基于RCSCT变换的DR图像去噪及加速
《基于深度学习的低剂量CT去噪方法研究》
《基于深度学习的低剂量CT去噪方法研究》篇一一、引言随着医学影像技术的不断发展，低剂量CT（Computed Tomography）技术因其能够减少辐射剂量、降低患者接受辐射的风险而受到广泛关注。
然而，低剂量CT图像往往伴随着明显的噪声，影响了图像的清晰度和诊断的准确性。
因此，如何有效地对低剂量CT图像进行去噪处理，提高图像质量，成为了当前研究的热点问题。
本文将针对基于深度学习的低剂量CT去噪方法进行研究，旨在为医学影像处理领域提供新的思路和方法。
二、深度学习在低剂量CT去噪中的应用深度学习是一种基于神经网络的机器学习方法，其强大的特征提取和表达能力在图像处理领域得到了广泛应用。
在低剂量CT去噪方面，深度学习能够通过训练大量的数据模型，学习到噪声与清晰图像之间的内在联系，从而实现有效的去噪。
常见的深度学习模型包括卷积神经网络（CNN）、生成对抗网络（GAN）等。
三、基于深度学习的低剂量CT去噪方法本文提出了一种基于生成对抗网络的低剂量CT去噪方法。
该方法主要包括生成器和判别器两个部分。
生成器负责将低剂量的CT图像转化为高清晰度的图像，而判别器则用于区分输入的图像是原始的高清晰度图像还是生成器生成的图像，从而对生成器的输出进行评估和优化。
具体而言，我们采用了U-Net结构的生成器，该结构能够有效地提取和重建图像的细节信息。
同时，我们使用了WGAN （Wasserstein Generative Adversarial Network）的判别器，通过优化损失函数，使得生成器能够更好地生成高清晰度的图像。
在训练过程中，我们使用了大量的低剂量CT图像和高清晰度图像数据，通过不断调整模型的参数，使得生成器能够学习到噪声与清晰图像之间的内在联系。
四、实验结果与分析我们在多个低剂量CT图像数据集上进行了实验，并与传统的去噪方法和其他的深度学习方法进行了比较。
实验结果表明，我们的方法在去噪效果和图像质量方面均取得了显著的改进。
遥感影像处理中的图像去噪和增强技术研究
遥感影像处理中的图像去噪和增强技术研究图像去噪和增强是遥感影像处理中的重要技术之一。
遥感影像获取的过程中受到多种因素的影响，例如传感器噪声、大气散射、云雾干扰等，这些因素都会导致遥感影像质量较差。
为了提高遥感影像的质量，实现更好的视觉效果和有效的信息提取，图像去噪和增强技术被广泛应用于遥感影像处理中。
图像去噪是指通过消除或减小图像中的噪声，提高图像质量和清晰度。
在遥感影像处理中，由于传感器以及传输过程中的干扰，使得遥感影像中存在各种类型的噪声，如椒盐噪声、高斯噪声等。
针对不同类型的噪声，有不同的去噪方法。
常用的图像去噪方法包括中值滤波、均值滤波、小波去噪等。
中值滤波是一种简单且有效的方法，它通过对图像中每个像素点所在邻域内的像素值进行排序，选取中间值作为该像素点的值，从而去除噪声。
均值滤波是利用图像中像素点周围一定范围的像素的平均值来代替该像素的方法，对于高斯噪声去噪效果较好。
小波去噪则是利用小波变换将图像从时域转换到频域，通过去除低频分量中的噪声信息来实现去噪效果。
除了图像去噪之外，图像增强也是遥感影像处理中的重要步骤。
通过增强图像的对比度、亮度、细节等特征，可以提高遥感影像的可视化效果以及对应用的适应性。
常用的图像增强方法有直方图均衡化、对比度拉伸以及谐波增强等。
直方图均衡化通过对图像中像素的灰度进行重新映射，使得图像中的灰度级分布更加均匀，增强了图像的对比度和细节。
对比度拉伸方法是通过调整图像中灰度值的范围，将原始图像像素灰度值的最小值和最大值映射到期望的范围内，从而增强图像的对比度。
谐波增强则是通过对图像进行频域处理，在频域上增强低频和高频信息，从而提高图像的细节和清晰度。
综上所述，图像去噪和增强技术在遥感影像处理中具有重要的意义。
通过去除噪声、增强图像的特征，可以提高遥感影像的质量，使其更加适应各种应用需求。
图像去噪和增强技术的研究和应用将进一步推动遥感影像在农业、城市规划、环境监测等领域的应用，并为遥感影像处理领域的发展提供更多可能性。
基于剪切不变的递归Contourlet变换图像去噪
