Enhanced Directional Smoothing Algorithm for Edge-Preserving Smoothing of Synthetic-Aperture Radar Images
SAOCOM Mission, National Commission of Space Activities (CONAE)（阿根廷国家空间活动委员会（CONAE）SAOCOM任务）
合成孔径雷达（SAR）图像中存在明显的斑点噪声，斑点噪声通常被认为是一种纯乘性噪声过程。理论上，这种乘性噪声是标准偏差与信号值之比，即“变异系数”，理论上在SAR图像中的每一点上都是恒定的。大多数用于散斑抑制的滤波器都是基于此属性。这种性质是不相关的新的滤波器结构，这是基于方向平滑（DS）理论，增强方向平滑（EDS），从SAR图像中去除斑点噪声，而不模糊边缘。我们证明了这种新的滤波方法的有效性，通过比较它建立斑点噪声去除技术的SAR图像。
2016-08-05 cs.CV
Multi-temporal speckle reduction with self-supervised deep neural networks
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院 LTCI 实验室）；Univ Lyon, UJM-Saint-Etienne（里昂大学圣艾蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室（UMR 5516））；Laboratoire MAP5, UMR CNRS 8145（MAP5 实验室（法国国家科学研究中心 UMR 8145））；Université Paris Cité（巴黎西岱大学）
相干斑滤波是合成孔径雷达（SAR）图像分析的前提。在单图像去斑领域已经取得了巨大的进展。最新的技术依赖于深度神经网络来恢复SAR图像特有的各种结构和纹理。SAR图像的时间序列的可用性提供了通过在相同区域上组合不同斑点实现来改进斑点滤波的可能性。深度神经网络的监督训练需要地面真实无斑点图像。这种图像只能通过某种形式的平均，通过空间或时间积分间接获得，并且是不完美的。鉴于非常高的质量恢复的潜力可达到的多时间斑点滤波，地面实况图像的限制需要规避。我们扩展了最近的自我监督训练策略，单看复杂的SAR图像，称为MERLIN，多时间滤波的情况下。这需要在空间和时间维度以及复振幅的实部和虚部之间对统计依赖性的来源进行建模。对模拟相干斑数据集的定量分析表明，当包含额外的SAR图像时，相干斑抑制有明显的改善。然后，我们的方法被应用到堆栈的TerraSAR-X图像，并表现出优于竞争的多时间斑点滤波方法。训练模型的代码可在巴黎理工学院LTCI实验室Icons团队的Gitlab上免费获得（https：//gitlab.telecom-paris.fr/ring/multi-temporal-merlin/）。
2022-07-25 cs.CV eess.IV
Image Speckle Noise Denoising by a Multi-Layer Fusion Enhancement Method based on Block Matching and 3D Filtering
Southeast University（东南大学）；Shanghai United-imaging Healthcare Co., Ltd（上海联影医疗科技股份有限公司）；University of Birmingham（伯明翰大学）
为了提高块匹配三维滤波（BM 3D）方法对斑点噪声的去噪能力，提出了一种基于非下采样轮廓波变换（NSCT）的图像频域多层融合增强方法（MLFE-BM 3D）。该方法设计了一种NSCT硬阈值去噪增强器对图像进行预处理，然后在NSCT域采用融合增强器对NSCT硬阈值去噪前后图像的初步估计结果进行融合，最后对融合后的图像进行BM 3D去噪，得到最终的去噪结果。对自然图像和医学超声图像的实验表明，MLFE-BM 3D方法比BM 3D方法具有更好的视觉效果，去噪后图像的峰值信噪比（PSNR）提高了0.5dB。MLFE-BM 3D方法在纹理区域可以改善斑点噪声的去噪效果，在图像的平滑区域仍然保持良好的去噪效果。
2020-01-04 cs.CV eess.IV
Fuzzy thresholding in wavelet domain for speckle reduction in Synthetic Aperture Radar images
将小波变换应用于合成孔径雷达（SAR）图像可以改善斑点噪声抑制性能。为了将乘性噪声的滤波问题推导为加性噪声的情况，对图像灰度级的对数执行小波分解。二维离散小波变换（DWT-2D）产生的细节系数需要阈值化，以提取最高子带中的斑点噪声。根据噪声方差估计初始阈值。在本文中，一个额外的模糊阈值的方法自动确定率阈值水平周围的传统小波噪声阈值（初始阈值）的应用，并用于软或硬阈值上执行的所有高频子图像。然后，通过从阈值化系数重构来获得滤波后的对数图像。这个过程只应用一次，并且只应用于第一级分解。该重建图像的指数函数给出最终的滤波图像。在测试图像上的实验结果表明，与目前使用的大多数方法相比，该方法是有效的。
2016-07-31 cs.CV
3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications
