文摘
电影视频噪声通常可以被定义为错误信息显示在视频图像,由于数字信号系统。这种失真是不可避免地出现在各种相机获得的视频设备。降噪技术是很重要的预处理流程在很多视频处理应用程序和它的主要目标是降低视频图像中包含的噪声,同时保留尽可能多的边缘和纹理信息。在本文中,我们详细描述时空降噪滤波器的原理,提出一种3 d-filter高斯噪声的算法,一种改进的基于3 d-bdp 3 d-filter算法(bloom-deep-split)滤波器混合噪声,噪声和亮度和颜色滤波算法在低亮度的场景。通过解剖偏微分方程(PDE)去噪过程中,我们建立一个新的迭代去噪算法。偏微分方程的方法可以视为迭代去噪的过滤器,和第一阶段的新算法利用小波域自适应维纳滤波器的滤波基础和实现好的结果通过调整参数。该模型相比,本文与现有的去噪模型,分析结果表明,在这一节中提出的模型可以有效地去除乘性噪声。实验报告显示,参数设定的算法有一些稳定和可以为多个图像达到良好的处理效果,这是一个优势在偏微分方程去噪的方法。第二阶段的算法使用适当的偏微分方程方法消除pseudo-Gibbs在第一阶段,进一步提高了算法的性能。包含高斯噪声的图像处理后的新算法,pseudo-Gibbs效应,这常常发生在小波去噪,是消除,和步骤的效果,这发生在偏微分方程去噪,是避免; the details are better preserved, and the peak signal-to-noise ratio is improved, and a large number of experiments show that it is an effective denoising method.
1。介绍
有两种方法可以拍电影:电影拍摄和数码相机。数码相机使用CCD作为传感器,但是一小部分使用CMOS,和原始的电影视频存储在数字格式磁带,DVD,或者硬盘。数码相机是一个趋势在电影拍摄和生产(1]。线阵CCD通常CCD的内部电极分为组,每一组叫做一个阶段,同样的时钟脉冲。阶段所需的数量是由CCD芯片的内部结构和CCD不同结构可以满足不同场合的需求。线阵CCD分为单通道和双通道。它连接一个感光区域数组和一个移位寄存器扫描电路。它的特点是信息处理速度快,简单的外围电路,简单的实时控制。这些电影存储数字从一开始就不太容易受到外部变形,但另一方面,数码相机设备用于数码摄影仍处于发展阶段,在拍摄过程中不可避免地引入了噪声失真2]。视频噪声通常可以被定义为错误信息显示在视频图像,由于数字信号系统。这种失真不可避免地发生在各种相机获得的视频设备。例如,高斯噪声很容易出现在电影拍摄的数码相机、椒盐卷饼噪音很容易出现在电视视频信号,和谷物噪声和散斑噪声容易出现在老电影回放(3]。上述噪声通常是表达的信噪比(信噪比),如果信噪比低于一定水平,噪声逐渐成为可见的形状的粒子,甚至模糊了图像的详细信息在高速视频,导致图像质量的退化,并增加图像的熵,从而阻碍的有效压缩视频,更典型的噪声是白噪声和脉冲噪声,等等。4]。
降噪是一个重要的预处理过程在很多视频处理应用程序。它的主要目标是降低视频图像中包含的噪声,同时保留尽可能多的边缘和纹理信息。一般来说,经典的降噪方法是一个线性滤波方法。线性滤波可以用来平滑和降噪图像在空间和频率域,如当地平均、多帧平均、低通滤波器和高斯滤波器5]。他们充当常系数在空间域卷积模板,也可以在频域分析使用傅里叶变换和小波变换方法。然而,尽管这些方法有效地降低噪音图像,他们失去了大部分的图像边缘和纹理信息在去噪过程中因为边缘和噪声滤波器的高频部分。这些边缘和纹理信息对视频图像非常重要。线性滤波方法很难治疗不同的边缘和噪声(6]。要克服这个缺点的线性滤波降噪,非线性时空滤波降噪方法常用于恢复图像序列(7]。非线性滤波器的研究和发展起着非常重要的作用在促进现代数学的进步,现代信号处理和通信。非线性信号处理不仅极大地促进了古典线性信号处理理论,而且可以更好地反映自然世界的各种特点我们住在8]。同时,非线性信号处理理论与其他学科的渗透也促进相应的交叉学科和边缘学科的发展。膜过滤是抑制噪声目标的银幕形象,同时保留尽可能多的细节图像。这是一个不可缺少的在拍摄预处理操作。其处理效果的质量将直接影响到后续图像处理和分析的有效性和分析和可靠性。时空非线性噪声处理技术是一种非线性信号处理的重要元素。主要用于平滑降噪和复苏的编码效果的数字视频(9]。时空的降噪滤波器的最重要的特征是,它本身就是一个非线性三维信号处理过程中,可以减少每一帧的空间噪声,同时利用视频序列的时间信息,有效保留图像的边缘和纹理信息(10]。基于时空滤波的视频处理将针对修复噪声根据其特定的特点,从而帮助解决一些关键问题领域的数字电视和电影画面质量改善和有效地提高信号系统的性能。
