图像噪声、去噪基本方法合集（Python实现）

最新推荐文章于 2024-05-20 23:48:47 发布
最新推荐文章于 2024-05-20 23:48:47 发布
阅读量2.8k 收藏 46
点赞数 23
文章标签： python 开发语言 前端 数据分析 pip
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_82000445/article/details/135885749
版权
本文详细介绍了数字图像处理中的常见噪声类型，如高斯噪声、泊松噪声等，并探讨了均值滤波、中值滤波、统计排序滤波等去噪方法，提供了相关代码实例。
摘要由CSDN通过智能技术生成
文章目录
  • 前言
    • 本文主要参考冈萨雷斯的数字图像处理 （第4版），介绍图片中一些常见的噪声形式和常用的去噪方法，并且给出相应滤波方法的实现代码。
  • 一、噪声分类
    • 1、高斯噪声
    • 2、泊松噪声
    • 3、椒盐噪声
    • 4、瑞利噪声
    • 5、爱尔兰（伽马）噪声
    • 6、均匀噪声
  • 二、去噪方法
    • 1、均值滤波
      • 1.1 算术平均滤波
      • 1.2 几何均值滤波
      • 1.3 谐波平均滤波
    • 2、统计排序滤波
      • 2.1 中值滤波
      • 2.2 最大值和最小值滤波
      • 2.3 中点滤波
      • 2.4 修正阿尔法均值滤波
  • 总结
  • 参考文献：

前言

本文主要参考冈萨雷斯的数字图像处理 （第4版），介绍图片中一些常见的噪声形式和常用的去噪方法，并且给出相应滤波方法的实现代码。

如果要使用本文代码，建议在Jupyter Notebook环境下运行。

一、噪声分类

1、高斯噪声

指服从高斯分布（正态分布）的一类噪声，其产生的主要原因是由于相机在拍摄时视场较暗且亮度不均匀造成的，同时相机长时间工作使得温度过高也会引起高斯噪声，另外电路元器件白身噪声和互相影响也是造成高斯噪声的重要原因之一。
概率密度函数（PDF）如下：
在这里插入图片描述
初始图片：
在这里插入图片描述
注意加噪声时，不能直接将 noise+img，不然最终出来的是一片空白和零星几个噪点，原因在于cv2.imshow输入要求是 0-1 float 或者 0-255 int。

（1）错误显示：
在这里插入图片描述

在这里插入图片描述
（2）正确显示：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

cv2.imshow('Gauss noise',img)
cv2.waitKey(0)


（3）高斯滤波
高斯滤波是一种线性平滑滤波，一般用于消除高斯噪声。对于每一个像素点的值，是由其本身和邻域内的其他像素值经过加权平均后得到。
二维高斯函数：
在这里插入图片描述
具体过程：
在这里插入图片描述
代码：使用cv2.GaussianBlur()函数
在这里插入图片描述
注意高斯模糊半径不能为偶数
滤波结果：
在这里插入图片描述

2、泊松噪声

简言之就是符合泊松分布的噪声模型，又称散粒噪声。
在这里插入图片描述

使用**np.random.poisson()**函数

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生泊松噪声
noise = np.random.poisson(lam=20,size=img.shape).astype('uint8')

# 加上噪声
img = img + noise
np.clip(img,0,255)
img = img/255

cv2.imshow('Poisson noise',img)
cv2.waitKey(0)

在这里插入图片描述

λ值越大，噪声程度越深。

3、椒盐噪声

椒盐噪声又称为脉冲噪声，是在图像上随机出现黑色白色的像素，顾名思义就是椒盐噪声 = 椒噪声（值为0，黑色） + 盐噪声（值为255，白色）
直接上代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 转化成向量
x = img.reshape(1,-1)  
# 设置信噪比
SNR = 0.85
# 得到要加噪的像素数目
noise_num = x.size * (1-SNR)
# 得到需要加噪的像素值的位置
list = random.sample(range(0,x.size),int(noise_num))

for i in list:
    if random.random() >= 0.5:
        x[0][i] = 0
    else:
        x[0][i] = 255
img1 = x.reshape(img.shape)

cv2.imshow('salt&pepper noise',img1)
cv2.waitKey(0)

在这里插入图片描述
SNR越小，噪声越大。

4、瑞利噪声

一般是由由信道不理想引起的，它与信号的关系是相乘，信号在它在，信号不在他也就不在。
瑞利密度对倾斜形状直方图的建模非常有用。

概率密度函数（PDF）如下：
在这里插入图片描述
很多地方给出的瑞利分布是下面这个公式：
在这里插入图片描述
这两个公式其实是同一个公式，只需要做如下变量替换就得到和第一个公式相同的形式了。
在这里插入图片描述