Polytechnique Montreal（蒙特利尔理工学院）；CHUM Research Center（CHUM研究中心）
超声（US）散斑是颗粒状图案，可能会妨碍图像后处理任务，如图像分割和配准。传统的滤波方法通常用于去除US散斑，而它们的主要缺点是在3D场景中运行时间长。尽管进行了一些研究以使用深度学习来去除2D US斑点，但据我们所知，没有研究使用深度学习来执行3D B模式US的斑点减少。在这项研究中，我们提出了一个三维密集的U-网络模型来处理三维超声B型数据从临床超声系统。模型的结果被应用于三维配准。我们表明，与传统的滤波方法（0.978）相比，我们的深度学习框架可以在斑点减少方面获得类似的抑制和均值保持指数（1.066），同时将运行时间减少了两个数量级。此外，发现使用我们的深度学习模型的斑点减少有助于提高3D配准性能。使用三维U网散斑抑制的三维数据的三维配准的均方误差相比于散斑减少一半。
2020-08-03 cs.CV eess.IV
Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1
University of Alicante（阿利坎特大学）；Institute for Computer Research (IUII)（计算机研究所（IUII））
本研究提出了一种基于卷积神经网络的极化SAR图像斑点滤波完整框架，通过复协方差矩阵的可逆变换和变化检测策略，在有效抑制斑点的同时保持分辨率且不引入伪影，适用于进一步的极化处理。
2024-08-29 cs.CV eess.IV eess.SP
Sparse And Low Rank Decomposition Based Batch Image Alignment for Speckle Reduction of retinal OCT Images
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
光学相干断层扫描（OCT）是生物医学成像领域的一项新兴技术，应用于眼科、皮肤科、冠状动脉成像等领域。由于基础物理学的原因，OCT图像通常会受到称为散斑噪声的颗粒图案的影响，这限制了解释过程。在这里，稀疏和低秩分解为基础的方法被用于在视网膜OCT图像中的斑点减少。该技术适用于由相同位置的若干B扫描组成的输入数据。下一步是使用基于稀疏和低秩分解的技术对图像进行批量对齐。最后，通过对处理后的数据的低秩分量进行中值滤波来创建去噪图像。与文献中用于OCT图像降噪的简单的基于配准的方法相比，图像的同时分解和对准导致更好的性能。
2015-02-09 cs.CV
A New Algorithm of Speckle Filtering using Stochastic Distances
Universidade Federal de Alagoas -- UFAL Laborat\'orio de Computa c\ ao Cient\'ifica e An\'alise Num\'erica -- LaCCAN 57072-970, Macei\'o, AL -- Brazil
本文提出了一种基于随机距离和分布间检验的滤波器设计方法。在每个像素周围定义一个窗口，比较重叠的样本，只有那些通过拟合优度测试的样本才用于计算滤波值。该技术适用于强度SAR数据与均匀区域使用伽马模型。该建议进行了比较，与李的过滤器使用的协议的基础上蒙特卡洛。在用于量化过滤器质量的标准中，我们采用了等效的外观数量，线条和边缘保留。此外，我们还评估了过滤器的通用图像质量指数和皮尔逊的相关性的边缘区域。
2013-08-29 cs.CV cs.GR cs.IT
Exploiting multi-temporal information for improved speckle reduction of Sentinel-1 SAR images by deep learning
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院）；Laboratoire Hubert Curien（于贝尔·居里安实验室）
深度学习方法在SAR振幅图像中的斑点减少方面取得了前所未有的成果。SAR图像的多时间堆栈的广泛可用性可以进一步提高去噪的质量。在本文中，我们提出了一种灵活而有效的方法，将时间信息集成到深度神经网络中以进行斑点抑制。档案提供了进入长时间序列的合成孔径雷达图像，从多时间的平均值可以计算几乎没有剩余的斑点波动。所提出的方法结合了这个多时间的平均值和图像在一个给定的日期的比率图像的形式，并使用一个国家的最先进的神经网络，以消除在这个比率图像的斑点。这种简单的策略被证明提供了一个显着的改善相比，过滤的原始图像没有知识的多时间平均。
2021-02-01 cs.CV eess.IV
Assessment of SAR Image Filtering using Adaptive Stack Filters
Universidad de Buenos Aires（布宜诺斯艾利斯大学）；Universidade Federal de Alagoas（联邦阿拉戈阿斯大学）
堆栈滤波器是非线性滤波器的一种特殊情况。它们对于过滤具有不同类型噪声的图像具有良好的性能，同时保留边缘和细节。堆栈滤波器根据一组阈值将输入图像分解成若干个二值图像。每个二值图像然后由布尔函数过滤，该布尔函数表征过滤器。自适应堆栈滤波器可以被设计为最佳的;它们是从由理想的无噪声图像和其噪声版本组成的一对图像计算的。在这项工作中，我们研究了自适应堆栈滤波器的性能时，他们被应用到合成孔径雷达（SAR）图像。这是通过使用合适的图像质量指标评估滤波图像的质量并通过测量所得图像的分类准确度来完成的。
