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。