图像去噪
关注
分享
扫一扫
文章平均质量分 94
视觉研坊
刀不磨生锈，人不学落后！
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
图像去噪和超分辨率重建——复现SwinIR网络训练自己数据集及推理测试（详细图文教程）
SwinIR (基于Swin Transformer的图像修复网络) 是2021年提出的一种深度学习模型，专为图像修复任务设计，适用于超分辨率、去噪和压缩伪影去除等任务。SwinIR 依赖于Swin Transformer，这是一个采用分层架构并结合了滑动窗口的transformer模型，使得网络能够在图像中捕获局部和全局信息。SwinIR的分层结构和滑动窗口机制相比全局注意力机制模型降低了计算成本。原创 2024-11-02 16:45:00 · 11450 阅读 · 42 评论 -
图像去噪——非局部均值去噪（NLM）cv2.fastNlMeansDenoisingColored()函数使用及调用Trackbar滑动条调整最佳去噪值（附Python代码）
NLM是一种非常强大的去噪方法，尤其适合在细节和边缘保留要求较高的场景中使用。与传统的高斯滤波、中值滤波、双边滤波相比，它能够更好地去除噪声，同时保护图像的边缘和细节。缺点是处理速度较慢，特别是在较大的搜索窗口和模板窗口下，会消耗更多的计算资源。原创 2024-10-18 21:15:00 · 4802 阅读 · 0 评论 -
图像信号处理器（ISP）基础算法及处理流程
传统的ISP（Image Signal Processing）图像处理算法涵盖了从图像传感器（通常是CMOS或CCD传感器）获取原始图像数据到生成最终显示图像的全过程。原创 2024-07-04 21:00:00 · 4641 阅读 · 0 评论 -
图像JPEG压缩（附python代码）
JPEG压缩是一种有损压缩技术，常用于数字图像。它通过减少图像文件大小来实现压缩，但会造成一定程度的图像质量损失。原创 2024-04-12 20:15:00 · 3787 阅读 · 0 评论 -
图像去噪——SpatiallyAdaptiveSSID网络推理测试（详细图文教程）
SpatiallyAdaptiveSSID 是一种有效的图像去噪方法，它通过自适应地处理不同区域的噪声，能够在保持图像细节的同时，有效地去除噪声。原创 2024-02-02 20:30:00 · 1755 阅读 · 12 评论 -
图像去噪——CTNet网络推理测试（详细图文教程）
CTNet是一种交叉Transformer的图像去噪方法。串并行方式获取结构信息：CTNet采用深度和广度搜索以串并行方式来获得更多的结构信息，提高图像去噪性能。多层特征交互：利用三个并行异构网络实现多层特征交互，增强不同网络间的关系，以提高针去噪网络对复杂场景的适应性。交叉Transformer技术：交叉Transformer技术可以根据像素关系提取显著性特征，从而优化去噪效果。原创 2024-01-20 21:15:00 · 4945 阅读 · 59 评论 -
Python——通过统计图像像素值初步分析图像噪声类型
图像噪声是指图像中不随真实场景变化而变化的随机干扰。噪声会影响图像的质量，因此需要对其进行去噪处理。原创 2024-01-10 07:15:00 · 4411 阅读 · 2 评论 -
图像去噪——CBDNet网络训练自己数据集及推理测试，模型转ONNX模型（详细图文教程）
CBDNet 是一种性能优异的图像去噪网络。它在多种噪声图像去噪任务上都取得了优异的效果，具有一定的应用潜力。原创 2024-01-08 21:45:00 · 5159 阅读 · 59 评论 -
图像去噪——AdaFM模型推理测试（详细图文教程）
按照作者提供的方法和代码测试噪声图片。原创 2023-12-14 21:45:00 · 1413 阅读 · 4 评论 -
图像去噪——PMRID训练自己数据集及推理测试（详细图文教程）
以上就是使用PMRID训练自己数据集及推理测试的详细图文教程，由于推理速度达不到要求，后续我没有再继续研究，且本方法要结合相机的iso参数生成噪声训练集才能达到效果最好，不同学者的训练测试结果有所不同是正常的。后续有研究更深入的学者欢迎一起讨论学习。原创 2023-12-13 19:00:00 · 3929 阅读 · 29 评论 -
可逆图像去噪——InvDN模型推理测试（详细图文教程）
以上就是可逆图像去噪——InvDN模型推理测试的过程，我没有训练，目前只是测试的该方法效果。原创 2023-11-29 21:30:00 · 1495 阅读 · 4 评论 -
图像去噪——k-Sigma变换，模拟增益，噪声方差
图像去噪——k-Sigma变换，模拟增益，噪声方差原创 2023-11-28 07:00:00 · 1835 阅读 · 0 评论