2012-07-18 cs.CV
Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD images
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI）；Univ Lyon, UJM-Saint-Etienne（里昂大学圣艾蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室（UMR 5516））
抑制合成孔径雷达（SAR）图像中的相干斑噪声，限制其物理参数的变化，是充分挖掘SAR数据潜力的关键步骤。如今，深度学习方法在单图像SAR恢复中产生了最先进的结果。然而，现在通常可以获得巨大的多时相堆栈，并且可以有效地利用这些堆栈来进一步提高图像质量。本文探讨了两种快速的策略，采用单图像去斑算法，即SAR 2SAR，在多时间框架。第一种方法是基于Quegan滤波器，用SAR 2SAR代替局部反射率预估计。第二种方法是利用SAR ~（2+）SAR对时间序列的时间算术平均值进行“超图像”形式的多时间信息进行编码，得到一幅比值图像，并利用该比值图像抑制相干斑。Sentinel-1 GRD数据上的实验结果表明，这两种多时相策略在增加有限计算成本的同时提供了改进的滤波结果。
2022-07-22 cs.CV eess.IV
A resnet-based universal method for speckle reduction in optical coherence tomography images
Southeast University（东南大学）；Soochow University（苏州大学）
在这项工作中，我们提出了一种基于ResNet的通用方法，用于减少光学相干断层扫描（OCT）图像中的散斑。该模型包含3个主要模块：卷积-BN-ReLU，分支和残差模块。与传统算法不同，该模型可以从训练数据中学习，而不是手动选择参数，如噪声水平。该方法的应用程序的OCT图像显示了超过22 dB的信噪比的改善，在斑点噪声减少与最小的结构模糊。该方法具有很强的泛化能力，可以处理其他类型的噪声OCT图像，而无需重新训练。它在抑制斑点噪声和显示细微特征方面优于其他滤波方法。
2019-03-22 cs.CV eess.IV
Iterative Bilateral Filtering of Polarimetric SAR Data
Technische Universität Berlin（柏林工业大学）
提出了一种基于双边滤波的极化SAR图像相干斑滤波迭代算法。为了局部适应图像的空间结构，该滤波器依赖于空间和辐射域中的像素相似性。为了处理极化数据，我们研究了使用的相似性的基础上的统计距离称为Kullback-Leibler分歧，以及两个测地线距离黎曼流形。为了应对斑点，我们建议逐步完善的结果感谢迭代方案。实验运行在合成和实验数据。首先，仿真生成的极化重建误差，边缘保护和均匀区域的平滑方面的滤波参数的影响进行研究。与其他方法的比较表明，我们的方法相比，以及其他国家的最先进的方法在极化信息的提取和边缘恢复和噪声平滑表现出优越的性能。然后将该滤波器分别应用于L波段和S波段ESAR和FSAR传感器（DLR）的实验数据集。这些最后的实验表明，过滤器的能力，以恢复建筑物和道路等结构，并保持区域之间的边界，同时实现了大量的平滑均匀的地区。
2013-11-01 cs.CV
Speckle Reduction in Polarimetric SAR Imagery with Stochastic Distances and Nonlocal Means
Instituto Nacional de Pesquisas Espaciais – INPE（巴西国家空间研究院）
本文提出了一种基于非局部均值和基于随机散度的统计检验的极化合成孔径雷达（PolSAR）图像相干斑抑制方法。其主要目的是通过分布之间的统计检验，选择滤波区域中的同质像素。该方案使用复杂的Wishart模型来描述PolSAR数据，但该技术可以扩展到其他模型。位置可变线性滤波器的权重是检验的p值的函数，该检验验证了两个样本来自相同分布的假设，因此可以用于计算局部均值。该测试源于起源于信息论的（h-phi）发散族。将这种新技术与Boxcar、Refined Lee和IDAN过滤器进行了比较。仿真和实际数据的图像质量评估方法，以验证该方法的性能。我们表明，该滤波器还提高了极化熵，并保留了目标的散射信息。
2013-04-16 cs.CV cs.GR cs.IT
Speckle Reduction using Stochastic Distances
Universidade Federal de Alagoas（阿拉戈斯联邦大学）
本文提出了一种基于随机距离和分布间检验的滤波器设计方法。在每个像素周围定义一个窗口，比较样本，只有通过拟合优度测试的样本才用于计算滤波值。该技术被施加到强度合成孔径雷达（SAR）数据，使用伽马模型与不同数量的外观允许，因此，在异质性的变化。修改后的Nagao-Matsuyama窗口用于定义样本。该建议被认为是一个标准的Lee的过滤器相比，使用基于模拟的协议。在用于量化滤波器质量的标准中，我们采用了等效的外观数量（与信噪比相关），线对比度和边缘保留。此外，我们还评估了过滤器的通用图像质量指数和皮尔逊边缘之间的相关性。
