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.     

基于小波包分析的InSAR干涉图滤波算法研究

论述了小波包分解和重构的基本理论以及利用小波包分析对信号进行消除噪声的基本方法.针对目前采用中值滤波方法和均值滤波方法的局限,提出了一种基于小波包分析的InSAR干涉相位图滤波算法以改善滤波效果,采用熵标准实现最佳分解.选取三峡地区的两幅相干图像进行滤波实验,实验结果是:采用中值滤波方法滤波后的残差点数为4 952点和86 058点,而采用小波包分析方法滤波的干涉相位的残差点数为524点和14 225点.图3,表1,参10.     

具有细节保护特性的多级中值滤波算法

提出了一种改进的中值滤波算法。该算法对中值滤波进行了两方面的改进，一方面基于区域的统计信息，对噪声点进行分析；另一方面对多级中值滤波的方向进行自适应处理。与中值滤波相比，它具有更好的平滑噪声和边缘保持功能，而且能有效地滤除图像中的随机噪声。     

一种基于Rank变换的改进中值滤波

针对传统中值滤波对孤立噪声点和连续噪声不能有效滤波等问题,提出了一种改进算法：首先通过Rank变换,找出图像中所有的孤立噪声点,然后遍历图像对孤立的噪声点采用中值滤波,最大限度保持图像细节,有效地解决了在抑制图像噪声和保护图像细节方面的矛盾,对图像中孤立噪声,蕞唷较好的滤波效果;随后,进一步针对少量连续噪声点的情况,采用迭代算法对上述改进中值滤波算法结果进行处理,来解决连续噪声的滤波问题．试验结果表明,本文算法滤波后的图像效果明显好于传统滤波方法,能够有效地去噪,并能较好地保持图像细节和边缘．     

非线性滤波器的边缘保持效果比较分析

对数字图像进行去噪操作是图像预处理过程中的重要组成部分。研究了在使用不同的非线性滤波器对图像进行去噪操作后对于图像边缘信息的保留效果。实验选取中值滤波、BM3D滤波器和双边滤波器3种非线性滤波器对被高斯噪声和椒盐噪声所污染的图片进行去噪操作。实验结果表明,在只有高斯噪声的情况下,3种滤波器都能收获较好的滤波效果,而在只有椒盐噪声的情况下,双边滤波的去噪效果较差。在3组实验中,BM3D在对图片进行去噪时对于边缘信息的保持最好,而中值滤波和双边滤波会损失较多的图片边缘信息,在对图片进行滤波时,BM3D消耗的时间资源较多。     

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。     

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。     

一种有效的脉冲噪声滤波算法

提出了一种新的图象脉冲噪声消除算法,该方法可以快速有效地去除图象中的脉冲噪声,并保留图象的细节。该算法主要通过利用象素点邻域的中值与最大、最小值信息,决定噪声象素的取值。对本算法与中值滤波算法进行了分析仿真,结果表明,本算法去除噪声与保留细节的效果好,对高强度的脉冲噪声也有比较好的滤波效果。     

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.     

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.     

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．     

一种有效的自适应中值滤波算法

针对标准中值滤波算法的不足,提出改进的自适应中值滤波算法。该算法利用极值的方法统计图像噪声点,然后计算以噪声点为中心像素的予窗口的方差,对噪声点采取多窗口、多尺度的滤波。最后自适应选择方差最小的予窗口滤波。经过计算机模拟实验,采用该算法滤波,既能有效地平滑噪声,又能保存细节,效果远优于标准中值滤波算法。     

图像的多图加权求和去噪

本文提出了一种基于同一图像的多图加权求和的去噪方式。由于均值滤波器和中值滤波器对不同噪声的抑制作用,单独采用哪种滤波器都不能达到很好的去噪效果。因此,本文将图像分别进行均值滤波和中值滤波,将得到的两幅图像与原信号进行加权求和,原图像的信息对滤波后的图像起到一定的补偿效果     

高噪声率下一种改进的极值型中值滤波算法

在对极值中值滤波算法进行研究与分析的基础上,提出一种在高噪声环境下改进的极值型中值滤波算法,该算法在原有算法的基础上提出如下改进:去除窗口中的全部噪声点,只对由信号点组成的有序序列取中值,并以该值作为输出值.实验表明,该方法滤波效果比较理想.     

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.     

均值加速的快速中值滤波算法

中值滤波是图像处理中常用的滤波方法 ,该方法能够在有效地去除噪声的同时保持图像的边缘细节。但由于其运算的时间复杂度高 ,在滤波子窗尺度较大时 ,不能满足大型图像实时处理的需要。提出了一种利用均值加速的快速中值滤波算法 ,它能有效地降低中值滤波算法的时间复杂度 ,将计算效率和运算速度提高到传统快速滤波算法的两倍以上。该算法应用于大型辐射图像的滤波处理中 ,取得了良好的效果 ,提高了图像滤波的速度 ,增强了图像处理的实时性     

一种改进的中值滤波算法及其应用

为有效解决传统中值滤波算法在保护图像细节方面存在的缺陷,提出了一种改进的中值滤波算法.该算法对滤波窗口中像素进行了分块处理,再对处理的数值取中值.通过对图像边缘像素进行横向和纵向扩展,改善了图像的边缘信息.将该算法应用到医学图像中,并将实验结果与其他算法进行了比较,证明了本文算法的有效性,在去除噪声的同时,更好地保护了图像的细节.     

利用中值滤波进行图像处理

从人眼的结构和视觉特性出发 ,研究了图像中噪声产生的机理和消除的方法 ;提出了利用中值滤波法消除图像噪声的实用方法 ,对影响图像信号的不同噪声采用了不同的滤波方法 ,并对信号的频谱和滤波的效果进行了研究和分析。利用中值滤波法消除图像中的随机噪声是图像噪声处理的最佳方法。     

带修正因子的均值和中值滤波算法研究

大部分自然图像同时包含高斯噪声和椒盐噪声,简单地运用传统的滤波算法不能得到理想的滤波效果.为了解决混合噪声图像的滤波问题,分别针对以高斯噪声为主的混合噪声图像和以椒盐噪声为主的混合噪声图像,提出了带修正因子的均值滤波算法和带修正因子的中值滤波算法.这两种算法在修正后的阿尔法均值滤波算法的基础上做了两方面的改进:首先,提出在图像邻域内为不同灰度值的像素点给出归一化的权值,用这些权值和与其对应的灰度值共同决定滤波输出.其次,所设计的权值可以用修正因子来进行微调,来获得理想的滤波效果.实验证明,其处理效果优于传统滤波算法和修正后的阿尔法均值滤波算法.     

多邻域中值滤波算法在医学图像中的应用

目的:克服现有的滤波算法在噪声检测与噪声滤除上的缺陷,进一步提高去噪性能.方法:提出了多邻域中值滤波算法,对噪声检测和噪声滤除的方法分别进行改进.算法用邻域中的灰度极值进行噪声检测,对检测出来的可疑噪声,用邻域的中值作进一步的噪声检测.对噪声像素,在其邻近的9个邻域中分别求出信号像素的中值,然后用所有中值的中值作为噪声像素新的灰度.结果:基于医学图像的实验结果证明,相对于现有的算法,所提出的算法的去噪图像更加清晰,去噪结果的PSNR和SSIM值更高.结论:所提出的算法在彻底去除噪声的同时,很好地保持了图像的纹理边缘和细节,相对于现有的滤波算法,具有更好的去噪性能.