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。

弱监督学习算法下土地光学遥感图像分类

由于土地细节特征较多,类型复杂多样,图像采集难度较大,在不同的时间和区域,土地特征也会发生变化,因此土地分类过程较为复杂。针对以上问题,提出基于弱监督学习的土地光学遥感图像分类方法。利用伪中值滤波法去除光学遥感图像噪声,并通过模糊对比度增强法增强图像对比度;基于此,利用弱监督定位网络获取图像的感兴趣示例,并将子概念层引入多示例聚合网络计算感兴趣示例和标签之间的匹配分数,实现土地图像分类。实验结果表明,上述方法的土地分类准确,且Kappa系数更接近于1,说明所提方法应用性能较优。

基于空间信息的鲁棒模糊C均值聚类的苗族服饰图像分割算法

针对苗族服饰图像中破损污渍、折叠痕迹、色彩差异大和噪声破坏等现象所导致的传统模糊C均值聚类(Fuzzy C-means,FCM)算法分割质量不佳问题,提出了基于空间信息鲁棒FCM算法,用于苗族服饰图像分割。通过均值滤波和中值滤波处理空间邻域信息,对应获得2种方法,并用一个加权参数调节模糊隶属度的稀疏性,旨在加强细节的提取和提高算法对噪声的鲁棒性。实验表明,对于被高斯噪声破坏的图像,基于均值滤波处理的改进算法,其划分系数提高约3.6%,划分熵降低约5.6%;对于被椒盐噪声破坏的图像,基于中值滤波处理的空间约束项的改进算法,划分系数提高约2.7%,划分熵降低约4.3%。该算法提高了对这类苗族服饰图像分割的质量,对于传统文化的传承具有非凡的意义。

三维FMF的HFCM水声数据分割

针对三维水声数据背景复杂、受噪声干扰严重等特点,提出一种结合三维FMF的HFCM水声数据分割算法,以提高水声数据分割的精度和效率。该算法首先选取三维滤波窗口,利用最大熵阈值法计算出模糊阈值;再结合半高斯模糊隶属度函数对水声数据进行模糊中值滤波;最后采用HFCM算法对滤波后的数据进行分割。对两组不同的三维水声数据进行分割处理的结果表明,该算法能够有效地降低噪声干扰,分割效果要优于未滤波的HFCM以及均衡FMF的HFCM分割算法,并且在分割效率上要明显优于传统的模糊C-均值算法。

模糊嵌套多级中值滤波方法及其在地震数据处理中的应用

多级中值滤波器在地震数据处理应用中,其滤波长度越大,消噪效果越好,但同时也会破坏有效信息.如果为了保护有效信息而减少滤波长度,又会造成大量的噪声不能消除.本文提出一种新的模糊嵌套多级中值滤波器,设计一个阀值作为判断参数,使滤波器能够在消除随机噪声时采用长滤波器滤波,而在保留有效信息时采用短滤波器滤波,从而既能很好地消除随机噪声,又能最大限度地保护有效信息,保留有效信息的细节结构.经过模型分析和实际资料处理都取得了很好的效果.

自适应模糊加权均值滤波器

为了在滤除退化图像中高斯和冲激混合噪声的同时更好地保护图像的细节 ,运用模糊数学的思想提出了一种基于模糊隶属度的加权均值滤波器。该算法利用模糊隶属度函数的概念和裁剪均值滤波器的思想 ,对均值滤波器的权值加以优化 ,使其不仅在降低高斯噪声的能力和保护图像细节方面较传统的均值滤波有所提高 。

一种基于中值-模糊技术的混合噪声滤波器

结合中值与模糊滤波技术,提出了一种新的图像混合噪声滤波算法。算法将受混合噪声污染的图像分为脉冲噪声点集与含有高斯噪声的像素点集两部分,首先进行灰度极值检测,进而借助邻域纹理信息准确检测出脉冲噪声,并以叶l值滤波滤除;对于含有高斯噪声的像素点则采用一利一保护细节的模糊滤波器进行处理。实验结果说明算法不仅能有效地滤除脉冲与高斯混合噪声,而且可以较好地保护图像细节。

一种改进的自适应中值滤波算法

针对未知脉冲噪声强度的退化图像的去噪,提出了一种新的自适应中值滤波算法,该算法主要基于以下两点:(1)根据模糊数学里的模糊度理论及随机脉冲噪声本身的去噪特点,提出了模糊指标的概念,并通过反向二阶拟合来获得噪声的强度信息;(2)引入了反映图像边缘信息的Prew itt梯度算子,并通过实验来得到合适的梯度阈值,以更好地保持图像的边缘等细节信息。通过将该算法与传统的中值滤波、基于排序阈值的开关中值滤波以及Sorin Zoican提出的改进的中值滤波进行的对比实验表明,该算法对噪声的强度有很好的估计,不仅提高了噪声去除的自适应性,尤其对含噪声多的图像的处理效果更为理想。

