CN113793272B - 图像降噪方法及装置、存储介质、终端 - Google Patents
图像降噪方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN113793272B CN113793272B CN202110920407.6A CN202110920407A CN113793272B CN 113793272 B CN113793272 B CN 113793272B CN 202110920407 A CN202110920407 A CN 202110920407A CN 113793272 B CN113793272 B CN 113793272B
- Authority
- CN
- China
- Prior art keywords
- image information
- noise
- pyramid
- image
- reduced
- 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 67
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000003287 optical effect Effects 0.000 claims abstract description 81
- 230000004927 fusion Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000011946 reduction process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像降噪方法及装置、存储介质、终端，涉及数据处理技术领域，主要目的在于解决现有图像降噪效率差的问题。包括：获取相邻帧的目标图像信息；基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理。主要用于图像降噪。
Description
技术领域
本发明涉及一种数据处理技术领域，特别是涉及一种图像降噪方法及装置、存储介质、终端。
背景技术
在X线透视产品的临床应用中，医学X线透视图像会因曝光剂量较低而存在一定的噪声，导致图像清晰度较低，为此，会采用降噪方式来提高清晰度。
目前，现有对图像降噪的方式通过运动目标检测找出运动目标在每帧图像上所在的位置，然后再通过时序递归的方法进行降噪，从而解决非静止图像虚化的问题。但是，针对X线透视图像而言，仍然无法消除因配准误差而产生的融合伪影，会导致图像质量较差，从而影响图像降噪的效果以及图像的精度，因此，亟需一种图像降噪方法来解决上述问题。
发明内容
有鉴于此，本发明提供一种图像降噪方法及装置、存储介质、终端，主要目的在于解决现有图像降噪效率差的问题。
依据本发明一个方面，提供了一种图像降噪方法，包括：
获取相邻帧的目标图像信息；
基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理。
进一步地，所述对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息包括：
基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行各层级间对应的图像融合，得到融合后的高频图像信息；
获取与所述高频图像信息匹配的低频图像信息，并对所述高频图像信息与所述低频图信息进行逐层相加重构，得到降噪图像信息。
进一步地，所述对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息之前，所述方法还包括：
通过所述待降噪金字塔高频图像与所述已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；
对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；
基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
进一步地，所述基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像与已降噪金字塔高频图像进行各层级间对应的图像融合，得到融合后的高频图像信息之前，所述方法还包括：
基于所述平均像素极小值、以及灰度值生成过渡曲线，并基于所述过渡曲线对图像融合进行修正。
进一步地，所述目标图像信息包括已降噪图像信息以及待降噪图像信息，所述对完成图像配准的所述目标图像信息进行金字塔分解处理包括：
基于逐层下采样方式对所述已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息；
基于逐层上采样方式对所述待降噪金字塔低频图像信息以及所述已降噪金字塔低频图像信息进行高斯过滤，并通过逐层相减方式确定待降噪金字塔高频图像信息与已降噪金字塔高频图像信息。
进一步地，所述基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场包括：
构建所述目标图像信息的金字塔图像信息，对所述金字塔图像信息中的各层级图像信息进行块状图像积分处理，并逆向搜索得到所述层级图像信息的稀疏光流场；
基于所述稀疏流光场计算各所述层级图像信息的像素偏移量，并基于所述像素偏移量生成稠密光流场。
进一步地，所述通过所述稠密光流场对所述目标图像信息进行图像配准包括：
根据已降噪图像信息的稠密光流场以及待降噪图像信息的稠密光流场计算图像坐标差，并基于所述图像坐标差对所述已降噪图像信息与所述待降噪图像信息进行图像配准。
进一步地，所述获取相邻帧的目标图像信息之前，所述方法还包括：
获取待进行图像降噪的至少一帧图像信息；
基于灰度曲线映射对所述图像信息的灰度值进行灰度拉伸调整，所述灰度曲线映射为基于曲线调整系数确定的；
将相邻且完成灰度拉伸调整的已降噪图像信息以及待降噪图像信息，确定为目标图像信息。