基于剪切不变的递归Contourlet变换图像去噪贾建;项海林【期刊名称】《计算机科学》【年(卷),期】2009(36)5【摘要】根据综合剪切和递归Cycle Spinning技术,提出一种基于剪切不变的递归Contourlet变换图像去噪方法(RSICT).为改善图像去噪由于缺少平移不变性而产生的伪吉布斯效应,使用剪切替代平移技术来提取图像中原有的几何特征,将递归Cycle Spinning方法运用在剪切技术中给出剪切不变思想,并将其用于Contourlet 域图像去噪.对于被加性高斯白噪声污染的图像,实验中将RSICT方法与平移不变小波、平移不变Contourlet等方法进行了比较,结果表明在大多数情况下,RSICT的PSNR结果相比这些方法高出0.1至1.2dB,并保持良好的视觉效果.【总页数】4页(P254-256,301)【作者】贾建;项海林【作者单位】西北大学数学系,西安,710069;西安电子科技大学智能信息处理研究所,西安,710071【正文语种】中文【中图分类】TP391.4【相关文献】1.基于分类准则的非下采样Contourlet变换域图像去噪 [J], 沙浩;江平2.基于Contourlet变换和改进NeighShink的图像去噪 [J], ZHANG Lei;KANGBao-sheng;LI Hong-an3.基于contourlet变换的PDE遥感图像去噪算法 [J], 宋昱;张洪为;胡梦云;张朔4.基于改进邻域收缩法的非下采样Contourlet变换域红外图像去噪 [J], 齐乃新;曹立佳;杨小冈;陈世伟5.一种基于Contourlet变换的总变分图像去噪算法 [J], 张洪为;张俊英因版权原因，仅展示原文概要，查看原文内容请购买。
医学影像中的噪声去除与图像增强算法
医学影像中的噪声去除与图像增强算法近年来，随着医学成像技术的不断发展，医学影像在临床诊断和研究中得到了广泛应用。
然而，在实际应用中，随之带来的一些问题也逐渐浮现，最主要的就是医学影像中的噪声问题。
由于噪声会对影像质量产生很大的影响，噪声去除和图像增强算法成为了研究的重点。
一、医学影像中的噪声噪声是指随机错误或干扰造成的影响，是影像中的一种不良信号。
医学影像中的噪声来自于多种因素，如患者的居住环境、患者的生理状态、影像设备的性能等等。
这些因素都会对最终得到的影像质量产生很大的影响。
常见的医学影像噪声包括高斯噪声、泊松噪声、伪影、运动伪影等。
其中，高斯噪声是指在空间域中，由于电子器件本身的噪声、电磁辐射干扰等原因，使得图像的灰度值产生了随机扰动。
泊松噪声则是由于光子统计性质的随机性，在低剂量下，每个像素接收的光子数较少，图像中的像素值就会随机变化。
伪影和运动伪影则是由于医学设备中的机械、电学或软件问题引起的。
二、噪声去除算法噪声去除算法是指将图像中的噪声进行减除或压制，以提高图像质量的算法。
目前主要的噪声去除方法包括基于滤波的方法、小波变换等。
1. 基于滤波的方法基于滤波的方法是一种常见的噪声去除方法。
常见的方法包括中值滤波、均值滤波、高斯滤波等。
其中，中值滤波是指用区域内像素值的中值代替当前像素值，以达到消除噪声的目的。
均值滤波则是计算图像中像素在窗口内像素的平均值来进行噪声消除。
高斯滤波则是基于一张图卷积核对图像进行滤波，消除噪声的同时也会对图像进行模糊处理。
2. 小波变换小波变换是一种经典的信号处理方法，它可以将信号分解为多个分别描述不同频率和时域特征的小波系数。
小波变换的特点是可以从时间域和频率域两个方面分析信号，因此可以很好的处理时域和频域信息的混合问题。
在医学影像中，小波变换常用于去除高斯噪声和泊松噪声。
三、图像增强算法图像增强算法是指对图像进行加强和优化，以使得图像的质量更好，更符合人类视觉的要求。
基于Contourlet变换在图像去噪中的应用
基于Contourlet变换在图像去噪中的应用
李万臣;赵开伟;陈宇贤
【期刊名称】《仪器仪表用户》
【年(卷),期】2010(017)001
【摘要】Contourlet变换是小波变换的新发展,能更有效地捕捉图像中的几何结构.本文提出一种基于Contourlet变换的图像去噪方法.该方法通过对阈值去噪中的统一阈值和阈值函数进行分析,构造出一个新的阈值函数,新阈值函数在一定程度上改进了统一阈值"过扼杀"Con-toudet系数的缺点,同时也使硬阈值去噪中出现的伪吉布斯现象得到解决.实验结果表明,本文采用的方法提高了去噪后图像的PSNR值,同时有效地保留了图像纹理信息,使视觉效果更好.
