融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进:一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05~5.22 dB,品质因数提高了0.16~0.35。实验结果表明:改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。

一种消除椒盐噪声的迭代自适应加权均值滤波

针对传统的均值滤波和多种中值滤波不能有效去除高密度椒盐噪声的不足,提出一种迭代自适应加权均值滤波算法。为了能够对图像外围的像素点进行滤波,沿四周进行图像扩展。根据椒盐噪声的极值特性,将像素点分为噪声点和信号点,噪声点采用多轮迭代,利用前次滤波的结果,求取滤波窗口非噪声点灰度值的加权均值,基于与窗口中心像素的空间距离计算加权系数;信号点保持原值。滤波窗口尺寸根据窗口内是否含有非噪声点自适应地由小变大。选用5种不同的算法在噪声密度20%~80%范围内进行仿真对比,验证算法的有效性。仿真结果表明,与其它4种算法相比,在低密度噪声时,该算法的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和结构相似性指数(Structural Similarity Index, SSIM)优势明显,在80%高密度噪声时仍然保持突出效果,PSNR值至少提高4.26 dB,验证了该算法对高密度椒盐噪声具有更好的滤波性能,很好地保持图像的纹理边缘和细节。

一种有效的自适应加权中值滤波算法

针对传统中值滤波算法的优缺点,提出了一种基于相似度函数的自适应加权中值滤波算法。该算法首先通过噪声检测确定图像中的噪声点,然后根据窗口内噪声点的个数自适应地调整滤波窗口的尺寸,再根据相似度大小,巧妙地将滤波窗口内各个像素点按一定的规律自适应地分组并赋予每组像素点相应的权重,最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。计算机模拟实验结果表明:该算法既能有效地滤除噪声,又能较好地保护图像细节,滤波性能比传统中值滤波算法更理想。

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波(IAWMF)算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口(N×N)的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明:改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比(PSNR)、均值平方误差(MAE)、均值绝对误差(MSE)显著优于其他算法,在降噪和保持细节中取得很好的平衡。

一种改进的自适应加权中值滤波算法研究

图像在传输和处理过程中不可避免地存在边缘、细节信息破坏、垃圾噪声加载等问题,需要对输出图像进行过滤。对此,分析了几种典型的改进后的中值滤波算法,在此基础上提出了一种新的自适应加权中值滤波算法(WAMF)。该算法汲取了常见中值滤波算法的优缺点,通过噪声检测确定图像中的噪声点,根据窗口中噪声点的数量自适应调整滤波窗口的大小,像素点在滤波窗口中按照特定规律自适应分组,按照相似度值给各组像素点分配权重值,对检测到的噪声进行合理滤波。仿真结果表明,WAMF算法不仅可以有效去除噪声,而且较好地保存了图像细节,滤波性能优于常见中值滤波算法。

自适应加权中值滤波图像去噪算法

中值滤波是常用的降噪算法,本文提出了一种基于窗口拟合曲线的斜率信息的自适应加权算法。该算法具有较好的边缘保持特性及去噪性能。

自适应中值-加权均值混合滤波器

为了去除图像中混入的脉冲噪声和高斯噪声,提出了一种基于自适应中值滤波和自适应加权均值滤波的混合滤波方法。该方法先将图像分为若干区域,并对每个区域进行噪声检测以实现两类噪声的分离,然后再分别采用自适应中值滤波和自适应加权均值滤波将分离出的脉冲噪声和高斯噪声去除。对这种新方法进行了计算机模拟实验。结果表明:新方法较前人提及的三种混合滤波方法具有更优的滤波性能,在有效抑制混合噪声的同时能很好地保护图像中的细节,为消除图像中的混合噪声提供了一种有效的途径。

一种改进的自适应保细节中值滤波算法

中值滤波是常用的降噪算法，它可以保留比较尖锐的边界，但是却容易模糊图象的细节。尽管已经有一些改进算法，但效果并不十分理想。文章介绍了一种保细节中值滤波算法，采用了多尺度多方向的窗口，根据图象各部分特性自适应地选择窗口进行中值滤波。实验结果证明，文章的算法优于其他几种常用的中值滤波算法。