依据本发明另一个方面，提供了一种图像降噪装置，包括：
获取模块，用于获取相邻帧的目标图像信息；
配准模块，用于基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
处理模块，用于对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理。
进一步地，所述处理模块包括：
融合单元，用于基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行各层级间对应的图像融合，得到融合后的高频图像信息；
重构单元，用于获取与所述高频图像信息匹配的低频图像信息，并对所述高频图像信息与所述低频图信息进行逐层相加重构，得到降噪图像信息。
进一步地，所述装置还包括：
第一确定模块，用于通过所述待降噪金字塔高频图像与所述已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；
计算模块，用于对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；
第二确定模块，用于基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
进一步地，所述处理模块还包括：
修正单元，用于基于所述平均像素极小值、以及灰度值生成过渡曲线，并基于所述过渡曲线对图像融合进行修正。
进一步地，所述目标图像信息包括已降噪图像信息以及待降噪图像信息，所述处理模块包括：
分解单元，用于基于逐层下采样方式对所述已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息；
过滤单元，用于基于逐层上采样方式对所述待降噪金字塔低频图像信息以及所述已降噪金字塔低频图像信息进行高斯过滤，并通过逐层相减方式确定待降噪金字塔高频图像信息与已降噪金字塔高频图像信息。
进一步地，所述配准模块包括：
构建单元，用于构建所述目标图像信息的金字塔图像信息，对所述金字塔图像信息中的各层级图像信息进行块状图像积分处理，并逆向搜索得到所述层级图像信息的稀疏光流场；
生成单元，用于基于所述稀疏流光场计算各所述层级图像信息的像素偏移量，并基于所述像素偏移量生成稠密光流场。
进一步地，所述配准模块还包括：
配准单元，用于根据已降噪图像信息的稠密光流场以及待降噪图像信息的稠密光流场计算图像坐标差，并基于所述图像坐标差对所述已降噪图像信息与所述待降噪图像信息进行图像配准。
进一步地，所述装置还包括：调整模块，第三确定模块
所述获取模块，还用于获取待进行图像降噪的至少一帧图像信息；
所述调整模块，用于基于灰度曲线映射对所述图像信息的灰度值进行灰度拉伸调整，所述灰度曲线映射为基于曲线调整系数确定的；
所述第三确定模块，用于将相邻且完成灰度拉伸调整的已降噪图像信息以及待降噪图像信息，确定为目标图像信息。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述图像降噪方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述图像降噪方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种图像降噪方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取相邻帧的目标图像信息；基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理，大大减少了降噪过程中的伪影，增强了图像降噪过程中的图像质量，提高了图像降噪的效果，保证了图像降噪后的精度，从而实现了高效图像降噪的目的。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的第一种图像降噪方法流程图；
图2示出了本发明实施例提供的第二种图像降噪方法流程图；
图3示出了本发明实施例提供的一种金字塔重构流程图；
图4示出了本发明实施例提供的第三种图像降噪方法流程图；
图5示出了本发明实施例提供的一种过渡曲线示意图；
图6示出了本发明实施例提供的一种高频图像融合流程图；
图7示出了本发明实施例提供的第四种图像降噪方法流程图；
图8示出了本发明实施例提供的一种金字塔结构示意图；
图9示出了本发明实施例提供的一种包含有高斯与拉普拉斯金字塔分解流程示意图；
图10示出了本发明实施例提供的一种图像融合流程图；
图11示出了本发明实施例提供的第五种图像降噪方法流程图；
图12示出了本发明实施例提供的一种基于DIS光流方运动检测的图像配准流程示意图；
图13示出了本发明实施例提供的一种迭代求解过程示意图；
图14示出了本发明实施例提供的第六种图像降噪方法流程图；
图15示出了本发明实施例提供的一种预处理流程图；
图16示出了本发明实施例提供的一种灰度处理流程示意图；
图17示出了本发明实施例提供的一种灰度映射曲线示意图；
图18示出了本发明实施例提供的一种图像降噪装置组成框图；
图19示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种图像降噪方法，如图1所示，该方法包括：
101、获取相邻帧的目标图像信息。
本发明实施例中，图像信息为在医疗影像学中通过X射线拍摄的透视医学图像，由于拍摄的透视图像为一段时间内的帧图像信息，因此，在进行图像降噪时，获取作为相邻帧的两个图像信息作为目标图像信息。其中，相邻帧的目标图像信息可以包含两帧相邻的图像信息，也可以包含三帧或三帧以上的图像信息，优选的，目标图像信息可以包括已降噪图像信息以及待降噪图像信息，即将已降噪图像信息作为已经完成本发明实施例中的图像降噪的基准帧图像，待降噪图像信息作为当前正在进行图像降噪的帧图像，同时，作为基准帧图像的已降噪图像信息需要与待降噪图像信息具有相邻关系，一般的，已降噪图像信息为待降噪图像信息的前一帧图像。