在生成瑞利噪声的时候，其实采用的是**np.random.rayleigh()** 方法生成，而这个方法就是根据第二个公式来的，所以只需要指定1个参数，得到的分布和第一个公式相比本质是相同的。

代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生瑞利噪声
sigma = 70.0
noise = np.random.rayleigh(sigma, size=img.shape)
# 可以试试下面这个效果
# noise = np.random.rayleigh(img, size=img.shape)

# 加上噪声
img = img + noise
np.clip(img,0,255)
img = img/255

cv2.imshow('Rayleigh noise',img)
cv2.waitKey(0)
print(img.shape)

在这里插入图片描述

5、爱尔兰（伽马）噪声

概率密度函数（PDF）如下：（b是一个正整数）
在这里插入图片描述
指数分布和卡方分布其实可以看成是伽马分布的特殊形式。

b = 1时：指数分布；
b =n/2，a = 1/2时：卡方分布。
代码：

noise = np.random.gamma(shape=10.0,scale=10.0,size=img.shape)
#其他部分同上

在这里插入图片描述

6、均匀噪声

概率密度函数（PDF）如下：
在这里插入图片描述
代码：

noise = np.random.uniform(50,100,img.shape)
#其他部分同上

在这里插入图片描述

二、去噪方法

1、均值滤波

1.1 算术平均滤波

在这里插入图片描述

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 算术平均滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = img1[channel][i:i+m,j:j+n].sum()/(m*n)
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

具体过程可以配合下图理解
在这里插入图片描述
去噪效果：

在这里插入图片描述

1.2 几何均值滤波

在这里插入图片描述

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 几何均值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = np.power(np.prod(img1[channel][i:i+m,j:j+n]),1/(m*n))
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述
几何均值滤波对0值是非常敏感，缺陷也很明显，那就是当窗口内像素只要有一个值为0，则其计算得到的值就是0。

1.3 谐波平均滤波

在这里插入图片描述

rec_img[channel][i,j] = 1/(np.power(img1[channel][i:i+m,j:j+n],-1).sum())*(m*n)
# 其余部分同上

在这里插入图片描述

该方法既能处理盐粒噪声，又能处理类似于于高斯噪声的其他噪声，但是不能处理胡椒噪声。
### 1.4 ·
在这里插入图片描述
Q：滤波器的阶数。适用于降低或消除椒盐噪声。

注意：Q=0时。简化成算术平均滤波；Q=1，简化为谐波平均滤波。

代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

#---------椒盐噪声----------
# 转化成向量
x = img.reshape(1,-1)  
# 设置信噪比
SNR = 0.85
# 得到要加噪的像素数目
noise_num = x.size * (1-SNR)
# 得到需要加噪的像素值的位置
list = random.sample(range(0,x.size),int(noise_num))

for i in list:
    if random.random() >= 0.5:
        x[0][i] = 0
    else:
        x[0][i] = 255
img = x.reshape(img.shape)
img = img/255
#--------------------------

# 反谐波平均滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
Q = 0.1
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = ((np.power(img1[channel][i:i+m,j:j+n],Q+1)).sum())/((np.power(img1[channel][i:i+m,j:j+n],Q)).sum())
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

加噪图：

在这里插入图片描述
去噪效果：

在这里插入图片描述

注意：Q的值不要过大，否则就会变成下图（Q=2时）：

在这里插入图片描述

2、统计排序滤波

2.1 中值滤波

我们非常熟悉的一种去噪方法，它是用像素邻域中的灰度中值来代替像素的值。
在这里插入图片描述
代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 中值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = np.median(img1[channel][i:i+m,j:j+n])
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('median',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述
或者直接使用cv2.medianBlur()函数

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = np.uint8(img)

# 中值滤波
rec_img = cv2.medianBlur(img,3)

cv2.imshow('median',rec_img)
cv2.waitKey(0)
2.2 最大值和最小值滤波

在这里插入图片描述
在这里插入图片描述
主要使用到：np.amax() 和 np.amin()两个函数

2.3 中点滤波

在这里插入图片描述
代码：

rec_img[channel][i,j] = (np.amax(img1[channel][i:i+m,j:j+n]) + np.amin(img1[channel][i:i+m,j:j+n]))/2

对高斯噪声处理的滤波效果：

在这里插入图片描述

2.4 修正阿尔法均值滤波

处理方法：在邻域 S x y S_{xy} Sxy​ 内删除 d / 2 d/2 d/2个最低灰度值和 d / 2 d/2 d/2个最高灰度值。 g R ( r , c ) g_{R}(r,c) gR​(r,c)表示 S x y S_{xy} Sxy​ 中剩下的 m n − d mn-d mn−d个像素。

d = 0 d=0 d=0： 变成算术平均滤波
d = m n − 1 d=mn-1 d=mn−1：中值滤波

在这里插入图片描述
代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 修正阿尔法均值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3  #定义滤波核大小
n = 3
d = 4    #d取偶数
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            img2 = np.sort(np.ravel(img1[channel][i:i+m,j:j+n]))  #np.ravel():多维数组变成一维数组
            rec_img[channel][i,j] = (img2[int(d/2):-int(d/2)].sum())*(1/(m*n-d))
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('alpha average',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述