【总页数】2页(P47-48)
【作者】李万臣;赵开伟;陈宇贤
【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,哈尔滨,150001
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于PCA和BM3D的噪声估计方法及其在中子图像去噪中的应用 [J], 乔双;吴晓阳;赵辰一;王泽琦
2.基于Contourlet变换和IPCNN的融合算法及其在可见光与红外线图像融合中的应用 [J], 刘盛鹏;方勇
3.Contourlet变换及其在图像去噪中的应用研究 [J], 徐华楠;刘哲;胡钢
4.Contourlet变换在图像去噪及融合算法中的应用研究 [J], 李彦
5.非下采样Contourlet变换在带钢表面缺陷图像去噪中的应用研究 [J], 杨建新;王中叶
因版权原因，仅展示原文概要，查看原文内容请购买。
一种CT图像的去噪方法发明专利
在本求解过程中，只需计算b x，b y，减少了计算d x，d y的过程，而且减少了对所述第一像素点的四邻域点的访问，简化了计算步骤，减少计算量，提高了CT系统的重建性能。
在步骤270，判断是否满足收敛条件。
在一些实施例中，收敛条件为||u k-u k-1|| 2<tol。
若收敛条件满足，则执行步骤280，输出第一参数u，若收敛条件不满足，则返回步骤230，继续迭代。
在一些实施例中，也可以通过判断迭代次数是否达到预期迭代次数从而确定是否要结束迭代过程。
以上所述仅为本发明的优选实施而已，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，均应包含在本发明的保护范围之内。
抑制DR图像光晕与噪声的处理算法及其优化研究
抑制DR图像光晕与噪声的处理算法及其优化研究作者：刘巍王峰来源：《中国新通信》2013年第20期【摘要】数字X射线摄影系统（Digital Radiography）是一种新的成像技术，针对DR图像光晕与噪声，在实验了多种图像增强算法的基础之上，本文提出了一种改进的对比度受限直方图均衡算法。
通过应用本文提出的方法对人体各部位采集的图像进行多次增强，证明了本方法可以很好地抑制光晕的产生。
【关键词】DR CLAHE光晕图像增强随着电子技术在各个方面的应用，图像的数字化进程十分迅速。
人们要求高质量的图像，不仅仅为了满足视觉需要，更因为在信号分析、通信技术和计算机科学的各个方面，都需要对各种图像进行分析处理从而得出结论和相关数据。
一、自适应计算截止灰度级人眼的识别能力是有限的，无法辨别图像中过亮和过暗区域中灰度微小的变化，所占用过多的灰度级造成一定浪费，可以对灰度级进行压缩。
2.1信噪比信噪比是指信号源产生最大不失真信号强度与同时发出的噪声强度之间的比率，通常以S/N表示，一般用分贝（dB）为单位，信噪比越高表示质量越好。
同样的定义也可以适用在医学图像中，我们首先可以通过计算一幅医学图像的均方误差，然后由均方误差推算出其峰值信噪比。
2.2信息熵我们将H（u）称为信息的熵，它表示的含义是观察到单个信源符号输出时能够获取的平均信息量。
当信源各符号的出现概率相等时，此时熵达到最大，此时信源能够提供最大可能的信源符号平均信息量。
三、程序实现及结果分析由图1可以发现，应用综合算法，可以明显增强图像的层次感，比如大骨盆及脊柱上侧，效果与处理前相比有了显著提高；腓骨图像经过处理后，可以明显观察到踝关节部分的钢板和钢钉，同时裙子的褶皱也被真实还原，比起原图，处理后的图像提供了更多的信息量。
虽然主观上已经可以明显看出这种综合算法处理后的图像效果，我们仍然需要客观评价标准来衡量，即本节前述的峰值信噪比（PSNR）和信息熵（MSE），现分别选取大骨盆、脚、颈椎、膝盖和腰椎图像，计算其处理前后的峰值信噪比和信息熵。
掌握测绘技术中的遥感图像去噪和增强
掌握测绘技术中的遥感图像去噪和增强在现代科技的快速发展中，遥感技术的应用越来越广泛。
遥感图像作为获取地表信息的重要手段，被广泛应用于农业、环境保护、城市规划等领域。