需要说明的是，由于需要对拍摄的一组帧图像进行图像降噪，对于一组中的第一帧图像可以直接作为已经完成降噪的图像，即第一帧图像信息直接作为已降噪图像信息，进而第二帧图像开始进行本发明实施例中的图像降噪处理。
102、基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准。
本发明实施例中，逆向搜索为对目标图像信息进行光流法运动检测过程中的一种迭代求解的方式，首先，对于目标图像信息构建金字塔图像信息，步骤102中的金字塔图像信息为下采样得到的，层级越高，图像越小，分辨率越低，从而可以金字塔图像信息从高层级向下至低层级进行逆向搜索迭代求解，得到稀疏光流场。其次，为了进行目标图像信息的图像配准，即将目标图像信息中的各帧图像的像素点位置处于一致，以在图像融合过程中减少伪影，则根据稀疏光流场确定稠密光流场。其中，稠密光流场是通过计算金字塔图像信息中各层级的像素偏移量，并基于像素偏移量生成稠密光流场，从而可以通过稠密光流场对目标图像信息进行图像配准。
需要说明的是，由于图像配准为将各帧图像的像素点位置进行统一，以使对图像进行融合时，不会出现失真或抖动的视觉感，因此，在确定稠密光流场后，若目标图像信息中各个帧图像的光流尺寸不同，则需要对其进行尺寸调整，例如，基于原始图像的相应比例相乘得到。具体的，将底层的稠密光流向上采样到与原始图像信息相同大小，并进行比例放大，得到用于进行图像配准的图像光流，例如，底层光流是在第n层金字塔计算出的坐标位置，要调整为原始尺寸一致，则比例应为2的n-1次方，本发明实施例不做具体吸纳的。
103、对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息。
本发明实施例中，为了使目标图像进行融合重构，需要对构建完的金字塔图像信息进行金字塔分解处理，从而得到可以进行融合重构的高频图像信息以及低频图像信息，以完成融合重构得到降噪图像。其中，金字塔分解处理即对目标图像信息中各帧图像依次进行高斯与拉普拉斯金字塔分解，可以得到各帧图像分别对应的高频图像信息以及低频图像信息，以结合高频图像信息与低频图像信息进行融合重构。
需要说明的是，由于高频图像信息中，除了包含噪声外，还包含大量的图像纹理细节以及图像边缘细节，因此本发明实施例中的图像融合所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理，系数矩阵用于保留图像纹理细节以及图像边缘细节，避免在融合过程中图像纹理细节以及图像边缘细节丢失。其中，系数矩阵的的大小与目标图像信息的大小相同，即目标图像信息中各帧图像的每一个像素点都对应一个系数，用以决定此像素点是更接近图像的有效信息还是噪声。
在本发明实施例中，为了进一步限定及说明，如图2所示，步骤103中对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息包括：1031、基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行各层级间对应的图像融合，得到融合后的高频图像信息；1032、获取与所述高频图像信息匹配的低频图像信息，并对所述高频图像信息与所述低频图信息进行逐层相加重构，得到降噪图像信息。
为了准确实现对完成金字塔分解处理后的目标图像信息进行图像融合以及重构，从而实现有效的图像降噪，并且由于图像中的噪声信息全部分布在金字塔高频图像中，因此，可以基于相邻帧图像分别构建的金字塔图像分解后的每一层级的金字塔高频图像之间进行融合，从而实现降噪目的，并可以消除因配准存在误差而产生的预先融合伪影。本发明实施例中，由于对目标图像信息进行金字塔分解处理，即对每个金字塔图像进行分解后，得到目标图像信息对应的金字塔高频图像以及金字塔低频图像，而由于目标图像信息中至少包括相邻的两个图像信息，即目标图像信息可以包括已降噪图像信息以及待降噪图像信息，因此，金字塔分解处理后可以得到目标图像信息对应的已降噪金字塔高频图像信息、已降噪金字塔低频图像信息、待降噪金字塔高频图像信息、待降噪金字塔低频图像信息。在图像融合时，即为按照已降噪金字塔高频图像信息与待降噪金字塔高频图像信息之间的各个层级进行对应融合，例如，已降噪金字塔高频图像信息中的第2层与待降噪金字塔高频图像的第2层之间进行图像融合，本发明实施例不做具体限定。
一般的，对于对待降噪金字塔高频图像信息与已降噪高频图像信息进行图像融合可以通过融合公式F(x)＝k*C(x)+(1-k)*L(x)进行融合处理，其中，x为图像信息中的像素索引值，F(x)为融合后的高频图像信息，C(x)为当前层的待降噪金字塔高频图像信息，L(x)为当前层的已降噪金字塔高频图像信息，k为融合参数，k的取值范围为[0，1]，对应的，k值越大，当前帧图像中的有效信息保留越多，降噪效果越差；k值越小，当前帧图像中的有效信息保留越少，降噪效果越好。而本发明实施例中，由于高频图像信息中除包含有噪声外，还包含有大量的图像纹理细节以及图像边缘细节，若仅仅利用上述融合公式进行融合，会丢失图像纹理细节以及图像边缘细节，因此，本发明实施例中通过引入系数矩阵来决定图像信息中的像素内容是接近于有效信息还是噪声。其中，系数矩阵a(x)的矩阵大小与图像大小相同，即图像信息中的每个像素点对应系数矩阵中的一个系数，以通过系数来决定此像素点是更接近图像信息的有效信息还是噪声。具体的，将系数矩阵与融合公式进行结合，得到I(x)＝a(x)*C(x)+(1-a(x))*F(x)，I(x)为基于矩阵系统进行融合后的金字塔高频图像信息。
另外，当完成图像融合后得到高频图像信息后，为了完成降噪，需要对进行分解后的金字塔图像进行重构，即基于分解得到的低频图像信息，与高频图像信息进行逐层相加，得到最终的降噪图像信息。具体的，是将融合后的每一层金字塔中的高频图像信息与其对应的低频图像信息进行相加，然后通过金字塔重构，按照一层一层的方式将各层级相加得到的图像信息回到金字塔最底层，得到原始尺寸融合后的图像信息。例如，如图3所示的金字塔重构流程图，对于金字塔重构，可以通过从高斯金字塔最上层开始，对低频图像信息进行上采样并进行高斯滤波，得到下一层低频图像信息，然后与此层完成融合降噪后的高频图像信息进行相加，得到此层的图像信息，然后循环重复上采样、高斯滤波，直至得到最下层的图像信息，完成金字塔的重构，得到最终的降噪图像信息。