2012-07-03 cs.CV cs.GR cs.IT
A New Ratio Image Based CNN Algorithm For SAR Despeckling
在SAR领域，相干斑噪声对分类、检测、分割等应用都有很大的影响。因此，SAR图像的相干斑抑制是场景理解的关键。相干斑抑制滤波器通常面临着相干斑抑制和信息保持的权衡。在过去的几年中，已经提出了用于斑点减少的深度学习解决方案。这些方法的最大问题之一是如何在缺乏参考的情况下训练网络。在这项工作中，我们提出了一个卷积神经网络基于模拟数据训练的解决方案。我们建议使用的成本函数，同时考虑到空间和统计特性。目标有两个方面：克服斑点抑制和细节抑制之间的权衡，找到一个合适的代价函数用于无监督学习中的斑点抑制。该算法在真实和模拟数据上进行了验证，表现出有趣的性能。
2019-06-10 cs.CV
Image denoising assessment using anisotropic stack filtering
Instituto de Optica（光学研究所）
在本文中，我们提出了一个衡量的各向异性作为一个质量参数来估计噪声图像中的噪声量。图像的各向异性可以通过方向测量，使用图像中包含的信息的适当统计分布来确定。这个新的措施是通过堆栈过滤范例。首先，我们定义了一个局部方向熵，基于0和1在每个堆栈级别的每个像素位置的邻域中的分布。然后使用该方向熵的熵变化来定义各向异性度量。实证结果表明，该措施可以被视为一个很好的图像噪声指标，这是特别相关的去噪算法的质量评估。该方法已与人工和现实世界的退化图像进行了评估。
2011-06-29 cs.CV
QuaSI: Quantile Sparse Image Prior for Spatio-Temporal Denoising of Retinal OCT Data
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Massachusetts Institute of Technology（麻省理工学院）
光学相干断层扫描（OCT）能够对人类视网膜进行高分辨率和非侵入性的3D成像，但固有地受到斑点噪声的损害。本文介绍了一种新的分位数稀疏图像先验的B超OCT数据时空去噪算法。为了去除斑点噪声，同时保留图像结构的诊断相关性，我们实现了我们的ECOSI前通过中值滤波正则化加上一个Huber数据保真度模型在变分方法。为了有效的能量最小化，我们开发了一个交替方向的乘法器（ADMM）计划使用中值滤波的线性化。我们的时空方法可以同时处理单次B扫描和时间上连续的B扫描的去噪，以获得具有增强的信噪比的体积OCT数据。我们的算法基于4次B扫描，仅实现了与平均13次B扫描相当的性能，并且优于其他当前的去噪方法。
2017-03-08 cs.CV
Speckle2Self: Self-Supervised Ultrasound Speckle Reduction Without Clean Data
Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany（技术大学慕尼黑计算机辅助医疗程序）；Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心）
针对超声散斑噪声的组织依赖性导致现有自监督方法失效的问题，提出Speckle2Self算法，通过多尺度扰动操作分离共享解剖结构与散斑噪声，仅凭单张噪声图像即可实现有效散斑降噪，并展现出良好的跨设备泛化能力。
2025-08-10 cs.AI cs.CV eess.IV
SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院 LTCI）；Wuhan University（武汉大学）；Univ Lyon, UJM-Saint-Etienne（里昂大学 圣艾蒂安-让·莫内大学）；CNRS（法国国家科学研究中心）
相干斑抑制是合成孔径雷达（SAR）图像处理中的一个重要课题。许多不同的方案已经提出了恢复的强度SAR图像。在不同的可能的方法中，基于卷积神经网络（CNN）的方法最近已经显示出达到最先进的SAR图像复原的性能。CNN训练需要良好的训练数据：许多对无斑点/斑点损坏的图像。由于无斑点图像的固有稀缺性，这在SAR应用中是一个问题。为了处理这个问题，本文分析了不同的策略，可以采取，这取决于斑点去除任务之一，希望执行和SAR数据的多时相堆栈的可用性。第一种策略将经过训练以从自然图像中去除加性高斯白噪声的CNN模型应用于最近提出的SAR斑点去除框架：MuLoG（多通道对数高斯去噪）。不需要对SAR图像进行训练，该网络很容易应用于斑点抑制任务。第二种策略考虑了一种新的方法来构建一个可靠的数据集的无斑点SAR图像所需的训练的CNN模型。最后，还分析了一种混合方法：用于去除加性高斯白噪声的CNN在无斑点SAR图像上进行训练。所提出的方法相比，其他国家的最先进的斑点去除滤波器，去噪的质量进行评估，并讨论不同的策略的利弊。随着论文的发表，我们提供了训练网络的权重，以便其他研究人员使用。
2020-09-21 cs.CV eess.IV
