一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。滤波过程分为噪声检测和噪声去除2 个阶段。噪声检测阶段:采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。噪声去除阶段:信号点保持原值输出,对于疑似噪声点的3 种分类结果,采用模糊加权的中值滤波器进行统一处理。实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。

采用改进的自适应模糊多级中值滤波算法去除牛肉图像斑点噪声

牛肉图像中的斑点噪声与肌内脂肪的颜色特征相似,要准确提取牛肉图像中的肌内脂肪颜色特征,就必须先对斑点噪声进行滤除。为此在自适应模糊多级中值滤波的基础上进行了改进:第1步,确定当前点是否为噪声点。先计算当前像素点与其邻域均值的差的绝对值,然后与阈值(阈值随当前点的灰度值而变化)相比较,如果绝对值大于阈值,则被认为是斑点噪声。第2步,对于斑点噪声,将采用自适应模糊多级中值滤波方法来滤除;如果不是,保留原像素点不变。试验结果表明,改进的算法在斑点噪声滤除与细节保护方面均优于标准的中值滤波、多级中值滤波以及形态滤波。

自适应模糊多级中值滤波器

结合模糊关联存储方法 (FAM) ,提出了修改后的多级中值滤波器——自适应模糊多级中值滤波器 (AFMMF) ,该滤波器克服了传统多级中值滤波器 (ML MF)的一些缺点 .实验结果显示 ,在处理“短线”噪声的过程中 ,AFMMF能更好地保留边缘 ,取得了更好的效果 .

基于自适应模糊阈值小波的图像去噪

针对小波变换多分辨分析(MRA)的特点,本文提出一种多尺度分级的自适应模糊权重中值滤波的去噪方法.首先,利用开关控制策略的模糊理论建立隶属函数,用高斯自适应模型对噪声点进行预检测,然后在每一级小波变换过程中应用自适应模糊中值滤波(AFWMF)算法进行噪声滤波.实验表明,常规的小波去噪方法只能去除图像中的高斯噪声,该方法既能去除高斯噪声也能去除非高斯噪声.与中值滤波方法相比,该方法在去噪的同时能保留大量的原图像边缘、细节等重要信息,具有更好的去噪效果.

高密度椒盐噪声下混合滤波新方法

图像在采集、传输和处理过程中,易受环境、器材及处理方法的影响,不可避免地会产生不同程度的噪声。当噪声密度超过50%时,噪点信息在图像信息中占据主导地位,一般的中值滤波、均值滤波或自适应滤波等单一滤波方式存在着消除噪声的同时滤除了图像自身细节的问题,导致图像不清晰,滤波效果较差。由此提出高密度椒盐噪声下混合滤波新方法,采取降噪、去噪、强化边缘三个层级混合滤波,最后用噪声密度达到80%的图像进行测试验证,有效地滤除了噪声,恢复了图像的细节信息,得到了很好的效果。

基于同态滤波与自适应模糊多级中值滤波级联算法的散斑噪声污染图像恢复

提出了一种用于恢复散斑噪声污染图像的同态滤波与自适应模糊多级中值滤波级联算法 ,计算机仿真实验结果表明它既保持了图像的几何结构 ,又有效地抑制了散斑噪声 。