在本发明实施例中，为了进一步限定及说明，如图4所示，步骤103对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息之前，所述方法还包括：201、通过所述待降噪金字塔高频图像与所述已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；202、对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；203、基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
为了避免在融合过程中丢失图像纹理细节、边缘细节，准确生成有效的系数矩阵，从而提高融合效率，需要预先确定出系数矩阵。具体的，基于金字塔分解后的得到的待降噪金字塔高频图像与已降噪金字塔高频图像之间进行相减取绝对值，得到差值图像信息。为了使每个像素点对应一个系数值，对差值图像信息进行区域划分，如划分为n×n个区域，计算每个区域中像素点的平均值，从中选取极小值作为阈值，即将平均像素极小值与各个区域像素值进行比较，以根据比较结果确定系数矩阵的系数。由于k的取值范围为[0，1]，系数矩阵a(x)的范围也为[0，1]，即若划分的区域像素点大于平均像素极小值，则a(x)中系数为1，此时，对应的区域像素点为有效信息，小于平均像素极小值，a(x)中系数为0，此时，对应的区域像素点为噪声。
在本发明实施例中，为了进一步限定及说明，步骤1031基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像与已降噪金字塔高频图像进行各层级间对应的图像融合，得到融合后的高频图像信息之前，所述方法还包括：基于所述平均像素极小值、以及灰度值生成过渡曲线，并基于所述过渡曲线对图像融合进行修正。
由于系数矩阵a(x)只取值0或1，会导致图像融合过于生硬，不够细腻，因此，在进行图像融合过程中，可以通过配置一条平滑过渡曲线来对系数矩阵进行更新，实现图像融合的修正。其中，过渡曲线即为基于平均像素极小值以及灰度值计算得到的，曲线计算公式为：Q(x)＝1/(1+exp(-(x-Min)))，其中，x为灰度值，Q(x)为输出曲线，Min为平均像素极小值，从而得到如图5所示的过渡曲线，然后，通过曲线映射，即可得到系数矩阵a(x)，以便根据如图6所示的高频图像融合流程图中的步骤进行图像融合。
在本发明实施例中，为了进一步限定及说明，如图7所示，所述目标图像信息包括已降噪图像信息以及待降噪图像信息，步骤103中对完成图像配准的所述目标图像信息进行金字塔分解处理包括：1034、基于逐层下采样方式对所述已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息；1035、基于逐层上采样方式对所述待降噪金字塔低频图像信息以及所述已降噪金字塔低频图像信息进行高斯过滤，并通过逐层相减方式确定待降噪金字塔高频图像信息与已降噪金字塔高频图像信息。
由于目标图像信息包括相邻帧图像，优选的，目标图像信息中包含有两帧图像信息，即已降噪图像信息为待降噪图像信息的前一帧图像信息，为了实现准确的图像融合，需要对图像配准后的已降噪图像信息以及待降噪图像信息进行金字塔分解处理。具体的，对于金字塔分解处理，由于待降噪图像信息与已降噪图像信息已经完成了金字塔图像构建，因此，在进行分解时，首先基于逐层下采样方式对已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，可以得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息，如图8所示的金字塔结构示意图。其中，最下层图像信息为原始图像信息，每一层的图像信息都是由下一层的图像信息通过高斯过滤后下采样得到的，进而越往金字塔的上层，图像尺寸越小，图像清晰度越低，高斯金字塔分解后，得到的是每一层级的低频图像信息，即包括待降噪金字塔低频图像信息与已降噪金字塔低频图像信息。完成高斯金字塔分解后，基于拉普拉斯金字塔分解对每一层级中的低频图像信息进行上采用并完成高斯滤波后，与其对应的下一层级的低频图像信息进行相减，得到下一层级的高频图像信息，以此类推，得到每一层级的高频图像信息，如图9所示的包含有高斯与拉普拉斯金字塔分解流程示意图。
需要说明的是，由于需要基于待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行图像融合，因此，在进行金字塔分解处理时，分别对已降噪图像信息以及待降噪图像信息进行高斯与拉普拉斯金字塔分解，以完成相邻帧之间各层级的高频图像信息的融合以及图像金字塔重构，如图10所示。
在本发明实施例中，为了进一步限定及说明，如图11所示，步骤102中基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场包括：1021、构建所述目标图像信息的金字塔图像信息，对所述金字塔图像信息中的各层级图像信息进行块状图像积分处理，并逆向搜索得到所述层级图像信息的稀疏光流场；1022、基于所述稀疏流光场计算各所述层级图像信息的像素偏移量，并基于所述像素偏移量生成稠密光流场。
由于在对目标图像信息进行拍摄的过程有，可能出现拍摄目标运动的情况，或者移动拍摄的情况，因此，在进行图像配准时，需要基于光流法确定目标图像信息的稠密光流场，从而得到待降噪图片信息与已降噪图片信息的运动场，提高配准精度。由于目标图像信息包括已降噪目标图像信息以及待降噪目标图像信息，为了避免每次通过光流法重新计算梯度，节约计算量，通过对构建的金字塔图像信息中的各层级图像信息进行快状积分处理，并基于逆向搜索得到稀疏光流场，以便计算稠密光流场。
如图12所示的基于DIS光流法(Dense Inverse Search-basedmethod)运动检测的图像配准流程示意图，具体的的步骤可以包括：