然而，由于多种原因，遥感图像往往存在噪声干扰和信息质量较差的问题。
因此，掌握测绘技术中的遥感图像去噪和增强方法显得尤为重要。
遥感图像去噪是提高图像质量的关键技术之一。
遥感图像噪声主要来自于传感器本身的噪声以及图像获取过程中的干扰。
去噪的目标是通过合理的数学模型和算法，去除噪声并尽量保留和恢复图像的细节信息。
在遥感图像去噪中，常用的方法包括空域滤波和频域滤波。
在空域滤波方法中，均值滤波是最简单、最常用的一种方法。
它以像素周围区域的均值来代替中心像素的值，从而达到平滑图像的效果。
然而，均值滤波容易导致图像模糊，尤其是在处理边缘细节等特殊情况下效果不佳。
相比之下，中值滤波在去除噪声的同时能够更好地保留图像的边缘信息。
中值滤波的原理是将中心像素的值替换为像素周围区域内的中值，这样能够有效抑制噪声。
除此之外，在空域滤波中还有一些其他方法，如高斯滤波、双边滤波等，它们在平滑图像的同时，尽量保留图像的细节信息。
除了空域滤波，频域滤波也是一种常用的遥感图像去噪方法。
频域滤波是将图像从空间域转换到频域，通过滤波操作来减小或去除图像中的噪声信号。
其中最常用的频域滤波方法是基于傅里叶变换的滤波。
傅里叶变换将图像表示为频域中的振幅和相位分量，可以通过滤波操作来去除频谱中的噪声分量。
常用的滤波器有理想滤波器、巴特沃斯滤波器和高斯滤波器等。
除了去噪之外，遥感图像增强也是非常重要的一项技术。
遥感图像的增强目的是通过改善图像的视觉效果和信息内容，使图像更适合于人眼观察和后续分析。
遥感图像增强主要包括对比度增强和细节增强两个方面。
对比度增强是通过调整图像的亮度和对比度来改善图像的视觉效果。
常用的对比度增强方法包括直方图均衡化和直方图规定化。
直方图均衡化是通过对原始图像的像素灰度值进行变换，使像素灰度分布更均匀，从而增强图像的对比度。
《基于深度学习的低剂量CT去噪方法研究》
《基于深度学习的低剂量CT去噪方法研究》一、引言计算机断层扫描（Computed Tomography，CT）是现代医学影像诊断中常用的技术之一。
然而，常规CT扫描常常伴随着辐射剂量较高的问题，这对患者特别是对儿童及对辐射敏感的患者带来潜在的健康风险。
为了解决这一问题，低剂量CT技术应运而生。
然而，低剂量CT图像往往伴随着严重的噪声问题，影响了图像的清晰度和诊断的准确性。
因此，如何通过有效的去噪方法提高低剂量CT图像的质量成为了研究热点。
近年来，基于深度学习的去噪方法在低剂量CT图像处理中表现出了显著的成效，本文将对此进行深入研究。
二、深度学习在低剂量CT去噪中的应用深度学习是一种模仿人脑神经网络工作的机器学习方法，它在图像处理领域取得了显著的成果。
在低剂量CT去噪中，深度学习可以通过学习大量的图像数据，自动提取和利用图像中的特征信息，从而实现去噪的目的。
2.1 卷积神经网络（CNN）在低剂量CT去噪中的应用卷积神经网络是深度学习中的一种重要网络结构，它在低剂量CT去噪中发挥了重要作用。
通过构建深度卷积神经网络，可以学习到低剂量CT图像中的噪声模式和结构信息，从而实现对图像的有效去噪。
2.2 生成对抗网络（GAN）在低剂量CT去噪中的应用生成对抗网络是一种无监督的学习方法，它在低剂量CT去噪中也有着广泛的应用。
通过生成器和判别器的对抗训练，GAN 可以学习到低剂量CT图像的真实分布，并生成高质量的去噪图像。
三、本文提出的基于深度学习的低剂量CT去噪方法针对低剂量CT图像的噪声问题，本文提出了一种基于深度学习的去噪方法。
该方法主要包括以下步骤：3.1 数据预处理首先，对低剂量CT图像进行预处理，包括灰度归一化、感兴趣区域提取等操作，以便于后续的深度学习处理。
3.2 构建深度学习模型构建一个深度卷积神经网络模型，该模型可以自动提取低剂量CT图像中的特征信息，并学习到噪声模式和结构信息。
同时，为了进一步提高去噪效果，我们引入了生成对抗网络的思路，通过生成器和判别器的对抗训练，进一步提高模型的去噪能力。
基于NSCT扩散的图像去噪增强方法