在本文中,我们研究了基于偏微分方程的图像去噪方法和基于变分微分图像着色方法。图像去噪是图像处理中最基本的工作。噪音很大程度上模糊了图像的细节信息,使图像的分析和应用困难。偏微分equation-based图像去噪方法可以去除噪声同时保护图像的边缘,以便详细信息并不是毁灭,这方法是学者们极大的兴趣。图片颜色是灰度图像的彩色化,可以提高图像的视觉效果和促进深入研究和分析图像。传统的图像着色方法transfer-based着色方法和颜色diffusion-based着色方法。此外,为了解决图像着色过程中多个通道之间的耦合问题,减少颜色交叉现象,提出了基于自然图像着色模型矢量变化,它只支持一个共同的边缘方向所有渠道和可以更好地保留图像的颜色边缘。此外,本文给出了提出模型的解决方案,解决了该模型使用原始的成对的算法,也说明了算法的收敛性。最后,实验表明,该模型有效地保留图像边缘和减少颜色交叉结构和纹理图像。
2。相关工作
人类有不同的方式来获得信息,如听到,看到,闻到,其中视力是一个重要的获取信息的方式(11]。作为信息的重要载体被视觉,图像在人们的生活中占有重要的地位。除了表达和传达一些信息,一些图片也赞赏,有很大的艺术价值。简而言之,图像在现代社会中占据着重要的地位。图像的处理一直是学者们的关注,目前,计算机被用来实现各种处理等图像的去噪、着色、分割、压缩(12]。使用计算机的不断发展,人工智能可以挖出传统方法不能发现的信息通过持续学习或完成任务很难在传统方法和获得大量的图像比传统方法更有效。图像处理技术广泛应用于医学、卫星图像处理、汽车障碍识别,特征识别等,极大地促进了科学和技术的发展。在实际的图像处理、图像去噪是必需的(13]。噪声的存在会影响到后续的图像处理结果,如无法获得准确的边缘信息在图像边缘提取和减少图像识别模型的识别能力,因此图像去噪是高度可研究[14]。图像噪声来自图像生成和传输的过程中,表现为随机的和离散的像素点在图像。图像去噪可以让人们更清晰、高质量的图像。
迄今为止对图像去噪的研究开发成果丰硕[15]。这包括基于变换域和空间域方法,基于矢量的扩散,tensor-based扩散。近年来,随着深度学习的发展,图像去噪也从传统方法转向深度学习,神经网络方法。如今,仍有许多学者致力于图像去噪问题。基于图像变换域去噪方法包括小波变换和傅里叶变换。基于图像空间域去噪方法如维纳滤波器和自适应中值滤波器(16]。这些方法可以达到去噪的效果,但与此同时,他们将损失一些图像中的边缘信息,不能满足人们的需求。研究人员创造性地利用偏微分方程(pde)来研究图像平滑和增强,开放PDE-based图像处理。之后,研究人员开发出一种理论依据中使用pde图像去噪(17]。到了1990年代,PDE-based图像处理方法逐渐成为一个流行的方法在图像处理领域。目前,该方法取得了丰硕的成果。
最早的偏微分方程应用于图像去噪的热传导方程,这从一定程度上损害图像边缘,同时去噪。基于热传导方程,研究人员提出了一个各向异性扩散模型(即。,the P-M model), which can preserve image boundaries well, but since the model is pathological, the uniqueness of the solution cannot be guaranteed. The researchers proposed the more stable regularized P-M model, which is an optimization of the P-M model. The researchers proposed a curvature change-based model that also achieved some denoising effect [18]。