Noise-Aware Boundary-Enhanced Generative Learning for Ultrasound Speckle Reduction
Department of Radiology and Biomedical Research Imaging Center (BRIC), University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校放射学系与生物医学研究中心）；Lampe Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校兰普生物医学工程联合系）
提出噪声感知边界增强生成学习框架，通过散斑减少与边界增强分支及噪声自适应权重模块，在保留解剖边界的同时适应不同噪声水平，在141个3D超声数据上优于现有方法。
2026-06-26 cs.AI cs.CV
Full-Stack Filters to Build Minimum Viable CNNs
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Sydney（悉尼大学）
深度卷积神经网络（CNN）通常是过参数化的，无法轻松部署在手机、智能相机等边缘设备上。现有工作用于减少边缘设备上最小可行CNN的所请求卷积滤波器的数量或大小。相比之下，本文介绍的过滤器是全栈的，可以用来生成更多的子过滤器。这些子过滤器的权重是在不同二进制掩码的帮助下从全栈过滤器继承的。正交约束应用于二进制掩码，以减少它们的相关性，并促进生成的子滤波器的多样性。为了保持相同的输出特征映射量，我们可以自然地减少已建立的过滤器的数量，只保留几个全栈过滤器和一组二进制掩码。我们还进行了理论分析的内存成本和一个有效的实现所提出的滤波器的卷积。在多个基准数据集和CNN模型上的实验表明，该方法能够构造性能相当的最小可行卷积网络。
2019-08-06 cs.CV cs.LG
A new ultrasound despeckling method through adaptive threshold
Hamedan University of Technology（哈马丹工业大学）
提出了一种基于量子自适应阈值的超声图像斑点噪声抑制方法。在第一步中，由于斑点噪声既不是高斯噪声也不是白色噪声，因此通过频谱均衡过程对超声图像进行去相关。实际上，利用线性滤波器来平坦化超声图像的功率谱密度（PSD）。然后，该方法基于量子启发的自适应阈值函数收缩复小波系数。该方法已用于对真实和模拟数据集进行去噪，并与其他广泛采用的技术进行比较。实验结果表明，该方法具有较好的去除斑点噪声的性能，并能保持医学超声图像的细节和纹理。
2018-07-05 cs.CV
IRSDE-Despeckle: A Physics-Grounded Diffusion Model for Generalizable Ultrasound Despeckling
Thayer School of Engineering, Dartmouth College, Hanover, NH, USA（达特茅斯学院工程学院）
IRSDE-Despeckle提出了一种基于物理的扩散模型，用于通用的超声去斑处理，通过模拟数据集训练，有效抑制斑点并保留解剖结构，同时量化预测不确定性，提升临床应用的鲁棒性。
2026-02-26 cs.CV
Compressing Deep Convolutional Neural Networks by Stacking Low-dimensional Binary Convolution Filters
Hong Kong Baptist University（香港浸会大学）
深度卷积神经网络（CNN）已成功应用于许多现实问题。然而，深度CNN模型的巨大存储器成本对将它们部署在存储器受限的设备（例如，移动电话）。降低深度CNN模型的内存成本的一种流行方法是训练二进制CNN，其中卷积滤波器中的权重为1或-1，因此每个权重可以使用单个位有效地存储。然而，现有的二进制CNN模型的压缩比上限为32左右。为了解决这个问题，我们提出了一种新的方法，通过堆叠低维二进制卷积滤波器来压缩深度CNN模型。我们提出的方法近似一个标准的卷积滤波器，从一组低维二进制卷积滤波器选择和堆叠滤波器。这组低维二进制卷积滤波器在给定卷积层的所有滤波器之间共享。因此，我们的方法将实现比二进制CNN模型更大的压缩比。为了训练我们提出的模型，我们已经从理论上表明，我们提出的模型是等效的选择和堆栈的中间特征图产生的低维二进制过滤器。因此，我们提出的模型可以有效地使用分裂-变换-合并策略进行训练。我们还提供了详细的分析，我们的模型在模型推理的内存和计算成本。我们在两个基准数据集上将该方法与其他五种流行的模型压缩技术进行了比较。我们的实验结果表明，我们提出的方法实现了更高的压缩比现有的方法，同时保持相当的精度。
2020-10-06 cs.CV cs.LG
Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation
Shanghai Maritime University（上海海事大学）
本文提出多任务学习框架MLDet，结合斑点抑制、旋转高斯掩膜分割和加权旋转框融合，提升SAR图像舰船检测精度与鲁棒性。
2024-11-21 cs.CV
Kalman's shrinkage for wavelet-based despeckling of SAR images