总结

介绍的主要是一些非常基础的滤波器，滤波功能只能针对某一类噪声有作用，其滤波效果总的来说并不是很好，对于真实环境中纷繁复杂的噪声类型，需要采用更合适、更好的滤波方法，但是这些方法或多或少都是基于这些基本方法去不断优化和改善的。后面有时间再更新一些更强的去噪方法。
有些地方可能存在问题和不足，欢迎大家一起交流！

参考文献：

[1] 阮秋琦，阮宇智译；（美）拉斐尔·C.冈萨雷斯，理查德·E.伍兹.国外电子书与通信教材系列 数字图像处理 第4版[M].北京：电子工业出版社,2020

######学习资源推荐

零基础Python学习资源介绍

👉Python学习路线汇总👈
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（学习教程文末领取哈）
在这里插入图片描述

👉Python必备开发工具👈
在这里插入图片描述

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python学习视频600合集👈
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述

👉实战案例👈
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

👉100道Python练习题👈
检查学习结果。
在这里插入图片描述
👉面试刷题👈
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

资料领取

上述这份完整版的Python全套学习资料已经上传CSDN官方，朋友们如果需要可以微信扫描下方CSDN官方认证二维码输入“领取资料” 即可领取。

程序员老冉
关注
  • 23
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python 数据降噪处理的四种方法——均值滤波、小波变换、奇异值分解、改变binSize
哦豁灬
11-09 4万+
Python 数据降噪处理的四种方法——均值滤波、小波变换、奇异值分解、改变binSize github主页：https://github.com/Taot-chen 一、均值滤波 1）算法思想  给定均值滤波窗口长度，对窗口内数据求均值，作为窗口中心点的数据的值，之后窗口向后滑动1，相邻窗口之间有重叠；边界值不做处理，即两端wid_length//2长度的数据使用原始数据。 2）Python实现 ''' 均值滤波降噪： 函数ava_filter用于单次计算给定窗口长度的均值滤波 函数den
python图片降噪方法汇总以及提取图片验证码
xy1413_的博客
03-14 671
主要介绍图片常见降噪方法以及图片中数字的提取方法
图像的去噪与增强python_python图像去噪_图像增强_图像的去噪与增强算法--python_图像去噪python_图像去
09-10
此代码可以实现图像的去噪和增强
图像数据噪音种类以及Python生成对应噪音
master_hunter的博客
10-25 6052
当涉及到图像处理和计算机视觉任务时，噪音是一个不可忽视的因素。噪音可以由多种因素引起，如传感器误差、通信干扰、环境光线变化等。这些噪音会导致图像质量下降，从而影响到后续的图像分析和处理过程。因此，对于从图像中获取准确信息的应用，我们需要有效地处理这些噪音。在本篇讨论中，我们将深入探讨图像数据中常见的几种噪音类型，以及相应的处理方法，旨在提升图像处理任务的准确性和稳定性。
OpenAI 文生图模型演进：DDPM、IDDPM、ADM、GLIDE、DALL-E 2、DALL-E 3
最新发布
2401_84033492的博客
05-20 1029
Diffusion 模型的第一篇工作是 [1503.03585] Deep Unsupervised Learning using Nonequilibrium Thermodynamics，发表于 2015 年，但是因为效果问题并没有受到广泛关注。直到 DDPM 的出现。如下图所示，我们主要围绕图中绿色部分展开，以逐步了解 OpenAI 图像生成模型的演进，同时也会部分介绍其应用到的 Classifier Guidance 和 Classifier Free Guidance 技术。
Python实现多种图像去噪方法
zjp的博客
12-13 2315
数字图像处理：图像去噪
图像去噪滤波算法汇总(Python)
master_hunter的博客
10-26 5254
综上所述，图像去噪是图像处理领域中的重要任务，其目的是消除或减弱图像中的噪音，以使图像更清晰、更易分析。不同的去噪算法适用于不同类型和强度的噪音，因此在实际应用中需要根据具体情况选择合适的方法。同时，对于特定的图像处理任务，也可能需要结合多种去噪技术以获得最佳效果。在实践中，通过理解各种去噪算法的原理和特性，可以更好地应用它们来解决实际问题，从而提升图像处理的质量和效率。
不同图像的噪声，选用什么滤波器去噪，图像处理的噪声和处理方法
热门推荐
weixin_46838716的博客
06-27 1万+