基于模糊神经元网络的图像融合滤波

为解决图像滤波处理过程中噪声的有效去除和图像细节保留两者难以兼顾的问题,引入了神经网络信息融合技术,通过设计的模糊神经元网络(FNN)对多级F IR中值混合滤波(M FMHF)和5×5中值滤波进行融合,使融合图像在噪声滤除和细节保留上获得较好的平衡。实验仿真表明,FNN网络的融合有效,而且FNN网络的融合性能和学习效率比BP网络更好。

模糊加权均值滤波器

主要研究了受混合噪声污染图象的降噪滤波问题，运用模糊数学思想提出了一种基于模糊隶属度的加权均值滤波器．该算法利用模糊隶属度函数的概念，对均值滤波器的权值加以优化，使其不仅在降低高斯噪声的能力方面较均值滤波有所提高，而且对于脉冲噪声及混合噪声也有很好的抑制能力．

一种混合噪声的模糊滤波算法

为了解决混合噪声图像增强中抑制噪声和保持边缘细节的矛盾,提出一种基于多级中值滤波和模糊加权均值滤波的图像模糊去噪方法。根据不同的区域,不同噪声,通过模糊推理,模糊合成多级中值滤波和模糊加权均值滤波的结果,在滤除混合噪声的同时,保留图像的边缘细节。根据实验结果,从客观和主观两方面比较了本算法和几种方法的效果,表明本方法有较好的抑制噪声,保持图像细节对比度的能力。

一种新的图像去噪混合滤波方法

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模糊加权均值滤波的混合滤波方法。该方法首先进行噪声检测把受高斯型噪声污染的像素和受脉冲型噪声污染的像素区别开来,然后对受高斯噪声污染的像素采用模糊加权均值滤波算法,而对受脉冲噪声污染的像素则采用改进的中值滤波算法进行去噪。仿真结果证明,该方法更具有实用性和有效性。

一种新的SAR图像的边沿检测方法研究

该文针对合成孔径雷达(SAR)图像的特点,利用小波变换的高频分量能反映边沿细节的特性,提出了一种结合小波变换、模糊中值滤波、自适应门限判决和微分梯度算子的边沿检测的新方法,在采用模糊中值滤波时,提出了一种自适应选择模糊中值滤波系数的方法。实验研究的结果表明该方法具有良好的边沿检测效果和稳定性。

一种基于模糊逻辑的图像自适应去噪算法

为克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失,使图像变模糊的缺陷,提出一种新的基于模糊逻辑的图像自适应去噪算法.新算法通过分析像素不同方向邻域像素灰度值分布情况来检测脉冲噪声点,另外为更好地保持图像边缘等细节特征,使用改进MMEM(maximum-minimum exclusive median)算法对噪声像素点的灰度值进行估计.最后,新算法通过引入模糊逻辑规则,更加合理地进行噪声污染像素点的灰度值复原.仿真结果表明,与其他改进中值滤波算法相比新算法在去除脉冲噪声时能取得更好的效果.

基于模糊技术的随机噪声消除算法

在前文的基础上 ,提出了迭代模糊中值滤波算法 ,对随机噪声图象进行预处理 ,将随机噪声图象转化成盐椒噪声图象 ,然后利用FDWM进行噪声去除 .这样就使得FDWM可用于消除多种噪声 .

一种改进的Canny边缘检测算法

针对经典Canny边缘检测算法的一些问题,提出一种既具有较好的抗噪声能力又能自适应提取较多边缘细节改进的Canny边缘检测算法。该算法思想是先进行图像的预处理,包括基于模糊数学方法去除背景噪声的干扰,利用中值滤波和高斯平滑滤波去除图像中的随机噪声。然后,通过差分方法获得图像中各像素点的梯度矢量和梯度幅值,采用非极大值抑制方法获得极值点。最后,基于最大熵自动获取阈值,根据极值点图像和阈值得到边缘图像,使用边缘跟踪算法将不连续的边缘连接起来,并去除孤立噪声点。实验结果表明:改进算法所获得的边缘图像平均提高8 dB,与传统方法相比,可获得更加连续的边缘和更少的噪声点。

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 .

基于模糊神经网络的图像滤波算法(英文)

针对传统的线性和非线性图像滤波算法对含有丰富细节的图像滤波处理的不足,提出一种基于模糊神经网络的图像滤波算法。该算法利用神经网络的自学习功能训练标准样本以确定模糊贴近度阈值,在基本不改变原有图像的灰度信息的前提下,找出图像受到噪声污染的像素点,采用迭代中值滤波算法得到的中值替换噪声点。仿真实验表明该方法有很好的滤波效果,优于传统的图像滤波算法。

基于灰度波动的水下图像分割

为了改善低对比度、富含噪声以及非均匀亮度的水下图像的分割效果,本文提出一种基于图像灰度波动特征的分割方法,该方法采用了非对称的自适应中值滤波的方法来改善图像的前景目标与背景之间的边缘特性,分别从行和列的方向上检测出大尺度的波峰和波谷,再通过局部阈值分割来确定图像中的前景目标边缘,最后将行与列的分割结果取交集,得到图像分割的最终结果。仿真结果表明:与基于模糊熵或者模糊聚类的图像分割方法相比,本文的算法性能更优,分割效果更好。