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。

去除椒盐噪声的自适应开关加权均值滤波

提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。实验结果表明,该算法能在有效去除椒盐噪声的同时保护图像细节,较传统中值滤波及其改算法有更好的滤波性能。

改进自适应中值滤波的图像去噪

传统自适应中值滤波的最大最小窗口尺寸固定,并且其最大最小窗口相差较大时,运算时间较长,去噪效果并不一定最佳。本文针对传统自适应中值滤波算法的不足,提出了改进自适应中值滤波算法,首先根据椒盐噪声的分布特点,从单幅含椒盐噪声图像中估算出椒盐噪声的浓度,并分析噪声浓度与自适应中值滤波窗口尺寸之间的关系,建立它们之间的函数关系。其次根据噪声浓度确定自适应中值滤波的最大最小窗口尺寸,最后对图像进行自适应中值滤波。实验结果表明本文算法运算时间随着噪声浓度的变化而变化,而且从PSNR角度来看本文去噪效果比传统自适应中值滤波效果较好。

基于方向的多阈值自适应中值滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保持图像细节,提出一种基于滤波值二次修正的图像椒盐噪声滤波算法。该算法首先利用基于阈值的自适应中值滤波改进算法实现对噪声点的检测与初级滤波,然后对滤波值采用基于方向信息的多阈值自适应滤波算法,实现对初级滤波值的二次修正。算法结合了基于阈值的自适应中值改进算法良好地噪声检测性能及基于方向信息的多阈值自适应滤波算法的细节保护能力。实验结果表明,在客观评价指标和主观视觉效果方面,新算法均取得了优于传统自适应中值滤波算法及其改进算法的效果。

消除椒盐噪声的改进滤波算法

数字图像在采集、传输等过程中会产生椒盐噪声。传统滤波算法在高噪声率情况下,很难对图像进行有效处理。该文在极值中值滤波的基础上,提出一种具有精确噪声点检测步骤的滤波算法,通过设定阈值并考虑相邻像素的相关性来区分噪声点和信号点,提高滤波精度。实验表明该算法在滤除噪声并保护图像细节方面比其他算法有较大提高,在严重噪声污染情况下,对图像的恢复也有较好效果。

去除脉冲噪声的自适应开关中值滤波

为消除图像中的脉冲噪声,提出了自适应开关中值(ASM)滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点两类。对检测出的噪声点统计其个数并由此估算图像中的噪声密度,根据估计的噪声密度自适应确定滤波窗口尺寸,采用改进的中值滤波对检测出的噪声点进行处理;而信号点则保留其灰度值不予处理。对ASM滤波进行仿真实验,结果表明,它能在有效去除噪声的同时很好地保护图像细节,较传统中值滤波及其它改进中值滤波算法有更优的滤波性能。

一种去除椒盐噪声的自适应开关中值滤波算法

为了滤除图像中高密度椒盐噪声同时又能较好地保护图像细节,提出一种自适应开关中值滤波算法。使用max-min算子作为噪声检测器,利用自适应邻域窗口对图像进行从左到右的逐行扫描,同时对位于窗口中心的像素点进行噪声判别,然后将检测出的噪声点采用中值滤波进行滤除,而信号点保持不变直接输出。实验仿真结果证明了该算法的有效性。

改进的变分自适应中值滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,该文提出了一种基于两阶段方法去除图像椒盐噪声的算法。首先,利用改进的自适应中值滤波算法标识出图像中被污染的像素点,然后对被污染的像素点采用变分滤波的方法进行恢复。此方法利用了自适应中值滤波良好的噪点识别能力和变分滤波的细节保护的特性,对于噪声密度高达80%的图像依然可以达到很好的恢复效果。仿真结果验证了所提出算法的有效性,并且在效果上要明显优于传统的变分自适应中值滤波算法。

基于邻域相关的自适应中值滤波算法

为改善图像效果,在对现有的椒盐噪声自适应中值滤波算法分析的基础上,提出了基于邻域相关的自适应中值偏移滤波算法。算法对自适应中值滤波算法的处理过程进行改进。当滤波窗口大于设定的最大值时,根据像素点邻域内的像素点灰度值分布在不同的区间,将像素点灰度值的复原分为偏大或偏小两种情况。受污染像素点的滤波输出值为偏移的中值,偏移的距离根据改进的自适应中值滤波算法运行时滤波窗口的大小来决定。从仿真结果可见:该算法滤波后的图像具有较高的峰值信噪比,对图像细节的保留能力和抑制椒盐噪声的能力都有一定的提高。

采用自适应四点窗中点滤波的高椒盐噪声滤除方法

针对当前中值滤波器处理图像高椒盐噪声效果不佳和实时性不强等问题,提出了一种快速自适应四点窗中点滤波(AFMF)方法。首先,为了降低计算复杂度,使用简单的极值方法检测噪声点;然后,摒弃传统的全点窗口,不用中值滤波,而是在开关滤波和裁剪滤波的基础上,采用新型的非线性滤波方法:中点滤波,简化了算法的流程,提升了算法的计算效率,提高了去噪效果;最后,从3×3窗口开始到由里向外推进,逐渐增大窗口,形成自适应滤波,一直到噪声点处理完,如此避免了窗口大小参数的设置。实验结果表明,与AMF、SAMF、MDBUTMF以及DBCWMF相比,AFMF在处理高密度椒盐噪声上不仅有更好的去噪性能、更快的运行速度(约0.18 s),且无需设置参数,可操作性强,具有较强的实用性。