研究人员提出了一种新的去噪模型基于之前的方程,这是一个二阶PDE模型及其改进模型,生成“一步效应”在去噪,虽然研究人员提出的高阶PDE模型可以有效地解决这个问题。研究人员提出了一个四阶PDE模型(Y-K模型)来消除“一步”效应,但散斑现象也出现了。研究人员修改Y-K模型的扩散系数,与Y-K相比,提高了去噪效果模型。
研究人员提出了一个两步算法去除椒盐卷饼噪音。研究人员提出一个泊松噪声的去噪方法,最大后验估计(地图)。此外,许多学者提出了四阶PDE模型、分数阶PDE模型,和PDE-based混合去噪模型,这些都取得了一定的去噪效果。研究人员提出了一种基于全变分-(电视)的去噪模型,保留图像边缘信息的同时去噪(19]。基于这一观点,提出了各种自适应电视模型。研究人员提出了一个变分模型,可以有效地去除步骤的顺利效果近似函数和高阶导数。整个variational-based去噪模型已经被广泛研究,它们在去噪取得了理想的去噪效果。除此之外,也有基于基于矢量的扩散和tensor-based扩散去噪方法。张量扩散模型,提出了基于模型的扩散速度慢,两个正交的方向来达到去噪的同时保留边缘特征。研究人员提出了一个复杂的扩散模型和forward-backward扩散模型,两者都有令人满意的去噪效果。研究人员改善了结构tensor-based扩散模型,和去噪的效果更令人满意。除了上述的灰度图像的去噪,彩色图像去噪的研究也是非常重要的。大部分的标量图像去噪方法和结果可以扩展到向量值图像,但它不是简单的方法应用于每个通道独立的形象。 For the vector-valued image denoising problem, the definition of its vector TV can be divided into two categories: one is to calculate the TV channel-by-channel and then take the appropriate parametrization; the other is to use the Riemannian geometry approach.
3所示。迭代的基于偏微分方程的图像去噪
3.1。噪声特性分析
在这里,为了解决图像去噪,我们首先介绍film-imaging中存在的噪声的特点,这是产生相对的解决方法的关键。一般来说,噪声分为加性噪声和乘性噪声根据噪声和像素之间的关系20.]。加性噪声是叠加在原始视频信号与原始信号,而乘法噪声的放大或减少表示为原始信号的灰度。其中,最常见的是高斯白噪声和脉冲噪声。白噪声是加性噪声,最常见的在实践中,其特点如下:服从高斯分布,零均值,平坦的功率谱,并叠加在视频信号,和理想的高斯白噪声与信号不相关的,通常通过测量噪声强度的方差。高斯分布的概率密度曲线方程所示(1所示),它的加性噪声模型方程(2)。
在哪里和 原始视频信号和噪声信号,分别和 后的信号被噪声污染。
突发脉冲噪声:胡椒和盐这类噪声是典型的类型的噪声,脉冲噪声与高斯噪声的不同之处在于,它更严重影响原始信号的信息,导致覆盖像素上的数据几乎完全不可用,视觉上更容易被人眼。也是信号独立,不影响其他图像的像素除了覆盖像素。脉冲噪声通常是由以下几点:(1)噪声造成的传导机制,(2)噪声引起的传感器,(3)噪声造成的存储机制,和(4)噪声造成的A / D转换和脉冲噪声的一般模型可以表示如下: 在哪里 是脉冲噪声点,它可以表示为不同的脉冲噪声值和总概率的发生吗 ,如图1两个脉冲噪声值和 ,与发生概率和 ,分别为, 。
