基于BDND的脊波域井下视频图像改进中值滤波算法

井下视频图像总体上色调偏暗,目标信息对比度不高,且由于井下存在大量粉尘,导致图像中存在高密度的随机噪声,增加了图像判读与分析的困难。为此,首先对井下视频图像进行多尺度脊波分解,对分解得到的低频系数和高频系数分别进行系数重构,得到井下视频图像的背景图像和细节图像;其次,根据背景图像灰度直方图的分布特征,采用高斯分布函数进行规定化处理;然后,在分析中值滤波(Median filtering,MF)特征的基础上,采用边界判别噪声检测方法(Boundary discrimination noise detection,BDND)对其进行改进,提出了一种基于BDND的改进中值滤波算法并用于处理细节图像,该算法根据细节图像局部区域灰度值的分布特征,设定2个自适应阈值t_1和t_2,将经过2次噪声检测后处于[t_1,t_2]区间内的灰度值对应的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对于直方图规定化处理后的背景图像和滤波后的细节图像进行叠加。采用C++语言对所提算法进行编程试验,结果表明,该算法对于不同模糊程度的井下视频图像均有较好的滤波效果,其性能相对于中值滤波、加权中值滤波、开关中值滤波等同类算法而言有了一定程度的提升。

基于脊波变换域BDND的农作物图像改进中值滤波算法

实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法。该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换。分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验。结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法。

去除图像中高斯-脉冲噪声的有效方法

数字图像在获取和传输过程中常常会受到噪声的污染,有时会同时受到高斯噪声和脉冲噪声的污染。然而现有的去噪算法大多针对单一的高斯噪声或脉冲噪声,在处理混合噪声时无法取得令人满意的去噪效果。给出了一种去除数字图像中高斯-脉冲混合噪声的有效方法,去噪过程分为两个步骤:首先采用一种称为边界判定噪声检测的脉冲噪声检测方法检测出混合噪声中的脉冲噪声,对噪声图像作中值滤波后得到一幅受高斯噪声污染的过渡图像。然后用贝叶斯最小平方-高斯尺度混合模型对过渡图像进行滤波得到降噪后的图像。实验表明,同现有的其他去噪方法相比,该方法能够更有效地去除混合噪声。

边界噪声检测耦合差分曲率驱动的脉冲噪声图像降噪

目的提出边界识别噪声检测耦合差分曲率驱动扩散模型的脉冲噪声图像降噪算法,用于高密度(≥50%)脉冲噪声的消除。方法基于传统边界识别噪声检测BDND,定义噪声像素分类规则,设计新的边界识别噪声检测M-BDND机制;定位噪声边界,精确识别噪声像素点,形成噪声区域与完好区域;利用噪声像素点的周边信息形成掩码,对其进行修复,有效填补噪声像素点,而在完好区域只将像素点进行复制;构造了差分曲率驱动扩散模型控制噪声像素区域的扩散过程,完成图像复原,并对该模型进行了数值分析。结果与当前图像降噪技术相比,对于等密度随机值脉冲噪声而言,提出算法的误检率与虚警率更低;在噪声密度高达90%时,仍然具有可接受的降噪效果,能够更好地保留原图的边缘与细节特征,且复原图像的一维行距像更好,与真实图像的吻合程度高。结论该算法可用于高密度脉冲噪声的图像降噪处理。

改进的边界区分脉冲噪声检测方法

针对边界区分噪声检测（BDND）方法对随机脉冲噪声的漏检数较大的不足,借鉴其排序和两级检测的思想,提出了局部灰度密度的噪声检测方法。在9×9和5×5两级窗口分别计算中心点的加权灰度密度得到两个灰度密度图,对窗口内密度升序排列查找密度突变点,若中心点在两个序列突变点左侧,则初步判定为噪声。对于初步噪声,进一步根据5×5窗口中的4个方向差值降低错检。测试表明：512×512图像添加10%至50%的随机脉冲噪声,Lena的错检数和漏检数分别在1 500~2 500、4 800~23 000的范围内,Boat的错检数和漏检数分别在4 200~5 400、5 200~25 000。随着噪声密度的增加,错检数稳定在较低值,漏检数保持在理论上的低值,优于BDND和DWM方法。

先进边界区分噪声检测的改进算法

针对典型的两个边界随机值噪声检测问题,先进边界区分噪声检测(ABDND)通过全局的灰度值统计方法来确定噪声边界,取得了良好的检测效果。但是在噪声范围较宽时,ABDND的检测结果中会有大量的错检噪声。在ABDND的基础上提出一种噪声检测改进算法(MABDND),算法分为两个阶段:第1阶段采用ABDND算法中的全局灰度值统计方法;第2阶段通过对局部灰度值的统计找出第1阶段中的错检像素,并将错检噪声恢复为非噪声像素。本文算法的优点在于利用第2阶段的验证技巧去校正第1阶段中产生的大量错检像素,以保证较低的漏检与错检率。以图像Lena、peppers为实验对象,实验结果表明MABDND的检测性能优于ABDND,特别是在噪声范围较宽时,MABDND具有更好的检测性能和更强的噪声适应能力。