基于二次噪声检测和细节保护规则函数的图像滤波算法

现有的图像椒盐噪声滤除算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力,本文提出了一种基于二次噪声检测和细节保护规则函数的图像椒盐噪声滤波算法,算法将滤噪过程分为两个阶段:噪声检测和噪声恢复阶段.在噪声检测过程中,用自适应中值原理对图像中的噪声点进行初步检测,然后通过局部模糊隶属度函数对检测出的噪声点进行二次判断,有效提高了噪声检测的准确度.在噪声恢复阶段,利用细节保护规则函数与l1数据逼近的凸面代价函数来恢复噪声点.为了充分利用图像局部特征,该算法自适应地选择噪声点周围的象素点利用细节规则保护函数得到输出值,当图像噪声点的凸面代价函数值达到最小时,噪声图像得到最佳恢复.实验结果表明,本文提出的滤波算法针对椒盐噪声具有很好的细节保护与噪声滤除能力,特别是在噪声感染率高(70%以上)的情况下,算法性能优于现有的其它算法.

基于二次检测和极值修剪的自适应滤波算法

当图像的噪声密度提高时,现行的中值滤波算法的滤波性能递减,滤波图像出现严重的失真.针对现行的中值滤波算法的局限性,基于二次检测和极值修剪的自适应滤波算法,对噪声检测和噪声滤除两方面分别进行改进.对于噪声检测,用算法预先设置的最大滤波窗口的灰度极值进行噪声检测,对检测出来的可疑噪声,用修剪灰度极值后的最大滤波窗口的中值做进一步的噪声检测.对于噪声点,自适应地用修剪灰度极值后的滤波窗口的中值取代.滤波实验主客观两方面的结果充分证明:相对于现行的中值滤波算法,论文算法有着更加良好的滤波效果,在滤除噪声的同时,很好地保持了图像的边缘和细节部分.

基于不确定性信息融合的高密度椒盐噪声降噪方法

为解决高密度椒盐噪声滤除与细节保护之间的矛盾,提出一种基于不确定性信息融合的中智灰滤波算法.该算法包括两个阶段：噪声检测和噪声恢复.在检测阶段,为提高噪声检测准确率,首先利用Max-Min算法进行初测,然后利用极值压缩灰色关联度与顺序不确定性的融合信息进行二次判断.在噪声恢复阶段,为充分利用像素本身的不确定性及邻域像素的灰色关联性,将中智不确定性和极值压缩灰色关联度的乘积作为相似性度量特征,设计了中智灰自适应权重函数.实验表明,针对不同图像,二次噪声检测方案的噪声剔除率可达0.1%-8.8%;该中智灰滤波算法在抑制椒盐噪声的同时能较好地保护图像边缘信息,特别是在高噪声（70%-90%）情况下,算法的综合性能优于现有相关算法.

一种改进的自适应中值滤波算法

在图像的平滑处理过程中,如何在噪声滤除的同时保护图像的细节一直是人们研究的热点问题。针对这一问题,在Hwang和Haddad提出的一种自适应中值滤波算法(ranked-order based adaptive median filter,RAMF)的基础上,提出了一种改进的自适应中值滤波算法。该算法在以下3方面做了改进:①对可疑噪声点实行噪声二次检测;②对高密度噪声区的噪声点利用滤窗内的信号点进行滤波;③对低密度噪声区的噪声点根据滤窗内图像的纹理走向进行滤波。仿真实验结果表明,该算法的滤波效果理想。