对于高斯噪声,提出了几个新的非线性滤波降噪算法,如三维阈值平均滤波,事例过滤器,和理性的过滤器,除了传统的2 d空间过滤器,如高斯滤波器,维纳滤波器和双向滤波器。因为这些方法在某种程度上区分图像细节区域平滑的视频噪声之前,他们在某种程度上改善图像的边缘信息。最常见的非线性去噪滤波器脉冲爆裂噪声仍是中值滤波器。这项技术是基于图像的以下属性:噪声往往表现为孤立点对应于一个小数量的像素,而原始图像信息由地区大量的像素和一个大区域。中值滤波可以有效地去除大部分的破裂噪音当处理整个框架,但它也破坏了图像的一些详细信息,如细边缘边缘和角落。为了克服这些缺点,许多学者做了各种改进的标准中值滤波等近年来提出过滤器自拍和自适应中值自拍值。在一般意义上,median-based过滤器是选择性滤波器的输出总是某个值的输入样本,所以这些过滤器的性能取决于脉冲噪声的识别和判断,所以这种类型的噪声修复技术的核心是如何设计脉冲探测器。事实上,过滤器的实际应用价值,简单地删除高斯或脉冲噪声不高,和大多数的视频有多个噪声的特点,因此设计降噪的关键是消除混合噪声。根据不同的应用程序,我们分析混合噪声的特点,尝试使用所有可用的信息(在时域和空间域)不破坏的详细部分自然形象,并提高目标(例如,PSNR)和主观视频质量尽可能如图2。
3.2。高阶偏微分模型去噪
研究人员提出了以下各向异性扩散模型: 在哪里 是嘈杂的图像,和div表示梯度算子和散射算子,分别表示图像的梯度模式 ,和是单调递减函数,通常选择如下:
上面的方程阈值是用来区分平坦区域从图像的边缘部分21]。自扩散系数随梯度,出版社模型各向异性扩散模型。模型可以有效地平滑噪声图像的平坦区域,有效地保留图像边缘信息的图像的边缘部分,所以它达到去除噪声,同时保留了图像的边缘。然而,这个模型可以产生“一步效应”在图像去噪,这降低了图像质量,和出版社模型不能保证解的唯一性,所以它是一个病理模型。
为了克服“一步效应”的二阶偏微分方程去噪,研究者提出以下四阶偏微分方程去噪模型:
模型保留了图像的边缘而去噪,但图像去噪过程耗时的迭代和散斑现象原因除去噪声平滑的区域。
基于上述研究中,研究者进一步提出了经典的全变分(TV)模型(也称为高射速模型)在图像处理。 在哪里图像区域,代表观察到的图像表示图像去噪,第一项是正则项,用于确保区域去噪图像有一些不连续,第二项是忠诚,从而防止从不同的去噪图像从原始图像太多,和加权系数,用于平衡规律和忠诚。
引入辅助变量的时间 ,梯度下降流的解决方案有以下方法:
作为增加,慢慢的去噪图像,最后达到一个稳定状态。方程的扩散系数 ;然后,该模型可以实现快速扩散图像的平坦区域,从而消除噪音,和慢扩散图像的边缘部分,因此保留图像边缘信息。因此,模型可以有效地去除噪声的同时保留图像边缘信息。学院信息模型及其改进模型已成功应用于图像去噪,图像分割,图像着色等领域。
进一步,研究人员提出了一种自适应电视模式。
其中,
图像的不同区域的扩散速度可以根据图像噪声控制水平。模型可以保留图像边缘等细节信息,同时去噪,但仍有“一步去噪图像的效果。”研究人员提出一个广义电视去噪模型,在那里 意味着不同的维度上分布的。
模型的去噪效果密切相关的价值 。只有当一个合适的值选择,“一步效应”将不会发生。full-variance-based去噪模型已被广泛研究,在去噪方面取得了理想的去噪效果。
3.3。迭代的小波域自适应滤波
图像的强硬的措施在若干次迭代后保存。扩散过程介绍了边缘检测,使光滑的扩散域比边界附近的扩散,从而有效地保留边缘。然而,去噪效果Perona一起建立的非线性扩散方程和马利克有时不是很好,还有伟大的理论和实践的困难。如果图像噪声,高斯白噪声引入了一个非常大的理论上的梯度,所以引入的各向异性平滑方程有时会给坏的结果,和一些噪声将被保留下来没有达到去噪的目的。传统的迭代方法对图像颜色包括transfer-based着色方法和颜色diffusion-based着色方法。近年来,新的着色方法基于深度学习也逐渐引起学者的关注。本节重点是几种颜色diffusion-based着色方法。相似的像素点灰度值应该有类似的颜色。,少量的彩色线条首先添加到图像作为着色的基础,然后,建立最小化方程如下: 在哪里像素点是彩色的,的像素值吗 , 的社区 ,和表示的色度值th邻近像素的 。 像素点之间的权函数吗和 。
