差估计与bm3d块匹配相结合的真实图像降噪方法 | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN109191391B (zh) | 一种衰减参数自适应非局部均值的图像降噪方法 | |
Mastriani | Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images | |
Guo et al. | Image interpolation based on nonlocal self-similarity | |
Tanaka et al. | Locally adaptive learning for translation-variant MRF image priors | |
He et al. | A novel hybrid model framework to blind color image deconvolution | |
CN113822823B (zh) | 气动光学效应图像空变模糊核的点近邻复原方法及*** | |
Mironov et al. | Comparative Analysis of Local Adaptive LMS Image Filtration | |
CN115937016B (zh) | 一种保证图像细节的对比度增强方法 | |
Deng | Mathematical approaches to digital color image denoising | |
Talbi et al. | A hybrid technique of image denoising using the curvelet transform based denoising method and two-stage image denoising by PCA with local pixel grouping |
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 |