本文提出了一种新的概率密度函数（pdf）来描述小波系数的统计特性，并利用贝叶斯估计理论推导出了一种简单的卡尔曼滤波器。具体来说，我们将斑点图像分解成小波子带，我们应用卡尔曼滤波器的高子带，并从修改后的细节系数重建去斑点图像。实验结果表明，我们的方法相比，优于其他几种去斑方法测试合成孔径雷达（SAR）图像。
2016-07-31 cs.CV
A Comparative Study of Removal Noise from Remote Sensing Image
Yeshwant College（耶什万特学院）；Swami Ramanand Teerth Marathwada University（斯瓦米·拉曼纳德·蒂尔特·马拉特瓦达大学）
本文尝试对椒盐噪声、随机变化脉冲噪声和散斑噪声进行研究。采用均值滤波器（MF）、自适应维纳滤波器（AWF）、高斯滤波器（GF）、标准中值滤波器（SMF）和自适应中值滤波器（AMF）等五种滤波器，对10%~ 60%的噪声密度进行了去除。同样的方法也适用于土星遥感图像，并将它们进行了比较。利用均方误差（MSE）和峰值信噪比（PSNR）进行了对比研究。从而为遥感图像去噪选择基本方法。
2010-02-05 cs.CV
A Total Variation Denoising Method Based on Median Filter and Phase Consistency
School of Biological Sciences and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院）；Shanghai United-imaging Healthcare Co., Ltd（上海联影医疗科技股份有限公司）
全变分法是图像噪声抑制中的一种常用方法。但这种方法容易造成图像细节的丢失，而且对迭代时间等参数也比较敏感。在这项工作中，总变分方法已被修改使用的扩散速率调节器的基础上的相位一致性和中值滤波器和相位一致性边界的融合滤波器，这是所谓的MPC-TV方法。实验结果表明，MPC-TV方法具有较好的噪声抑制效果，特别是对相干斑噪声的抑制效果更好，并且可以提高TV方法迭代次数对不同方差噪声的鲁棒性。
2020-01-01 cs.CV eess.IV
SAR2SAR: a semi-supervised despeckling algorithm for SAR images
Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学校，巴黎综合理工学院）；Univ Lyon, UJM-Saint-Etienne, CNRS, Institut d Optique Graduate School, Laboratoire Hubert Curien（里昂大学，圣艾蒂安让·莫内大学，法国国家科学研究中心，光学研究所研究生院，于贝尔·居里安实验室）
相干斑抑制是遥感应用中的一个关键步骤。它强烈影响合成孔径雷达（SAR）图像，使其难以分析。由于斑点噪声的空间相关性难以建模，本文提出了一种具有自监督功能的深度学习算法：SAR2SAR。利用多时相时间序列，神经网络通过仅查看噪声采集来学习恢复SAR图像。为此，最近提出的noise2noise框架已被采用。提出了一种适用于SAR相干斑抑制的策略，该策略基于对相干斑时间变化的补偿和一种适用于相干斑统计特性的损失函数。与合成散斑噪声的研究提出了所提出的方法与其他国家的最先进的滤波器的性能进行比较。最后，通过对实际图像的实验结果分析，验证了该算法的有效性.该代码可用于在该领域进行测试和可重复的研究。
2021-04-13 cs.CV eess.IV
SAR Image Despeckling Algorithms using Stochastic Distances and Nonlocal Means
Universidade Federal de Alagoas（阿拉戈斯联邦大学）
提出了两种基于随机距离的强度散斑抑制滤波器设计方法。在每个像素周围定义一个窗口，比较重叠的样本，只有那些通过拟合优度测试的样本才用于计算滤波值。测试源于信息论框架内的随机分歧。该技术适用于强度合成孔径雷达（SAR）数据与均匀区域使用伽马模型。第一种方法使用Nagao-Matsuyama类型的程序来设置重叠样本，第二种方法使用非局部方法。该建议进行了比较，与改进的Sigma滤波器和各向异性扩散斑点数据（SRAD）使用的协议的基础上Monte Carlo模拟。在用于量化过滤器质量的标准中，我们采用了相等的外观数量，以及线和边缘保留。此外，我们还通过通用图像质量指数和边缘之间的Pearson相关性来评估滤波器。实际图像的应用也进行了讨论。所提出的方法显示了良好的效果。
2013-08-20 cs.CV cs.GR cs.IT
A Deep Learning Iterative Framework for Sentinel-1 Stripmap Enhancement Based on Azimuth Doppler Decomposition
Tracasa Instrumental S.L.（Tracasa仪器有限公司）；European Space Agency（欧洲航天局）；Public University of Navarre（纳瓦拉公共大学）