SLAM精度的向量加权平均自适应调节研究

针对粒子滤波算法需要大量粒子以提高精度以及重采样导致的粒子多样性缺失的问题,提出一种自调INFO(向量加权平均算法)优化的粒子重组粒子滤波算法。首先,通过向量不同的加权平均规则,使得最优粒子引导粒子集向期望区域移动,以此提高估计精度;其次,实时计算最优粒子附近的粒子密度,当密度大于阈值时,自适应调整迭代次数,实时监测粒子密度,根据此指标引入次优粒子的作用自适应调整粒子集分布;最后,重采样阶段将筛选后保留的粒子与剩余粒子重新组合成新的粒子,以此增加粒子多样性。通过仿真实验检验改进算法在SLAM中的性能,结果表明该算法较标准算法相比,其位姿与路标估计精度更高且鲁棒性更佳。

一种新的加权中值滤波的快速算法

针对中值滤波排序工作量多、速度慢等缺点，提出了一种新的加权中值滤波快速 算法。把窗口内元素分为小于、等于和大于中心元素的3类并分别统计这3类的个数，同时 构 造两个数组分别放入小于和大于中心元素的元素值，对每个类元素进行比较后可确定输 出中 值的确切位置，因此可根据局部排序找出输出中值，这样可大大减少排序的次数，加 快了处 理速度。最后，对快算算法和标准中值滤波的传统算法进行了比较，给出了二组实 验数据。 实验结果表明，与传统算法相比，该算法的执行速度大大加快。通过选择适当的 权值，加权 中值滤波可代表标准中值滤波和其它一些中值滤波，因此该快速算法有较强适 应性。

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题,设计了一种带噪声统计估计器的自适应UKF滤波算法.首先根据极大后验(Maximum a posterior,MAP)估计原理,推导出一种次优无偏MAP常值噪声统计估计器;接着在此基础之上,采用指数加权的方法,给出了时变噪声统计估计器的递推公式;最后对自适应UKF算法进行了性能分析.相比于传统UKF,该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛,滤波精度及稳定性显著提高,而且其具有应对噪声变化的自适应能力.仿真实例验证了其有效性.

基于自适应中心加权中值和Goldstein的InSAR干涉图强噪声滤波方法

针对现有的滤波方法在处理强噪声干涉图时的不足,提出一种基于自适应中心加权中值和Goldstein的两步干涉图滤波方法。试验结果表明,构造的针对强噪声干涉图的两步滤波法在滤除噪音的同时,可以很好地保存干涉图的条纹信息。与经典的Goldstein方法相比,新方法的滤波效果可以提高22.4%和43.6%。

基于改进多级中值滤波的加权滤波算法

为了有效地抑制图像中的椒盐噪声,更好地保持图像细节,提出一种基于多级中值滤波的加权滤波算法。算法采用5×5滤波窗口,如果中心点为噪声点,则将滤波窗口划分为水平和垂直10个条形子窗口,先计算每个子窗口内所有非噪声点的均值,作为加权运算的基础值,然后求出这些基础值的中值,利用每个基础值与它们中值的差计算出每个基础值的相应权值。最后将这些基础值与对应权值进行加权运算,将结果替换中心点的像素值;如果中心点为非噪声点,则保持原值不变。实验结果表明,该算法对于高密度椒盐噪声污染的图像具有良好的去噪性能,并且较好地保持了图像的细节,效果优于传统的中值滤波算法和多级中值滤波算法。

自适应中值滤波算法滤除医学图像脉冲噪声

实现了一种滤除医学图像脉冲噪声的自适应中值滤波算法,用均方根误差和噪声对原图像的毁坏程度两个客观评价指标对该算法及传统均值、中值滤波方法进行了比较与评价。根据设定条件检测滤波窗口中心像素是否为脉冲噪声,采取滤波窗口自适应的算法来滤除脉冲噪声,去除了传统中值滤波对所有像素均用中值代替的弊端,减少了不必要的图像细节损失。基于MATLAB的仿真实验表明,对于较大密度的脉冲噪声,该算法在有效抑制噪声的同时,能较好地保护边缘和细节信息。该算法已应用于虚拟内窥镜系统中,取得了令人满意的效果。

