Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Proximal Splitting Networks for Image Restoration Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

An Improved Weighted Average Reprojection Image Denoising Method

verfasst von : Halimah Alsurayhi, Mahmoud R. El-Sakka

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Patch-based denoising algorithms have an effective improvement in the image denoising domain. Weighted Average (WAV) reprojection algorithm is a simple and effective patch-based spatial domain denoising algorithm. In this paper, an improved WAV reprojection algorithm is proposed. It improves the method by adaptively deciding the patch sizes to be used based on the image structure. The image structure is identified using a classification method based on the structure tensor matrix. The classification result is also utilized to improve the identification of similar patches in the image. The experimental results show that the denoising performance of the proposed method is better than that of the original WAV reprojection algorithm.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Tracking in Urban Traffic Scenes from Background Subtraction and Object Detection
Nächstes Kapitel Hybrid HMM/DNN System for Arabic Handwriting Keyword Spotting
Literatur
1.
Buades, A., et al.: A non-local algorithm for image denoising. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2, pp. 60–65 (2005)
2.
Chen, M., Yang, P.: An adaptive non-local means image denoising model. In: 2013 6th International Congress on Image and Signal Processing (CISP), vol. 1, pp. 245–249. IEEE (2013)
3.
Deledalle, C.-A., Duval, V., Salmon, J.: Non-local methods with shape-adaptive patches (NLM-SAP). J. Math. Imaging Vis. 43(2), 103–120 (2012)MathSciNetMATHCrossRef
4.
Hu, J., Luo, Y.-P.: Optik non-local means algorithm with adaptive patch size and bandwidth. Optik Int. J. Light Electron Opt. 124(22), 5639–5645 (2013)CrossRef
5.
Hu, J., Pu, Y., Wu, X., Zhang, Y., Zhou, J.: Improved DCT-based nonlocal means filter for MR images denoising. Comput. Math. Methods Med. 2012, 1–14 (2012) MathSciNetMATHCrossRef
6.
Knutsson, H.: Representing local structure using tensors. In: 6th Scandinavian Conference on Image Analysis, Oulu, Finland, pp. 244–251. Linköping University Electronic Press (1989)
7.
Lan, X., Shen, H., Zhang, L.: An adaptive non-local means filter based on region homogeneity. In: IEEE Seventh International Conference on Image and Graphics, pp. 50–54 (2013)
8.
Peter, J.D., Ramya, R.: A novel adaptive non local means for image de-noising. Procedia Eng. 38, 3278–3282 (2012)CrossRef
9.
Salmon, J., Strozecki, Y.: Patch reprojections for non-local methods. Signal Process. 92(2), 477–489 (2012)CrossRef
10.
Verma, R., Pandey, R.: Grey relational analysis based adaptive smoothing parameter for non-local means image denoising. Multimed. Tools Appl. 77(19), 25919–25940 (2018) CrossRef
11.
Wu, K., Zhang, X., Ding, M.: Curvelet based nonlocal means algorithm for image denoising. AEU Int. J. Electron. Commun. 68(1), 37–43 (2014)CrossRef
12.
Zeng, W., Du, Y., Hu, C.: Noise suppression by discontinuity indicator controlled non-local means method. Multimed. Tools Appl. 76(11), 13239–13253 (2017)CrossRef
13.
Zeng, W., Lu, X.: Region-based non-local means algorithm for noise removal. Electron. Lett. 47(20), 1125–1127 (2011)CrossRef
14.
Zhu, S., Li, Y., Li, Y.: Two-stage non-local means filtering with adaptive smoothing parameter. Optik Int. J. Light Electron Opt. 125(23), 7040–7044 (2014)CrossRef
Metadaten
Titel
An Improved Weighted Average Reprojection Image Denoising Method
verfasst von
Halimah Alsurayhi
Mahmoud R. El-Sakka
Copyright-Jahr
2019
Buch
Image Analysis and Recognition

Print ISBN: 978-3-030-27201-2

Electronic ISBN: 978-3-030-27202-9

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-27202-9_18