提出一种基于方位子孔径分解的自监督增强框架，利用子孔径与全孔径图像之间的物理一致性生成训练数据，通过单/多帧学习和迭代推理逐步提升图像质量，在哨兵一号条带模式数据上优于MERLIN方法。
2026-05-27 cs.CV
Stacked Autoencoder Based Feature Extraction and Superpixel Generation for Multifrequency PolSAR Image Classification
Dhirubhai Ambani Institute of Information and Communication Technology（达鲁巴伊·安巴尼信息与通信技术学院）
针对多频率PolSAR图像分类问题，提出结合堆叠自编码器降维、SLIC超像素生成与softmax分类的方法，在Flevoland数据集上表现优于现有方法。
2023-11-06 cs.CV cs.LG
An Approach for Reducing Outliers of Non Local Means Image Denoising Filter
提出了一种自适应非局部均值图像滤波方法--非局部自适应限幅均值（NLACM），与传统的非局部均值图像滤波方法相比，该方法能有效地降低离群值的影响，提高去噪质量.从数据总体中忽略离群值的常用方法是计算由平均值和标准差定义的范围内的平均值。在NLACM中，我们根据待去噪像素邻域的统计估计，在定义的范围内执行中值。由于该范围的参数独立于任何附加输入并且基于局部强度值，因此该方法是自适应的。NLACM的实验结果表明，在高噪声水平下，与NLM相比，从噪声邻域观察中更好地估计真实强度。我们已经验证了斑点噪声减少的技术，我们已经测试了腰椎的超声（US）图像。这些超声图像可作为腰椎神经根病注射治疗的指导。我们相信，所提出的方法是第一次的图像去噪，其效率可以很好地证明，因为它显示出更好的性能在图像复原。
2014-12-09 cs.CV
Performance analysis of Non Linear Filtering Algorithms for underwater images
Avinashilingam University for Women（阿维纳什林加姆女子大学）
对图像应用图像滤波算法以去除在捕获期间存在于图像中或在传输期间注入到图像中的不同类型的噪声。水下图像在采集过程中通常存在高斯噪声、斑点噪声和椒盐噪声。在这项工作中，五种不同的图像滤波算法进行了比较，为三种不同的噪声类型。使用峰值信噪比（PSNR）和均方误差（MSE）的滤波器的性能进行比较。改进的空间中值滤波器对三种不同的噪声给出了上述两个参数的理想结果。拍摄了40张水下图像进行研究。
2009-12-05 cs.CV cs.IR cs.MM
On the representation of stack operators by mathematical morphology
Mathematical Sciences Institute（数学科学研究所）；IRL FAMSI, The Australian National University, Canberra, Australia（IRL FAMSI，澳大利亚国立大学，堪培拉，澳大利亚）
该研究提出灰度图像栈算子概念，证明其继承特征集合算子的格性质，推导其特征函数等表示，为灰度图像处理算子设计提供新思路，即先设计二值图像算子再扩展为栈算子。
2025-09-03 cs.CV
Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End Displacement and Strain Measurement
Northwestern University（西北大学）；Ford Motor Company（福特汽车公司）
数字图像相关（DIC）已成为拉伸测试和其他材料表征中检索精确位移和应变测量的行业标准。虽然传统的DIC提供了一个高精度的估计变形的一般拉伸试验情况下，预测变得不稳定，在大变形或当散斑图案开始撕裂。此外，传统的DIC需要很长的计算时间，并且经常产生受滤波和散斑图案质量影响的低空间分辨率输出。为了应对这些挑战，我们提出了一种新的基于深度学习的DIC方法--Deep DIC，其中两个卷积神经网络DisplacementNet和StrainNet被设计为一起工作，用于位移和应变的端到端预测。DisplacementNet预测位移场并自适应地跟踪感兴趣的区域。StrainNet直接从图像输入预测应变场，而不依赖于位移预测，显著提高了应变预测精度。提出了一种新的数据集生成方法，该方法包括散斑图的生成和散斑图像的变形，并利用合成位移场来合成真实而全面的数据集。虽然仅在合成数据集上进行训练，但Deep DIC提供了与商业DIC软件在真实实验中获得的高度一致和可比的位移和应变预测，即使在大的局部变形和不同的图案质量下，它也优于商业软件，具有非常强大的应变预测。此外，Deep DIC能够实时预测变形，计算时间可低至毫秒。
2022-01-06 cond-mat.mtrl-sci cs.CV eess.IV
Constant-time filtering using shiftable kernels
