一种基于噪声预测的图像去噪方法.pdf
是你****平呀
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于噪声预测的图像去噪方法.pdf
本发明公开了一种基于噪声预测的图像去噪方法,属于图像处理的技术领域。本发明首先通过KSVD算法去除原始图像中不必要的冗余信息,接着通过邻域窗口对KSVD算法处理后剩余的图像冗余信息进行非均值处理,避免了大范围预测噪声带来的不准确,使得除去预测噪声后的图像能够更大限度地保留细节信息,再以原始图像和非均值处理后图像的差为独立成分分析算法的观测图像,通过独立成分分析确保分离出的有用信息分量和噪声分量相互独立,在去噪的同时尽量保留图像的有用信息,保证降噪后的图像最优。
一种基于噪声估计的图像去噪方法.pdf
本发明公开了一种基于噪声估计的图像去噪方法,利用超像素分割根据图像内容将其分为若干同源区域,利用平坦信息更能代表图像噪声污染水平的先验知识,以图像信息熵为依据找出图像中较为平滑的同源区域,并估计平滑区域的噪声标准差,以这些平滑区域的噪声标准差作为整幅图像的噪声水平,达到更加准确估计噪声水平的目的,从而根据噪声水平对非局部均值(NLM)去噪方法进行修正,实现根据噪声程度合理地控制去噪程度,能够自适应地处理带噪图像,使去噪后的图像整体效果较传统的NLM算法大幅度提升,在去噪的同时更好地保留了细节。全过程可实现
基于盲噪声估计的高光谱图像去噪方法.pdf
基于盲噪声估计的高光谱图像去噪方法,包括将ICVL数据集分为训练数据集和测试数据集两个数据集(干净图像);将训练数据集和测试数据集的图像加上噪声得到噪声图像;将样本训练集的噪声图像送入噪声估计子网络中得到噪声水平估计;再将噪声图像和噪声水平一起输入去噪子网络得到去噪后的干净图像;将训练后的网络用于测试数据集进行测试从而得到去噪后的干净高光谱图像。本发明是由噪声估计子网络和去噪子网络两部分构成,使用噪声估计子网络可以实现图像盲去噪。噪声估计子网络模块使用了多尺度特征融合,能够发挥不同尺度的优势更好地提取噪声
一种基于混合鲁棒权重和方法噪声的图像去噪方法.pdf
本发明提供了一种基于混合鲁棒权重和方法噪声的图像去噪方法,属于智能信息处理技术领域,主要解决传统NLM算法难以有效维持噪声抑制与细节保持之间的平衡的问题。该方法首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造出方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和方法噪声应用到两级非局部均值去噪方法中。本发明方法能够在抑制噪声的同时,有效地保留图像中的结构细节信息,具有更优的去噪性能。
一种基于生成对抗网络噪声建模的真实图像去噪方法.pdf
本发明公开了一种基于生成对抗网络噪声建模的真实图像去噪方法,旨在利用深度卷积神经网络解决真实图像噪声因难以显式建模而无法有效去除的问题。该方法首先利用生成对抗网络学习真实图像噪声分布,构建成对数据集;其次利用构建的数据集训练去噪网络,实现对真实噪声的去除。本发明利用残差块搭建去噪网络,并在去噪网络中引入噪声估计算法以及可逆的升降采样操作,用以提升单一网络模型盲图像去噪的性能,在有效去除未知分布的噪声的同时,尽可能地保留原有图像的边缘信息和细节特征。