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.     

基于小波变换的图像混合去噪算法

提出基于小波变换与中值滤波相结合的方法,实现了图像去噪。该方法在去噪之前,先通过小波边缘检测确定图像边缘特征的小波系数,保留这些位置的小波系数,其不受阈值去噪影响,对其它位置的小波系数进行自适应阈值去噪,去除高斯噪声。然后对图像进行中值滤波,去除椒盐噪声。该算法的实验结果表明,不仅能滤出图像中高斯噪声和椒盐噪声的混合噪声,而且能较好地保留图像的边缘细节,其滤波效果优于传统的图像去噪方法。     

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.     

中值滤波在气象传真图中降噪的分析

针对气象传真图中含有大量的椒盐噪声,提出一种去噪效果更好的算法——自适应中值滤波算法.通过对中值滤波算法应用在气象传真图降噪中的效果仿真验证,并将各种去除椒盐噪声算法进行比较.研究结果表明,中值滤波算法能够有效去除气象传真图的噪声.     

快速二步交叉非局部的图像混合噪声滤波器

真实的自然图像常被各类图像噪声污染,而传统去噪方法普遍只针对一种噪声类型设计,因此在处理混合噪声时往往去噪效果不佳.针对这一问题,提出一种快速二步交叉非局部混合滤波算法.该滤波包括二步交叉滤波部分与整体滤波部分,在二步交叉滤波部分,首先找到像素灰度的极值点进行定位,并使用非局部中值滤波对极值点进行简单的去除椒盐噪声,求出图像的差值积分图,最后使用改进的加速非均值滤波进一步去除噪声.在整体滤波部分,使用非局部中值滤波整体去除噪声.实验结果表明,所提算法在高强度的混合噪声污染情况下,修复的图像获得了更高的测量指标和更加理想的视觉效果.     

基于方向信息自适应2次噪点检测的降噪方法

椒盐噪声的处理是图像噪声处理的重要环节,针对传统中值滤波方法存在的不足,提出1种基于方向信息自适应2次噪声点检测去椒盐噪声的方法.该方法在噪声密度不同时进行分类处理,小于某一阈值时通过方向信息区别边缘点和噪声点,降低噪声点误判的概率,在噪声密度大于某一阈值时,将所有可疑噪声点全部确定为噪声点.之后对确定的噪声点进行改进的自适应中值滤波,根据窗口中非噪声点的密度不同采用不同的滤波方法.在处理加入噪声密度为80%的Lena图时,PSNR达到28.97 d B,SSIM达到0.981 2,实验结果表明,能够去除图像中的椒盐噪声,对不同密度噪声降噪鲁棒性较强.     

改进的中值滤波算法应用于的冲噪声的滤除

中值滤波是广泛应用于去除脉冲噪声的一种非线性去噪方法，但是单一地使用中值滤波方法去除脉冲噪声会造成图像细节信息的丢失，从而使图像变得模糊．基于噪声点检测的脉冲噪声滤波方法可以在滤除噪声的同时有效地保持图像的细节信息．本文在此基础上提出了一种改进的基于噪声点检测的脉冲噪声滤波算法，该算法在检测噪声点时用被检测点的中值滤波结果作为判定该点是否为噪声点的依据．而在滤除噪声时，采用的是迭代的中值滤波算法．从实验结果中可以看到。与其它中值滤波算法相比。本文的算法在去除脉冲噪声时能取得理想的去噪效果．     

一种去除图像混合噪声的新方法

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与小波去噪的图像去噪算法。该算法首先检测出脉冲噪声点,并采用自适应窗口对脉冲噪声点进行中值滤波处理,然后用基于高斯混合模型的小波去噪法滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和小波去噪法好得多。     

基于同值压缩的自适应中值滤波

为了在图像去噪处理中更好地保持或还原图像细节,针对脉冲噪声,把滤波窗口中等值的像素压缩后作自适应中值滤波,提出基于同值压缩的自适应中值滤波算法,并用实验来检测其优越性.该滤波算法执行速度快,去噪性能和图像细节保持及还原能力明显优于经典中值滤波及自适应中值滤波.     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

基于中值滤波和分数阶滤波的图像去噪与增强算法

为了避免经典中值滤波器对图像的模糊化,设计了一个噪声检测模型.通过对噪声的检测,设计了一种开关滤波器.当检测点为噪声时,使用中值滤波器进行去噪;当检测点为非噪声点时,利用分数阶微分滤波器对图像进行增强.所提算法不仅能有效地去除图像中的椒盐噪声,还能对图像进行增强,使图像在边缘突出的情况下完好地保留细节.选择“Lena”等经典图像进行多次实验与分析,结果表明了所提算法在图像去噪和增强方面的有效性.     

非局部的可切换滤波图像椒盐噪声去除方法

针对图像被高强度椒盐噪声污染的问题, 提出一种可切换的非局部去噪算法. 首先将噪声图像切割为若干局部块作为算法的基本处理单位, 设计块的预修复过程, 以避免由于高噪声污染对局部块的干扰, 保证相似度度量和模型估计过程的准确性; 其次, 在非局部范围内构造非局部滤波器, 度量相似度并计算修复权值以进行噪声修复, 得到全方位的图像去噪效果. 实验结果表明, 该算法较传统局部信息构建滤波器的方法, 无论对低污染程度的图像, 还是高污染程度的图像, 在效果和图像衡量指标上均有一定的提升.     

非局部的可切换滤波图像椒盐噪声去除方法

针对图像被高强度椒盐噪声污染的问题, 提出一种可切换的非局部去噪算法. 首先将噪声图像切割为若干局部块作为算法的基本处理单位， 设计块的预修复过程, 以避免由于高噪声污染对局部块的干扰, 保证相似度度量和模型估计过程的准确性； 其次, 在非局部范围内构造非局部滤波器, 度量相似度并计算修复权值以进行噪声修复, 得到全方位的图像去噪效果. 实验结果表明, 该算法较传统局部信息构建滤波器的方法, 无论对低污染程度的图像, 还是高污染程度的图像, 在效果和图像衡量指标上均有一定的提升.     

基于梯度倒数的无人机遥感图像融合滤波方法

为了实现对无人机遥感图像去噪处理时兼顾滤波和边缘保持效果,提出了一种基于梯度倒数的无人机遥感图像融合滤波方法——梯度倒数自适应开关均中值滤波。首先计算出模板内中心像素点与邻近像素点的梯度导数;然后选取局部梯度变化阈值,并定义标志数组来标记各像素点是否超过梯度变换阈值。最后,如果当前滤波像素点超过梯度阈值,则采用提出的自适应开关均中值滤波;否则采用梯度倒数加权平滑方法处理。该方法结合了图像的梯度信息,利用图像的连通性和相关性原理以及自适应开关均中值滤波算法去噪的优点,在去除高斯噪声和脉冲噪声同时可以很好地保持图像的边缘和细节信息。实验结果表明:与传统梯度倒数加权平滑方法相比,算法滤波后图像的平均梯度提升3. 16%,MSE下降了约5%,可以有效提升滤波后无人机遥感图像质量,应用价值明显。     

基于中值滤波和维纳滤波的图像混合噪声滤波研究

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与维纳滤波的图像去噪算法。该算法首先检测出脉冲噪声点,并对脉冲噪声点进行中值滤波处理,然后用维纳滤波滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和维纳滤波好得多。     

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。