一种基于空间距离加权的自适应矢量中值滤波器

矢量中值滤波器(vectormedian filter,VMF)是一种经典和高效的矢量滤波器,主要用于消除彩色图像中的脉冲噪声,但它没有考虑在滤波器窗口内各个像素由于位置的不同而对滤波效果产生的不同的影响。根据人类视觉感知,在一个滤波器窗口中,即使二个像素具有相同的颜色值,其中离中心像素较近的像素应当对中心像素影响较大,而距离较远的像素对中心像素影响较小。基于此,试图将空间距离对滤波效果的影响量化,提出了一个基于心理距离的加权公式,并结合传统的矢量中值滤波器VMF,构造出了一种新的基于空间距离加权的自适应矢量中值滤波器。实验表明,新的矢量中值滤波器,在抑制脉冲噪声、色调保持、细节或边缘保护方面,胜过传统的VMF和其他几个基本的典型矢量滤波器。

用于图像处理的加权中值滤波算法

提出了一种基于相似度函数的自适应加权中值滤波算法。该方法首先通过噪声检测确定图像中的噪声点,然后根据窗口内噪声点的个数自适应地调整滤波窗口的尺寸,并根据相似度大小,巧妙地将滤波窗口内各个像素点自适应分组并赋予相应的权重,最后对检测出的噪声点进行加权中值滤波。计算机模拟实验结果表明:该算法既能有效地滤除噪声,又能较好地保护图像细节,比标准中值滤波具有更优良的滤波性能。

遗传算法加权中值滤波器的优化设计

当测试数据中随机干扰满足高斯分布时,可以采用线性滤波器进行信号处理得到所要求的有用信号.而当随机干扰为非高斯分布时,则必须采用非线性的信号处理方法才能获得所要求的有用信号.这里讨论一类非线性滤波器——加权中值滤波器的最优设计问题.取损失函数为绝对误差的数学期望值,采用实数值编码多子种群的标准遗传算法来极小化损失函数.由于遗传算法:是用点群进行寻优,而不是用一个单点进行寻优,具有隐含并行算法的特点;群体在每一代的进化过程中执行同样的复制、交叉、变异操作,仅使用问题本身所对应的适应度函数,而不需要任何其它先决条件或辅助信息;遗传算法使用随机转换规则,而不是确定性规则进行运算.遗传算法作为一类全局最优算法,它所得到的加权中值滤波器也是全局最优的.数值计算结果表明,采用遗传算法可以得到更小的绝对误差平均值,且优于LMA算法.

一种基于极值的自适应中值滤波改进算法

提出了一种基于极值的自适应中值滤波改进算法,该方法可以有效地保护图像细节,并去除图像中的椒盐噪声.首先利用椒盐噪声的分布给出疑似噪声的判断标准,然后根据噪声密度自适应地确定滤波窗口大小,再采用一种新的算法进行滤波,最后将本算法与其他几种滤波算法进行对比,实验结果表明,本算法优于其他中值滤波算法.

改进自适应中值滤波算法在图像去噪中的应用

传统自适应中值滤波算法不能根据图像噪声浓度自适应改变最大最小窗口尺寸,并且噪声浓度较高时,算法的执行效率会显著降低。针对上述问题,提出了一种改进自适应中值滤波算法。该算法的主要思想是通过估计图像的噪声污染浓度,建立噪声浓度与窗口尺寸的函数映射关系,确定最大最小窗口尺寸。针对传统自适应中值滤波算法运行时间较长的问题,提出了基于分治法的思想快速确定滤波窗口中图像灰度的最大最小值和中值。从实验结果来看,该算法提供了最大最小窗口尺寸设置的依据,在获得相同滤波效果的同时比传统自适应中值滤波算法执行效率更高。

改进型自适应中值滤波算法在图像处理中的应用

对于高强度的椒盐噪声,标准的中值滤波算法在抑制图像噪声和保护细节两方面存在矛盾.针对上述问题,提出了一种改进型自适应中值滤波算法,该算法结合图像灰度直方图,先将噪声限制在一定的灰度值范围内,然后通过调整窗口局部大小进行滤波处理.仿真结果表明,与其他滤波算法相比,该方法的图像处理效果明显改善.