如果越大,越相似的像素点的颜色吗是像素点 ;否则,更多不同的像素点的颜色是来自 。 可以在两个方面: 在哪里和的均值和方差是像素亮度的呢分别为中心像素。的过程中解决Eq.是颜色扩散的过程。这个公式可以来自色度分量 。同样,色度分量可以获得然后结合亮度分量吗获得最终的彩色图像。
这个模型更好的解决我们上面提到的问题,我们称之为Perona-Malik模型,随后一直以各种方式改善和发展。到目前为止,三个主要方法已经开发领域的PDE去噪:curvature-driven扩散,扩散张量积和变分方法。所有这些方法都遵循相同的过程,说明了Perona-Malik模型为例,如以下所示情商。 在哪里表示图像和噪声 表示图像去噪。
如果Perona-Malik模型用于降噪图像迭代,整个过程可以分解为情商。th扩散(执行 )th去噪图像 ,和每个扩散去噪,扩散是一个接一个的构成由PDE方法去噪的整个过程。Perona-Malik模型转化为一种良性状态后,有几个参数需要为应用程序选择。这些参数可以分为两类,那些相关的偏微分方程本身和相关的偏微分方程的数值解,如图3,在那里表示图像和噪声 表示图像去噪。
4所示。数值实验和结果分析
评估方法在图像噪声去除的影响包括两种类型:(1)主观方法,即。判断,噪声是否删除干净地通过查看图像直接与人类的眼睛。这种方法大大地受到主观因素的影响,而观察者的不同判决结果。此外,主观方法不能判断图像差异小,只能大致评估图像去噪结果。(2)客观方法,即。,a specific value is obtained through certain evaluation indexes for judgment. The common image quality evaluation indexes are peak signal-to-noise ratio (PSNR), signal-to-noise ratio (SNR), and mean structural similarity (MSSIM). Let 和 表示原始图像和图像处理,分别 表示图像大小,然后,(1)峰值信噪比(PSNR) (2)信噪比(信噪比)
我们假设已知噪声方差估计,否则可以从最好的分辨率子带方法,选定的方差迭代的估计方差,在和选定的噪声方差不应大于实际情况每一次;否则,它将会破坏真正的信号,并给出实施的方法步骤如下。(1)卷积是上执行获得 ,和卷积核的大小随迭代次数和程度的分解(2)应用维纳滤波重建公式,得到小波去噪图像重建系数如下: (3)小波反演获得执行第一个去噪图像
在随后的实验中,有5个迭代所选择的小波,并且每个小波变换分解为五层。卷积窗的大小广场每一层在第一个迭代而著称 ,和7、5、3、3、3、3的大小是第一,第二,第三,第四,第五层窗户的顺序;同样的,每一层的窗口大小的第二次迭代而著称 ,第三, ,第四, ,和 第五次。噪声的标准差为每个迭代记录 , , , ,和 ,这个顺序。
在以下,4的梯度方向网格点 首先给出了表示的形象高斯预处理后,然后,给出了扩散系数在4方向如下:
接下来,我们对电影图像进行降噪用偏微分方程来解决。图4显示了情节的彩色纹理图像的不同方法的结果。与其他方法相比,在本章提出的模型具有明显的优势。对于这种方法,所有的图像颜色变化明显,如在右侧和底部多余的颜色。我们观察到,该模型具有更好的着色效果,这是由于该模型能保持灰度图像的轮廓线,同时保留彩色边缘。
我们使用两种类型的测试序列去噪效果:一个是固有的噪声序列,另一个是添加了人工噪声序列。前不能使用PSNR作为一个客观的评估方法,因为它没有一个无噪声的污染的参考序列的帮助下,在这篇文章中,我们给比较情节表现的主观影响修复,而描述噪声estimator1将用于评估恢复序列中的噪声方差的区别和吵闹的序列。第二个测试序列是受损与指定的高斯噪声方差序列补充道,和上述噪声估计的准确性也间接反映了指定生成的噪声方差序列。在这一部分中,一种常用的“监控”CIF格式的序列作为测试主题,这是一个监控录像,噪声的主观效果恢复图所示5使用3 d-bdp方法在本文提出。噪声方差得到的噪声估计方法相比,“监视”序列本身不是很吵,和获得的噪声方差的估计量减少约0.3。