基于NSCT扩散的图像去噪增强方法贾雨;王爽;祁春【摘要】本文提出了一种基于非下采样Contourlet变换与非线性各向异性扩散的方法进行含噪图像的去噪和增强。
首先对含噪图像进行非下采样Contourlet分解，对每个分解层的各个子带进行非线性收缩和拉伸，以达到抑制噪声和增强图像特征的目的。
然后，对去噪增强后图像的Contourlet小系数进行空间域的非线性各向异性扩散，以去除由于进行非下采样Contourlet去噪所造成的为伪Gibbs现象和side-band效应。
实验结果表明，本文方法相比于无扩散的Wavelet和Contourlet方法相比，不仅对图像进行了去噪和增强，而且有效的抑制了伪Gibbs现象和 side-band效应。
%This paper proposes a hybrid method for image enhancement and noise reduction by using the NonSubsampled Contourlet Transform (NSCT) and Nonlinear Anisotropic diffusion. For the purpose of reducing pseudo-Gibbs and Contourlet-like artifacts, an improved gain function which integrates feature enhancement and noise reduction is introduced to nonlinearly shrink and stretch the NSCT coefficients firstly. Then, the enhanced results are further processed by the nonlinear diffusion where only the nonsignificant, i.e., thresholded, NSCT coefficients are changed by means of a diffusion process in order to reduce pseudo-Gibbs artifacts. Numerical experiments show its good performance to cancel oscillations near the discontinuities and eliminate Contourlet-like artifacts while preserving the strong edges and shapes of the features of surfaces, in comparison to existing methods.【期刊名称】《电子设计工程》【年(卷),期】2015(000)012【总页数】4页(P126-129)【关键词】非下采样Contourlet变换;各向异性扩散;图像去噪;图像增强【作者】贾雨;王爽;祁春【作者单位】中国飞行试验研究院陕西西安 710089;中国飞行试验研究院陕西西安 710089;中国飞行试验研究院陕西西安 710089【正文语种】中文【中图分类】TP302数字图像在航天、航空、医学等领域已经得到越来越广泛的应用，由于图像在采集和传输过程中往往容易受到噪声的干扰，对后续的边缘检测、图像分割、特征提取等处理造成严重影响，因此，对含噪图像进行去噪和增强是图像处理领域重要的预处理步骤。
基于NSCT变换的遥感图像快速自适应去噪方法
基于NSCT变换的遥感图像快速自适应去噪方法
刘洋;张国军
【期刊名称】《计算机仿真》
【年(卷),期】2022(39)1
【摘要】针对遥感图像受噪声影响导致质量较低的问题,提出了基于NSCT变换的遥感图像快速自适应去噪方法。
将Gibbs效应添加至Contourlet变换的图像处理环节,利用非下采样拉普拉斯金字塔与方向滤波器组构建NSCT变换。
根据NSCT 变换后遥感图像信号能量汇聚至小部分变换系数的特征,利用硬阈值快速去噪方法和NSCT变换系数邻域的一致性特征,推导出遥感图像自适应阈值,将其与硬阈值快速去噪法融合后,实现NSCT变换下快速自适应去噪。