1、初始化：对待降噪图像信息以及已降噪图像信息进行单纯的下采样，分别构建待降噪金字塔图像信息以及已降噪金字塔图像信息；
2、迭代求解：对待降噪金字塔图像信息以及已降噪金字塔图像信息，从高处到底层的迭代求解，即首先对金字塔图像信息中的各风机图像进行块状积分处理，并基于逆向搜索各层级图像信息的稀疏光流场，然后基于系数光流场计算稠密光流，得到层级图像信息的像素偏移量，生成稠密光流场；
3、光流尺寸调整：将得到的稠密光流场中的底层光流上采样得到与待降噪图像信息与已降噪图像信息尺寸大小相同，并乘以对应的放大比例得到进行配准的稠密光流场。
其中，如图13所示的迭代求解过程示意图，迭代求解过程为从金字塔图像信息的各层级中顶层依次向低层迭代，包括：a、对当前层的梯度图像计算图像的块状积分图，用于逆向搜索，并以每个稀疏光流场的位置到一定区域范围的图像块进行图像积分；b、逆向搜索求解稀疏光流场，通过对图像块的逆向搜索得到稀疏光流场，其中包括通过对包含某一个像素点的所有图像块对应的稀疏光流进行加权求和，即可得到该像素点对应的光流，从而得到稀疏光流场；c、根基稀疏光流场计算稠密光流，即稠密光流是通过各层级图像上所有像素点的偏移量，从而得到稠密光流场。通过这个稠密光流场，可以进行像素级别的图像配准。
需要说明的是，由于本发明实施例中是基于光流法进行图像配准的，因此，在进行图像配准时，需要对处理的目标图像信息进行配置统一的处理条件，包括：相邻帧之间的亮度恒定；相邻视频帧的取帧时间连续，或者，相邻帧之间物体的运动比较“微小”；保持空间一致性，即目标图像中的各个图像的像素点具有相同的运动，本发明实施例不做具体限定。
在本发明实施例中，为了进一步限定及说明，步骤102中通过所述稠密光流场对所述目标图像信息进行图像配准包括：根据已降噪图像信息的稠密光流场以及待降噪图像信息的稠密光流场计算图像坐标差，并基于所述图像坐标差对所述已降噪图像信息与所述待降噪图像信息进行图像配准。
具体的，通过计算已降噪图像信息的稠密光流场与待降噪图像信息的稠密光流场之间的图像坐标差，用于说明两帧图像得位置存在偏移，因此，针对图像坐标差将已降噪图像信息与待降噪图像信息移动至相同的位置上，从而实现图像配准，大大提高图像融合的准确性，避免了图像伪影的出现。
在本发明实施例中，为了进一步限定及说明，如图14所示，所述获取相邻帧的目标图像信息之前，所述方法还包括：301、获取待进行图像降噪的至少一帧图像信息；302、基于灰度曲线映射对所述图像信息的灰度值进行灰度拉伸调整；303、将相邻且完成灰度拉伸调整的已降噪图像信息以及待降噪图像信息，确定为目标图像信息。
为了提高对图像配准的准确性，在获取需要进行配准的目标图像信息之前，可以对拍摄的全部帧图像进行预处理，从而提高匹配精度。在本发明实施例中的具体一个应用场景中，在拍摄过程中，X射线在穿过人体组织后，骨骼等密度较大的组织在图像中呈现的灰度值较低，而皮肤肌肉等密度较低的组织，包括射线直接穿透的背景，则呈现出的图像灰度值较高，即总体来说前景灰度值较低，而背景灰度值偏高。因此，透视图像中的有用信息主要集中在前景部分，在不改变灰度范围的前提下，本发明实施例通过设置一条灰度映射曲线，将较低的前景灰度进行拉伸，而将较高的背景灰度进行压缩，可以更好的突出有价值的图像信息，提高图像配准的精度。
如图15所示的预处理流程图，以及如图16所示的灰度处理流程示意图，计算灰度曲线的灰度映射曲线函数为GrayLevel为图像的灰度范围，i为曲线的输入灰度值，即为[0,GrayLevel-1]区间内的整数，灰度曲线映射k为基于曲线调整系数确定的，k为曲线调整系数，k值越大，低灰度拉伸越大，优选的，当k＝0.02时，得到如图17所示的灰度映射曲线，图中，横坐标表示输入灰度值，纵坐标为输出灰度值，较低的灰度被拉伸，较高的灰度被压缩。得到灰度映射曲线后，将当前帧图像灰度代入到曲线函数中，得到映射后的灰度图像，然后通过灰度值输出公式，将图像信息中每个像素的灰度值进行映射，得到目标图像信息。其中，灰度值输出公式为Dst(i)＝f(Src(i))，i为图像的像素索引值，Dst(i)为输出图像的每一个像素点的灰度值，Src(i)为输入图像的每一个像素点的灰度值，f()为灰度映射曲线函数，本发明实施例不做具体限定。
本发明实施例提供了一种图像降噪方法，与现有技术相比，本发明实施例通过获取相邻帧的目标图像信息；基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理，大大减少了降噪过程中的伪影，增强了图像降噪过程中的图像质量，提高了图像降噪的效果，保证了图像降噪后的精度，从而实现了高效图像降噪的目的。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种图像降噪装置，如图18所示，该装置包括：
获取模块41，用于获取相邻帧的目标图像信息；
配准模块42，用于基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
处理模块43，用于对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理。
进一步地，所述处理模块43包括：
融合单元，用于基于与所述目标图信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行各层级间对应的图像融合，得到融合后的高频图像信息；
重构单元，用于获取与所述高频图像信息匹配的低频图像信息，并对所述高频图像信息与所述低频图信息进行逐层相加重构，得到降噪图像信息。
进一步地，所述装置还包括：
第一确定模块，用于通过所述待降噪金字塔高频图像与所述已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；
计算模块，用于对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；
第二确定模块，用于基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