1）噪声有椒盐噪声、高斯噪声等等 2）中值滤波，均值滤波应对椒盐噪声，高斯平滑，双边滤波（双线性变换），应对高斯噪声，还有小波变换，DCT变换滤波 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。...
图像质量评估(3) -- 噪声
vivo01的专栏
06-01 1万+
简介 图像中的噪声是一些原始场景并未携带的内容，图像领域很多时候用瑕疵（artifacts）来表达其影响。通常来说，噪声是由随机过程造成的测量的统计偏差。在图像领域，噪声表现为图像中的瑕疵，看上去就像是覆盖在图像上的颗粒物。在一副图像内，噪声有不同的形式表现，降低图像质量。 上面两张对比图直观地展示了噪声对图像质量的影响 噪声带来的问题 噪声是传输信号伴生的不规则信号扰动（fluctuations）的副产物。这里需要搞清楚的重要的点是，这些扰动并不是信号的一部...
【Python】【进阶篇】五、Pillow的图像降噪处理
deepboat的博客
03-19 704
【Python】【进阶篇】五、Pillow的图像降噪处理
图像噪声的概念与分类
FPGA/MATLAB学习教程/源码/项目合作开发
11-09 6947
图像噪声的概念与分类 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。 图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。 按产生的原因分类 1.外部噪声，即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 2.内部噪声，一般有四个源头：a)由光和电的基本性质所引起的..
BM3D-Denoise:使用BM3D去噪，我修改的代码来自https
05-15
BM3D-Denoise 使用BM3D去噪。 平台： 我的平台是win7 + python3.5 要运行此代码： step1：因此，python代码。 您应该安装python和配置环境变量。 步骤2：同样，如果您安装了python，则还应该安装一些Python扩展程序包-numpy和opencv。 如果您使用的是64位操作系统，则可以在以下找到软件包 第三步：输入BM3D.py，将“ img_name”参数更改为您自己的图像路径。 然后运行BM3D.py。 没关系。
不同噪声的加入与不同去噪方法
11-20
基于matlab向一张图片中分别加入不同的噪声，然后用四种不同的去噪方法进行去噪并比较效果
基于python使用深度卷积神经网络的图像去噪设计与实现
05-04
在图像处理领域，深度学习，...通过合理的设计和训练，我们可以构建出能够有效去除图像噪声、保持图像细节的模型。这一领域的研究和实践不断推动着图像处理技术的进步，为各种应用场景带来了更好的图像质量和分析效果。
opencv python 图像去噪的实现方法
12-24
本文将深入探讨如何使用OpenCV在Python中实现图像去噪，特别是使用快速非局部均值去噪（Fast Non-local Means Denoising，简称fastNlMeansDenoising）方法。 图像噪声通常被认为是一种具有零平均值的随机变量，这...
基于python的图像增强与去噪算法设计与实现
05-04
为了实现这些算法，你需要熟悉Python编程，掌握基本的图像处理概念，如像素操作、矩阵运算，以及如何利用Python库进行图像读取和显示。此外，对于深度学习部分，需要理解神经网络的工作原理，以及如何使用框架构建和...
Python图像平滑滤波处理(均值滤波、方框滤波、高斯滤波、中值滤波、双边滤波)
L888666Q的博客
10-08 7172
图像平滑是指受传感器和大气等因素的影响，遥感图像上会出现某些亮度变化过大的区域，或出现一些亮点(也称噪声)。这种为了抑制噪声，使图像亮度趋于平缓的处理方法就是图像平滑。图像平滑实际上是低通滤波，平滑过程会导致图像边缘模糊化。
医学图像去噪的网络,python实现
07-26
医学图像去噪的网络是一个用于对医学图像进行去噪处理的神经网络模型，通常可以使用Python语言进行实现。 实现这样一个网络，首先需要准备一组带有噪声的医学图像和对应的去噪图像作为训练数据集。然后，可以选择使用一种基于深度学习的网络结构，如卷积神经网络（CNN）来处理这些图像。 在Python中，可以使用诸如PyTorch、TensorFlow等深度学习框架来构建和训练网络模型。使用这些框架，可以定义一个包含卷积层、池化层、批标准化层和激活函数等组件的神经网络模型。 接下来，在训练过程中，可以使用梯度下降等优化算法来最小化网络对输入图像的预测与真实去噪图像之间的差异。通过反向传播算法，在每一轮训练中更新网络中各个层的参数，以使得网络能更好地处理医学图像的去噪任务。 此外，在实现过程中，可以对输入图像进行预处理，如归一化和裁剪，以及对输出图像进行后处理，如恢复伪影或细节增强等操作，以获得更好的去噪效果。 总结起来，医学图像去噪的网络的Python实现主要包括准备训练数据集、构建网络模型、定义优化算法和训练网络模型等步骤。这样的实现可以帮助医学图像的去噪处理，改善图像的可视化效果，提供更准确的医学图像诊断结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值