最近在[5]中证明了非线性双边滤波器[14]可以使用恒定时间或O（1）算法有效地实现。该算法的核心思想是使用三角函数近似双边滤波器的高斯范围核。在这封信中，我们解释了[5]中的思想如何扩展到其他一些线性和非线性滤波器[14，17，2]。虽然这些过滤器中的一些近年来受到了很多关注，但它们被认为是计算密集型的。为了扩展[5]中的思想，我们确定了三角函数的一个中心属性，称为移位性，它允许我们利用滤波操作中固有的冗余。特别是，使用可移位内核，我们展示了如何某些复杂的过滤可以减少到简单的计算一堆图像的移动总和。通过输入图像的基本逐点变换获得堆栈中的每个图像。这具有双重优势。首先，我们可以使用快速递归算法来计算移动和[15，6]，其次，我们可以使用并行计算来进一步加速计算。我们还展示了如何移位内核也可以用来近似（非移位）高斯内核，这是普遍使用的图像滤波。
2011-09-08 cs.CV cs.DS
Denoising OCT Images Using Steered Mixture of Experts with Multi-Model Inference
Technical University of Berlin（柏林工业大学）；Bulgarian Academy of Science（保加利亚科学院）
本文提出 BM-SMoE-AE 去噪算法，结合块匹配 SMoE 与增强自编码器，在高效抑制 OCT 散斑噪声的同时保留图像细节，并提升边缘清晰度和处理速度。
2024-02-24 cs.CV eess.IV
Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
超声（US）成像是一种快速和非侵入性的成像方式，广泛用于实时临床成像应用，而无需考虑辐射危害。不幸的是，它往往遭受从各种来源，如斑点噪声，模糊，多线采集（MLA），有限的RF通道，小数目的平面波成像的情况下的视角，等经典的方法来处理这些问题，包括图像域信号处理方法，使用各种自适应滤波和基于模型的方法的视觉质量差。最近，深度学习方法已经成功地用于超声成像领域。然而，这些方法的局限性之一是在许多实际应用中难以获得用于监督训练的成对高质量图像。在本文中，受最近使用最优传输驱动循环GAN（OT-cycleGAN）的无监督学习理论的启发，我们研究了无监督深度学习在没有匹配参考数据的情况下对US伪影去除问题的适用性。各种任务，如反卷积，斑点去除，有限的数据伪影去除等的实验结果证实，我们的无监督学习方法提供了相当的结果，监督学习的许多实际应用。
2020-06-26 cs.CV cs.LG eess.IV
Patch-based adaptive temporal filter and residual evaluation
Télécom ParisTech, Université Paris-Saclay（巴黎萨克雷大学电信学院）；IMB, CNRS, Univ. Bordeaux, Bordeaux INP（波尔多大学波尔多综合理工学院国家科学研究中心数学与计算机科学研究所）；Univ Lyon, UJM-Saint-Etienne, CNRS, Institut d Optique Graduate School, Laboratoire Hubert Curien UMR 5516（里昂大学圣埃蒂安大学国家科学研究中心光学研究所于贝尔·屈里安实验室）
针对相干成像中的散斑噪声，提出基于块的自适应时间滤波器（PATF），利用多时相SAR图像进行去噪，并提出无参考图像的自协方差残差评估方法，验证了方法的有效性与实用性。
2024-02-14 cs.CV eess.IV
Iterative Filter Adaptive Network for Single Image Defocus Deblurring
POSTECH（浦项科技大学）
我们提出了一种新的端到端的学习为基础的单图像散焦去模糊的方法。所提出的方法配备了一种新的迭代滤波器自适应网络（IFAN），是专门设计用于处理空间变化和大散焦模糊。为了自适应地处理空间变化的模糊，IFAN预测逐像素的去模糊滤波器，其被应用于输入图像的散焦特征以生成去模糊特征。为了有效地管理大模糊，IFAN将去模糊滤波器建模为小尺寸可分离滤波器的堆叠。预测可分离的去模糊滤波器应用于散焦功能，使用一种新的迭代自适应卷积（IAC）层。我们还提出了一种基于散焦视差估计和重新模糊的训练方案，该方案显着提高了去模糊质量。我们证明，我们的方法实现了最先进的性能，定量和定性的真实世界的图像。
2022-03-28 cs.CV eess.IV
Ground Roll Suppression using Convolutional Neural Networks
Gazprom Neft（俄罗斯天然气工业石油公司）；IBM Research（IBM研究院）
地震数据处理在地震勘探中起着重要作用，因为它在很大程度上决定了地震解释性能。在这种情况下，生成可靠的叠后地震数据还取决于有效的叠前噪声衰减工具的处理。在这里，我们处理地滚噪声，在叠前地震数据中观察到的最具挑战性和最常见的噪声之一。由于地滚波的特点是相对低的频率和高的振幅，最常用的方法来抑制它是基于频率-振幅滤波器的地滚波特征波段。然而，当信号和噪声共享相同的频率范围时，这些方法通常还提供信号抑制或残余噪声。在本文中，我们利用卷积神经网络的高度非线性特征，并建议使用不同的架构来检测炮集中的地滚波，并最终使用条件生成对抗网络来抑制它们。此外，我们提出的指标来评估地面滚波抑制，并报告强有力的结果相比，专家过滤。最后，我们讨论了相似和不同地质条件下训练模型的泛化，以更好地理解我们的建议在实际应用中的可行性。
2020-10-28 cs.CV eess.IV