为了获得人工生成的噪声序列进行实验,与指定的方差高斯噪声和脉冲噪声覆盖可以添加指定为YUV序列,生成脉冲噪声和参数指定像素覆盖率百分比和生成高斯噪声参数近似模拟噪声方差与瑞利分布。发电机可以生成混合噪声。噪声方差与噪声估计方法获得与噪声序列生成指定的噪声方差目标5,10,20,分别和平均噪声估计得到的噪声方差为4.8,9.7和19.7,分别从图6,它反映了噪声序列生成器从一边的准确性。
每个过滤器都有不同的重点,例如,Rational滤波器更适合去除脉冲噪声,高斯THAF滤波器更适合低噪声,基于事例和过滤器更全面。3 d-bdp过滤器(VI)适用于处理高斯噪声和PSNR值恢复序列明显比其他过滤器,因为3 d-bdp过滤器采用过滤策略不同区域具有不同特点的运动序列,如运动区域,详细地区,平滑的区域。此外,3 d-bdp过滤器还考虑了噪声方差和相应地调整参数以获得一个更好的过滤效果。另一方面,3 d-bdp过滤器有一个明显的缺点,它不工作脉冲噪声,但其修改3 d-bdpi过滤器(七)添加一个相应的脉冲噪声检测和删除策略改善脉冲噪声处理,但代价的一个小处理高斯噪声时性能下降。我和III噪声的方差和恢复序列获得的噪声估计如图7,平均减少约0.8的噪声方差之前和之后恢复。
第四序列是一个序列的相机震动,这有一个整体的运动在一个框架,和恢复结果对比如图。从图可以看出,恢复20帧,在固定的时间段,主观地比帧69年到71年,因为它是确定为固定框架和恢复three-frame降噪算法,而帧69年,70年和71年被确定为全球运动,只能恢复双座算法以减少全球模糊由运动引起的。噪声的方差和恢复序列获得的噪声估计如图8,平均减少1.6之前和之后的恢复。
一个新的四阶偏微分方程的图像去噪模型提出了解决二阶偏微分方程的步骤效果处理噪声图像。该模型首先使用有限差分法数值计算,然后进行了MATLAB仿真实验莉娜图像,摄影师图像,分别和莉娜图像和颜色胡椒图像。该模型相比,本文与现有的去噪模型,分析结果表明,在这一节中提出的模型可以有效地去除乘性噪声。本文中描述的空间降噪滤波器原理细节,和3 d-bdp为高斯噪声滤波算法,改进的3 d-bdpi为混合噪声滤波算法基于3 d-bdp过滤器,和微光滤波算法低亮度的亮度和色噪声场景。微光滤波大大提高了编码器的编码性能,在低亮度背景强大的降噪效果,特别是夜景。null-time降噪滤波器的研究具有重要的实用领域的快速视频去噪。如今,仍有差距的处理芯片和大多数视频处理算法的计算能力在现实中,如在移动平台上(ARM平台手机),的主要频率只有十分之一,在PC平台上,和该算法速度,必须优先考虑的一个因素。因此,如何结合复杂性和恢复效果和去噪滤波器的综合设计仍然是一个问题,图像和视频修复技术的研究人员必须面对。与前面的方法来过滤的解决电影,我们分别模拟不同场景在动作电影,恐怖电影和纪录片。如图9这项工作中使用的方法显示,一个明显的稳定和快速的行动在现实场景。尤其是在纪录片中,传统的DPI方法表现出明显的不稳定性。
5。结论
图像去噪是图像处理中最基本的工作。噪音很大程度上模糊了图像的细节信息和图像的分析和应用带来了困难。偏微分equation-based图像去噪方法可以去除噪声同时保护图像的边缘,以便详细信息并不是毁灭,和方法得到了学者们的关注。通过解剖的去噪过程偏微分方程(PDE)的方法,我们建立一个新的迭代去噪算法。偏微分方程的方法可以视为迭代去噪的过滤器,和第一阶段的新算法利用小波域自适应维纳滤波器,滤波器的基础和实现好的结果通过调整参数。实验报告显示,参数设定的算法有一定的稳定性和可以为多个图像取得了不错的效果,这是一个优势的偏微分方程方法噪声去除。在本文中,我们分析PDE方法的去噪过程,建立一个迭代的小波域自适应维纳滤波去噪模型(IWAW),执行与pseudo-Gibbs PDE后处理去除IWAW图像去噪的方法,最后形成了IWAWP去噪系统具有良好的去噪效果。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
信息披露
执行这项研究的一部分,作者的就业在河南大学经济学和法律。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。