基于多重检测及双权值的椒盐噪声自适应滤波算法

提出一种针对椒盐噪声的扩大窗口多重检测及使用双权值的自适应滤波算法。采用对可疑噪声扩大窗口进行多次重复检测来提高对噪声的判别,采用基于图像整体相似度和像素相似度的两种权值构造加权滤波函数,采用噪声剪切和自适应窗口实现滤波。实验表明,算法对不同密度的椒盐噪声具有良好的适应性,在高密度噪声下去噪效果有明显改善。     

图像椒盐噪声的分阶段中值滤波算法

针对自适应中值滤波算法的缺陷——对高密度椒盐噪声图像滤波后留下黑色斑块,提出了一种分阶段中值滤波算法.该算法对图像执行两次小窗口的滤波操作,相较于采用较大窗口的滤波,其在有效去除噪声的同时降低了结果图像的模糊程度.先对所有噪声点进行一次中值滤波消除了盐粒噪声,再用窗口内非噪声点的灰度中值代替胡椒噪声点的灰度值以去除黑色斑块.最后的仿真实验结果表明,本文算法既有像自适应中值算法一样滤除低密度椒盐噪声的良好性能,又有对高密度椒盐噪声图像的降噪能力。     

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.     

一种抑制混合噪声的灰色关联滤波算法

在传统中值、均值滤波算法的基础上借鉴灰色关联理论,提出了一种有效抑制混合噪声的滤波算法.算法采用窗口自适应策略,先统计3×3滤波窗口内椒盐噪声点数目,如果数目大于7,则扩大窗口至5×5.计算各点关联系数,将滤波窗内非椒盐噪声点的灰度值作为比较序列,它们的中值或均值作为参考序列,对于椒盐噪声的滤除参考序列使用中值,对于高斯噪声的滤除使用均值作为参考序列.然后将各非噪声点灰度值与关联系数加权运算,得出的灰度值替换噪声点像素值.通过实验验证了几种算法的性能差别,证实了算法具有较强的去噪能力和边缘保护效果.     

模糊理论处理高密度椒盐噪声的新方法

利用模糊数学理论对图像滤波算法进行了研究.针对高密度椒盐噪声,讨论ROAD统计量检测噪声的能力, 探讨高密度椒盐噪声的处理方法, 结合椒盐噪声的性质提出了一种噪音检测的新方法, 并基于像素相似度进行去噪,采取分离出噪音点的处理思路, 得到了比较好的结果.     

一种新的基于脉冲噪声点检测的自适应中值滤波算法

传统的中值滤波算法在去除脉冲噪声时会造成图像细节信息的丢失,从而使图像变得模糊,提出一种新的基于脉冲噪声点检测的自适应中值滤波算法.该算法先检测出脉冲噪声点,采用自适应窗口对噪声点进行中值滤波.仿真实验表明,与传统中值滤波相比,这种新算法很好地保留了图像的细节,提高了峰值信噪比.     

一种混合噪声图像去噪的平滑算法

提出了一种新的混合滤波算法,对混有高斯和椒盐噪声的图像进行去噪处理.该算法首先对受椒盐噪声污染的像素点,采用自适应中值滤波算法进行去除;然后利用高阶统计量针对高斯噪声的不敏感特性,对受高斯噪声污染的像素点,采用其周围梯度和最小的几个点的灰度平均值来代替其灰度值去除噪声.实验结果表明,该算法能够在去除高斯和椒盐噪声的同时,保留更多的图像细节信息,特别是对感染较大噪声的图像有更好的去噪效果.     

一种去除高密度椒盐噪声的非线性滤波算法

针对高密度椒盐噪声污染图像的去噪问题,提出了一种有效的非线性滤波算法。在噪声检测中利用域值划分法,先将噪声图像像素点分为信号点和准噪声点,建立噪声矩阵,然后再利用图像边缘特性及局部统计信息,进一步明确噪声点。对于噪声点,采用以该点为中心的多窗口像素点中值及该点像素值的中值进行替换。实验结果表明,该算法对较高密度椒盐噪声...     

基于噪声检测的彩色图像滤波算法

对于被脉冲噪声污染的彩色图像,提出了基于噪声检测的彩色图像滤波算法。运用脉冲噪声检测器,估计出图像中的噪声像素,应用后续滤波算法,只对检测出来的噪声像素进行滤波,而对非噪声像素(即信号像素)保持其值不变。并对基于相似度的自适应滤波算法加以改进,作为后续的滤波算法。实验结果表明,提出的滤波算法与传统滤波算法相比,在有效消除噪声的同时,更能够保留图像中的边缘和细节特征。     

具有去除椒盐噪声能力的改进双边滤波算法

针对双边滤波器不能有效去除椒盐噪声这一特点,本文提出了一种自适应大小的模板替换算法,通过先替换双边滤波模板区域像素值,再对替换后的模板区域做双边滤波,使其在具有双边滤波保边并去除低频噪声能力的基础上兼具去除椒盐噪声的能力.实验结果证明:本文提出的算法在双边滤波的基础上可以有效去除图像中的椒盐噪声,与几种经典去除椒盐噪声的算法相比,在噪声密度10%~90%的情况下,峰值信噪比(PSNR)平均值提升5.8%以上,结构相似性(SSIM)平均值提升2.75%以上.     