进一步地，所述处理模块43还包括：
修正单元，用于基于所述平均像素极小值、以及灰度值生成过渡曲线，并基于所述过渡曲线对图像融合进行修正。
进一步地，所述目标图像信息包括已降噪图像信息以及待降噪图像信息，所述处理模块包括：
分解单元，用于基于逐层下采样方式对所述已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息；
过滤单元，用于基于逐层上采样方式对所述待降噪金字塔低频图像信息以及所述已降噪金字塔低频图像信息进行高斯过滤，并通过逐层相减方式确定待降噪金字塔高频图像信息与已降噪金字塔高频图像信息。
进一步地，所述配准模块42包括：
构建单元，用于构建所述目标图像信息的金字塔图像信息，对所述金字塔图像信息中的各层级图像信息进行块状图像积分处理，并逆向搜索得到所述层级图像信息的稀疏光流场；
生成单元，用于基于所述稀疏流光场计算各所述层级图像信息的像素偏移量，并基于所述像素偏移量生成稠密光流场。
进一步地，所述配准模块42还包括：
配准单元，用于根据已降噪图像信息的稠密光流场以及待降噪图像信息的稠密光流场计算图像坐标差，并基于所述图像坐标差对所述已降噪图像信息与所述待降噪图像信息进行图像配准。
进一步地，所述装置还包括：调整模块，第三确定模块
所述获取模块，还用于获取待进行图像降噪的至少一帧图像信息；
所述调整模块，用于基于灰度曲线映射对所述图像信息的灰度值进行灰度拉伸调整，所述灰度曲线映射为基于曲线调整系数确定的；
所述第三确定模块，用于将相邻且完成灰度拉伸调整的已降噪图像信息以及待降噪图像信息，确定为目标图像信息。
本发明实施例提供了一种图像降噪装置，与现有技术相比，本发明实施例通过获取相邻帧的目标图像信息；基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理，大大减少了降噪过程中的伪影，增强了图像降噪过程中的图像质量，提高了图像降噪的效果，保证了图像降噪后的精度，从而实现了高效图像降噪的目的。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的图像降噪方法。
图19示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图19所示，该终端可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述图像降噪方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取相邻帧的目标图像信息；
基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。
Claims (10)
1.一种图像降噪方法，其特征在于，包括：
获取相邻帧的目标图像信息；
基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理；
其中，所述对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息之前，所述方法还包括：
通过待降噪金字塔高频图像与已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；
对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；
基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
2.根据权利要求1所述的方法，其特征在于，所述对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息包括：
基于与所述目标图像信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像信息与已降噪金字塔高频图像信息进行各层级间对应的图像融合，得到融合后的高频图像信息；
获取与所述高频图像信息匹配的低频图像信息，并对所述高频图像信息与所述低频图像信息进行逐层相加重构，得到降噪图像信息。
3.根据权利要求2所述的方法，其特征在于，所述基于与所述目标图像信息匹配的系数矩阵，对所述目标图像信息金字塔分解处理得到的待降噪金字塔高频图像与已降噪金字塔高频图像进行各层级间对应的图像融合，得到融合后的高频图像信息之前，所述方法还包括：
基于所述平均像素极小值、以及灰度值生成过渡曲线，并基于所述过渡曲线对图像融合进行修正。
4.根据权利要求1所述的方法，其特征在于，所述目标图像信息包括已降噪图像信息以及待降噪图像信息，所述对完成图像配准的所述目标图像信息进行金字塔分解处理包括：
基于逐层下采样方式对所述已降噪图像信息以及所述待降噪图像信息分别进行高斯金字塔分解，得到待降噪金字塔低频图像信息与已降噪金字塔低频图像信息；
基于逐层上采样方式对所述待降噪金字塔低频图像信息以及所述已降噪金字塔低频图像信息进行高斯过滤，并通过逐层相减方式确定待降噪金字塔高频图像信息与已降噪金字塔高频图像信息。
5.根据权利要求1所述的方法，其特征在于，所述基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场包括：
构建所述目标图像信息的金字塔图像信息，对所述金字塔图像信息中的各层级图像信息进行块状图像积分处理，并逆向搜索得到所述层级图像信息的稀疏光流场；
基于所述稀疏光流场计算各所述层级图像信息的像素偏移量，并基于所述像素偏移量生成稠密光流场。
6.根据权利要求5所述的方法，其特征在于，所述通过所述稠密光流场对所述目标图像信息进行图像配准包括：
根据已降噪图像信息的稠密光流场以及待降噪图像信息的稠密光流场计算图像坐标差，并基于所述图像坐标差对所述已降噪图像信息与所述待降噪图像信息进行图像配准。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述获取相邻帧的目标图像信息之前，所述方法还包括：
获取待进行图像降噪的至少一帧图像信息；