仿真结果表明,所提方法去噪优势显著,且用时更短,具有较好的有效性与稳定性。
【总页数】5页(P172-176)
【作者】刘洋;张国军
【作者单位】中国科学院大学
【正文语种】中文
【中图分类】TP751
【相关文献】
1.遥感图像的NSCT自适应阈值去噪方法
2.遥感图像的NSCT自适应阈值去噪方法
3.基于 NSCT 和自适应模糊阈值遥感图像去噪算法
4.一种基于NSCT变换的
RBF神经网络自适应阈值去噪方法5.基于NSCT域的自适应阈值遥感图像去噪方法
因版权原因，仅展示原文概要，查看原文内容请购买。
航空发动机小直径管DR图像去噪算法研究
航空发动机小直径管DR图像去噪算法研究
程宇;隋岩;陈俊囡;田浩;吴伟
【期刊名称】《现代计算机》
【年(卷),期】2024(30)3
【摘要】针对数字射线DR成像中,由平板探测器自身特性会导致图像模糊失真的问题,以航空发动机小直径管DR检测图像为实验对象,开展图像去噪研究,采用Lucy⁃Richardson算法建立模糊模型并迭代优化。
实验结果表明,当算法迭代次数为31时,图像恢复质量较好,以结构相似度、信息熵等参数为客观评价指标,与Wiener滤波器等传统去噪算法相比有较大提高,适用于DR图像去噪。
【总页数】7页(P34-40)
【作者】程宇;隋岩;陈俊囡;田浩;吴伟
【作者单位】中国航发贵州黎阳航空动力有限公司检验检测中心;南昌航空大学无损检测技术教育部重点实验室
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进的小波阈值图像去噪算法研究
2.一种小波阈值函数构建的图像去噪算法研究
3.基于小波阈值与分层深度图像去噪算法研究
4.基于CNN的小波域低剂量CT图像去噪算法研究
5.基于新阈值函数的小波图像去噪算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于RCSCT变换的DR图像去噪及加速
林芳宇;罗海;周荷琴
【期刊名称】《北京生物医学工程》
【年(卷),期】2012(031)003
【摘要】目的数字化X线摄影(digital radiography,DR)图像中的高斯噪声对图像质量影响大,消除此类噪声有利于提高图像质量以辅助医生做出正确的诊断.方法为抑制DR图像的高斯噪声,首先采用递归循环平移与Contourlet变换结合的(recursive cycle spinning Contourlet transform,RCSCT)方法变换分解DR图像,接着采用连续的二元软阈值函数处理变换系数防止系数被过度扼杀,然后基于CUDA(compute unified device architecture,计算统一设备架构)平台对去噪方法加速.结果该方法提高了去噪后的图像峰值信噪比,有效抑制了伪吉布斯现象,保留了更多的图像细节信息,并且加速处理后运算耗时较短.结论本文方法比小波变换和Contourlet变换在保留视觉细节信息方面效果更优,算法耗时少,实用性好.【总页数】6页(P245-250)
【作者】林芳宇;罗海;周荷琴
【作者单位】中国科学技术大学信息科学技术学院,合肥,230027;中国科学技术大学信息科学技术学院,合肥,230027;中国科学技术大学信息科学技术学院,合
肥,230027
【正文语种】中文
【中图分类】R318.04
【相关文献】
1.基于曲波变换和小波变换的图像去噪算法 [J], 王海松;王伟
2.基于小波变换和脊波变换的自适应图像去噪算法 [J], 李根强;黄永东;蒋肖
3.基于小波变换矩阵的改进脊波变换图像去噪 [J], 王宏志;刘媛媛;孙琦
4.一种新型隧道图像去噪方法——基于小波变换及中值滤波的隧道图像去噪方法研究 [J], 李瑞琦;鲍艳;卢建军;郭飞;孔恒
5.一种新型隧道图像去噪方法——基于小波变换及中值滤波的隧道图像去噪方法研究 [J], 李瑞琦;鲍艳;卢建军;郭飞;孔恒
因版权原因，仅展示原文概要，查看原文内容请购买。