基于小波神经网络的图像去噪算法

生物医学图像在成像时不可避免地受到噪声影响,因此噪声去除是生物医学图像处理的一项重要研究课题。将小波神经网络引入图像去噪领域中,通过多种技术优化网络学习过程,最终建立一种图像去噪新算法。实验结果表明,该算法在去除噪声上优于传统的中值滤波等方法,并具有较强的鲁棒性;同时能够最大限度地保护图像的细节信息,具有很好的保真度。

图像中椒盐噪声去除算法研究

为了有效地去除数字图像中的椒盐噪声,提高图像质量,本文在分析一些典型消除噪声方法的基础上,给出了一种新的椒盐噪声去除算法。首先,针对椒盐噪声的特点,设计了一种基于动态窗口和邻域像素统计信息的噪声检测算法,有效地区分了噪声点与非噪声,然后对检测出的噪声点,采用改进的自适性的中值滤波算法进行噪声滤除,在滤波算法中加入了窗口大小自适应控制和滤波值调优策略。实验表明:该方法不仅能去除图像中的椒盐噪声,而且能有效地保护图像的细节特征,对于高密度噪声的图像去除噪声的效果比其他方法更优。

基于斜率的自适应中值滤波算法

针对图像中椒盐噪声点的准确检测与去除问题,提出一种基于斜率的自适应中值滤波算法。该算法首先用n×n(n为大于或等于3的奇数)的模板作用于待检测图像的每一个像素,若当前像素的灰度值为其邻域内所有像素灰度值的极值,判断此点为准噪声点;再利用像素灰度值序列中两段子序列斜率的差值及模板区域内像素灰度值的均值自适应地判断准噪声点是否为真正的噪声点;最后对被判定为噪声的像素做中值滤波处理。与标准中值滤波方法相比,该方法加强了噪声检测的条件。实验结果表明,该算法具有较好地去除椒盐噪声和保留细节的效果。

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像(噪声密度大于30%),则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度(90%)噪声情况下与其他算法相比获得的峰值信噪比(PSNR)仍高出10 dB左右。

基于改进PCNN模型的对称中值滤波方法

为滤除灰度图像中椒盐噪声同时保留图像细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN模型执行一次点火操作从而定位灰度图像中噪声像素点位置,然后利用提出的对称检测中值滤波算法对已定位的噪声点进行滤波而其他位置像素信息保持不变.实验仿真表明,新提出的方法对噪声密度低于60%的椒盐噪声图像较已有的滤波算法有更优异的滤波性能.该算法能有效滤除噪声而且对图像的边缘细节保留完整,实验结果证明了算法的有效性.

基于噪声强度估计的中值滤波

为了提高中值滤波器的滤波性能和适应不同强度的椒盐噪声,提出了基于噪声强度估计的中值滤除算法.该算法通过椒盐噪声密度估计确定图像中的噪声强度的大小,然后根据噪声强度选择相应的滤波器及参数.计算机仿真实验结果表明:该算法能对未知噪声强度的退化图像在较短的时间内有效地去除噪声的同时,较好地保护图像细节.

一种纵横窗口关联的多级中值滤波算法

针对传统中值滤波算法不能很好保护图像细节以及受较严重噪声污染时性能急剧下降的情况,提出了一种纵横窗口关联的多级中值滤波算法。算法采用开关策略,判断N×N窗口内像素点。对于噪声点,先求出以该点为中心的纵横2 N个窗口中每个窗口像素点的中值,再计算出这些中值点的中值,以替换噪声点像素值。对于非噪声点,保持原值不变,从而实现了噪声的去除。仿真结果表明,纵横窗口关联的多级中值滤波算法具有较好的细节保护能力和较强的去噪声能力。

改进均值滤波算法及应用研究

中值滤波是一种有效抑制盐椒噪声的滤波算法,但它最大的缺点是模糊了细节。本文提出一种基于中值的加权均值滤波算法,并将该方法应用于玻璃瓶瓶口检测中。实验结果表明该方法有效地去除盐椒噪声的同时能很好地保持图像细节。

结合中值滤波与稀疏表示的混合去噪算法

针对现有去噪算法不能有效去除高斯-椒盐混合噪声的问题,提出一种基于自适应中值滤波与改进稀疏表示的混合去噪算法。采用自适应中值滤波对带噪图像进行初始化,检测并初步抑制脉冲椒盐噪声,利用改进的K奇异值分解字典学习方法与基于回溯自适应的正交匹配追踪稀疏编码方法对处理后的图像进行高斯去噪。实验结果表明,与稀疏非局部正则化加权编码混合去噪算法相比,该算法在混合噪声较大的情况下,具有更高的峰值信噪比和更快的去噪速度。

基于方向中值的图像椒盐噪声检测算法

为了在有效去除椒盐噪声的同时最大限度地保持图像的细节,针对现有应用于椒盐噪声检测算法的优缺点,提出一种基于方向中值的椒盐噪声两级检测算法。算法通过初级全局噪声检测将图像分为可疑噪声点与信号点,二级检测中算法以可疑噪声点为中心在5×5的检测窗口中设置9个方向检测区,通过可疑噪声点灰度值与检测区像素点灰度中值的比较最终确定噪声点的位置。算法中的可行性漏检在保证图像质量的同时减少了后续处理的像素数,同时,算法具有较低的噪声误检率,保持了图像的细节。仿真实验结果验证了算法的有效性。