基于L~1范数变分模型的高密度椒盐噪声滤波

针对现有图像滤波算法在去除高密度椒盐噪声方面的不足,提出了一种基于L1范数变分模型的去噪算法.该算法首先根据椒盐噪声的特点和像素的局部灰度特征分离出噪声点和信号点,在滤波过程中,对信号点不予处理,而对噪声点采用基于L1范数的变分模型进行恢复.由于椒盐噪声的灰度值与原始像素无关,因此,去噪时只利用噪声点邻域内信号点本身的灰度信息,并将已处理过的噪声点当作新的信号点,以避免对下一像素滤波时的影响.最后通过仿真实验,结果表明,在高密度噪声条件下(50%),该算法的噪声去除能力和细节保护能力均可获得令人满意的结果.     

一种基于邻域噪声评价法的图像去噪算法

常用的经典脉冲噪声滤波方法在去除图像脉冲噪声的过程中,常常造成图像细节信息的丢失,导致图像模糊不清.为了克服这一缺陷,提出了一种新的基于局部相似度分析和邻域噪声评价的图像去噪算法.该算法通过分析图像中各像素点的局部相似度来确定图像的轮廓和噪声,再通过邻域脉冲噪声评价法检测出脉冲噪声点,使图像处理仅处理噪声点而保持轮廓像素点不变,更有效地改善了噪声检测精度,并保护了图像的细节特征.实验结果表明,这种新算法较其他经典滤波器具有更有效的图像去噪和细节信息保护性能,具有一定的应用价值.     

结合循环迭代方法的自适应中值去噪新模型

针对传统去除椒盐噪声方法在图像噪声密度较高时去噪性能较差的缺点,本文提出了一种结合循环迭代方法的自适应中值去噪新模型,提高了高密度椒盐噪声下去噪算法的性能.该滤波器工作模式可分为三个阶段：首先,图像疑似噪声点预处理,通过极值判断法,将待处理像素点进行区分得到疑似噪声点;其次,确定噪声点处理,将已确定噪声点用邻域内的中值或均值自适应替换,从而完成去噪;最后,疑似噪声点再次处理,通过算法内置参数和条件,进一步判断疑似噪声点是否为噪声点.该模型还加入噪声标记点方法,通过迭代处理判断标记点结束去噪,得到滤波后的图像.仿真实验证明,本文提出的方法较传统的几种去除椒盐噪声滤波算法,针对无论是低密度噪声图像或是高密度噪声图像,去噪性能都有一定的提升,且能够较好地保留图像边缘和纹理等结构信息.     

应用中值滤波法消除高密度椒盐噪声算法

中值滤波被广泛应用于消除图像的椒盐噪声,对于图像中的每一个噪声像素,用3×3窗口内非噪声像素平均值代替该噪声像素,然后将其更新为非噪声像素,使它能够立即参与后面相邻噪声像素的均值计算,这样不需要迭代过程和改变窗口尺寸,改进的中值滤波就能滤除高密度椒盐噪声。实验结果表明：本文的算法能有效地消除噪声,较好地保持原始图像的细节;计算时间少,具有较大的实用价值。     

基于邻域均值的去椒盐噪声算法

为了改善图像效果,利用图像邻域相关性提出了一种适用于椒盐噪声的图像去噪滤波算法.首先利用最大最小法则检测出被椒盐噪声污染的像素点,然后将被污染像素点邻域中的8个像素点按距离远近分为两类,最后利用近距离邻域中未被污染像素灰度值的均值重构图像灰度值.当近距离邻域像素全部被污染时,以远距离邻域中未被污染像素灰度值的均值代替该点的灰度值.仿真结果表明,该算法具有较大的峰值信噪比,能有效地抑制椒盐噪声并保护图像的细节.     

一种新的混合噪音滤波器加速算法

混合噪音滤波器MNF是目前滤波效果最好的算法之一,然而,由于它采用非局部算法思想,所以存在较大的计算负担,针对该不足,提出一种基于均值和方差相似性的加速算法(FMNF).该算法之关键思想是对邻域像素预分类,把两像素的均值比和方差比均在给定阈值范围内(接近于1)的邻域像素分为一类,视为相似像素,相似的像素参与滤波计算,不...