基于灰度曲线映射对所述图像信息的灰度值进行灰度拉伸调整，所述灰度曲线映射为基于曲线调整系数确定的；
将相邻且完成灰度拉伸调整的已降噪图像信息以及待降噪图像信息，确定为目标图像信息。
8.一种图像降噪装置，其特征在于，包括：
获取模块，用于获取相邻帧的目标图像信息；
配准模块，用于基于逆向搜索得到的稀疏光流场确定所述目标图像信息对应的稠密光流场，并通过所述稠密光流场对所述目标图像信息进行图像配准；
处理模块，用于对完成图像配准的所述目标图像信息进行金字塔分解处理，并对金字塔分解处理后的所述目标图像信息进行图像融合重构，得到降噪图像信息，所述图像融合重构用于表征基于系数矩阵对金字塔图像信息进行融合与重构的处理；
其中，所述装置还包括：
第一确定模块，用于通过待降噪金字塔高频图像与已降噪金字塔高频图像信息之间的绝对差值，确定差值图像信息；
计算模块，用于对所述差值图像信息进行区域划分，并基于区域划分后得到的区域像素值计算平均像素极小值；
第二确定模块，用于基于所述平均像素极小值与各区域像素值之间的大小关系确定系数矩阵。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的图像降噪方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的图像降噪方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110920407.6A CN113793272B (zh) | 2021-08-11 | 2021-08-11 | 图像降噪方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110920407.6A CN113793272B (zh) | 2021-08-11 | 2021-08-11 | 图像降噪方法及装置、存储介质、终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113793272A CN113793272A (zh) | 2021-12-14 |
| CN113793272B true CN113793272B (zh) | 2024-01-26 |
Family
ID=78875995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110920407.6A Active CN113793272B (zh) | 2021-08-11 | 2021-08-11 | 图像降噪方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113793272B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240941B (zh) * | 2022-02-25 | 2022-05-31 | 浙江华诺康科技有限公司 | 内窥镜图像降噪方法、设备、电子装置和存储介质 |
| CN114842324B (zh) * | 2022-03-16 | 2025-01-17 | 南京邮电大学 | 一种基于学习神经网络的伪装目标检测方法及系统 |
| CN115841425B (zh) * | 2022-07-21 | 2023-11-17 | 爱芯元智半导体(宁波)有限公司 | 视频降噪方法、装置、电子设备及计算机可读取存储介质 |
| CN116017123A (zh) * | 2022-12-05 | 2023-04-25 | 武汉华中天经通视科技有限公司 | 一种光电成像系统及其成像方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN105957024A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于图像块先验与稀疏范数的盲去模糊方法 |
| CN107465911A (zh) * | 2016-06-01 | 2017-12-12 | 东南大学 | 一种深度信息提取方法及装置 |
| CN109584282A (zh) * | 2018-11-24 | 2019-04-05 | 天津大学 | 一种基于sift特征与光流模型的非刚性图像配准方法 |
| CN110047058A (zh) * | 2019-03-25 | 2019-07-23 | 杭州电子科技大学 | 一种基于残差金字塔的图像融合方法 |
| CN111598820A (zh) * | 2020-05-14 | 2020-08-28 | 山东凯鑫宏业生物科技有限公司 | 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 |
| CN112509014A (zh) * | 2020-12-14 | 2021-03-16 | 南昌航空大学 | 金字塔遮挡检测块匹配的鲁棒插值光流计算方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5531368B2 (ja) * | 2007-12-25 | 2014-06-25 | メディック ヴィジョン−ブレイン テクノロジーズ エルティーディー． | 画像のノイズ低減 |
| KR20130031574A (ko) * | 2011-09-21 | 2013-03-29 | 삼성전자주식회사 | 영상 처리 방법 및 영상 처리 장치 |
| CN112584034B (zh) * | 2019-09-30 | 2023-04-07 | 虹软科技股份有限公司 | 图像处理方法、图像处理装置及应用其的电子设备 |
-
2021
- 2021-08-11 CN CN202110920407.6A patent/CN113793272B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN105957024A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于图像块先验与稀疏范数的盲去模糊方法 |
| CN107465911A (zh) * | 2016-06-01 | 2017-12-12 | 东南大学 | 一种深度信息提取方法及装置 |
| CN109584282A (zh) * | 2018-11-24 | 2019-04-05 | 天津大学 | 一种基于sift特征与光流模型的非刚性图像配准方法 |
| CN110047058A (zh) * | 2019-03-25 | 2019-07-23 | 杭州电子科技大学 | 一种基于残差金字塔的图像融合方法 |
| CN111598820A (zh) * | 2020-05-14 | 2020-08-28 | 山东凯鑫宏业生物科技有限公司 | 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 |
| CN112509014A (zh) * | 2020-12-14 | 2021-03-16 | 南昌航空大学 | 金字塔遮挡检测块匹配的鲁棒插值光流计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于稀疏表示和PCNN的多模态图像融合;林哲;闫敬文;袁野;;山东大学学报(工学版)(第04期);全文 * |
| 航空图像光流场的逆向金字塔计算方法;李佳田;李显凯;李应芸;钱堂慧;李果家;林艳;;测绘学报(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113793272A (zh) | 2021-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113793272B (zh) | 图像降噪方法及装置、存储介质、终端 | |
| Jiang et al. | Unsupervised decomposition and correction network for low-light image enhancement | |
| CN110163237B (zh) | 模型训练及图像处理方法、装置、介质、电子设备 | |
| Tai et al. | Richardson-lucy deblurring for scenes under a projective motion path | |
| CN111447359B (zh) | 数字变焦方法、系统、电子设备、介质及数字成像设备 | |
| CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| JP2002269556A (ja) | デジタル画像からノイズを除去する複数解像度に基づく方法 | |
| CN111242860A (zh) | 超级夜景图像的生成方法、装置、电子设备及存储介质 | |
| Yin et al. | Two exposure fusion using prior-aware generative adversarial network | |
| Tico et al. | Motion-blur-free exposure fusion | |
| CN105931213A (zh) | 基于边缘检测和帧差法的高动态范围视频去鬼影的方法 | |
| JP2004242285A (ja) | ノイズ抑制処理方法および装置並びにプログラム | |
| Peng et al. | Pdrf: progressively deblurring radiance field for fast scene reconstruction from blurry images | |
| CN115578286A (zh) | 高动态范围的混合曝光成像方法和装置 | |
| Liu et al. | Learning noise-decoupled affine models for extreme low-light image enhancement | |
| CN110211193B (zh) | 三维ct层间图像插值修复与超分辨处理方法及装置 | |
| Sun et al. | Bilateral spectrum weighted total variation for noisy-image super-resolution and image denoising | |
| Tan et al. | High dynamic range imaging for dynamic scenes with large-scale motions and severe saturation | |
| CN114092562A (zh) | 噪声模型标定方法、图像去噪方法、装置、设备和介质 | |
| Fotiadou et al. | Snapshot high dynamic range imaging via sparse representations and feature learning | |
| Wang et al. | High dynamic range video using split aperture camera | |
| CN104318518A (zh) | 基于surf匹配和边缘检测的凸集投影图像重构方法 | |
| Vavilin et al. | Fast HDR image generation from multi-exposed multiple-view LDR images | |
| CN116630218B (zh) | 一种基于边缘保持平滑金字塔的多曝光图像融合方法 | |
| KR101152525B1 (ko) | 모션 블러 제거 방법 및 이러한 방법을 수행하는 장치 |
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 |