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。     

一种有效去除椒盐噪声的开关中值滤波器

图像去噪追求的目的是既能去除图像中的噪声,同时又能较完整的保持图像的细节信息。在研究几种基于中值的椒盐噪声去除方法基础上,设计了一种有效去除图像椒盐噪声的开关中值滤波器。提出的算法首先利用图像灰度值的两个极值把像素点分为信号点和可能噪声点。在滤波阶段,对于信号点保持其灰度值不变,对于可能噪声点分两步进行处理:根据噪声密度决定滤波窗口尺寸并判断滤波窗口内是否包含信号点,如果无信号点则以窗口内像素的中值作为可能噪声点的恢复值,这一步可对误判噪声点进行纠正;而其余可能噪声点采用极值舍弃滤波和递归滤波估计其灰度值,滤波窗口尺寸固定为3×3,这一步用来去除噪声和保持图像细节。实验结果表明,本文算法在主客观方面都优于相比较的方法,且对不同水平的椒盐噪声都具有较好的去除性能。     

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.     

基于改进PCNN模型的椒盐噪声级化滤波方法

为有效滤除椒盐噪声同时保留图像的灰度细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN简化模型进行一次点火过程,定位灰度图像中被噪声污染和未被噪声污染的像素点,然后采用提出的级化中值滤波算法对已定位的噪声点进行滤波而保持其他像素点不变.仿真实验表明,提出的方法对不同强度的椒盐噪声图像均有较好的滤波性能.比较已有的滤波算法,该算法能在高噪声强度时有效滤除噪声并同时很好地保留图像的边缘细节,实验结果证明了算法的有效性.     

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.     

一种基于各向同性集的模糊滤波算法

图像中的椒盐噪声是一种特殊的噪声,处理不当会使图像本身的细节变得模糊不清,从而使图像降质,中值滤波能够有效地抑制椒盐噪声,但模糊了图像中的一些细节。因此结合方向图,提出了一种基于各向同性集的模糊滤波算法,不仅能够有效地抑制椒盐噪声,而且能够较好地保持图像细节,该算法大大优于中值滤波。     

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.     

利用图像统计特征的的自适应中值滤波算法

椒盐噪声是图像中一种常见的噪声,如何去除椒盐噪声一直是图像处理研究的热门领域。自适应中值滤波是去除椒盐噪声较好的算法,该算法认为极值点是噪声点,实际上极值点有可能是噪声点也有可能是图像细节点。本文针对极值点提出了基于局部区域均值和方差信息和细节点在某一方向上是连续的特性进行极值点两次判定的算法。     

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．     

数字图像的混合噪声去除

针对混有高斯噪声和椒盐噪声的数字图像去噪,提出一种混合噪声滤波算法.首先判断滤波窗中心像素是否是噪声点,如果是噪声点,则取窗口内与其他像素灰度差值绝对值和最小的那个像素值作为噪声点的灰度值;否则,不改变当前像素值.通过实验分析比较,该算法能够在去除噪声的同时更大限度地保留图像的细节信息,并且由于算法在时域内进行,其运算...     

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.     

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．     

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.     

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.     

一种去除灰度及彩色图像椒盐噪声的新方法

 提出了一种新的用于去除灰度、彩色图像椒盐噪声的方法.首先,通过简单而有效的检测识别可能的噪声像素.然后,用其邻近非噪声像素替换识别出的噪声像素.实验结果表明此方法在去除噪声,保护细节方面优于传统的算法和近年来提出的改进算法.     

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.     

一种改进的自适应图像中值滤波方法

针对标准中值滤波方法存在的不足,提出了一种改进的自适应中值滤波方法。该方法用求得的均值自适应代替原噪声图像的灰度值。实验结果表明,与标准中值滤波方法相比,该方法在滤除噪声的同时,保留了图像细节且有较好的信噪比,尤其对含噪声密度高的图像的处理效果优势更为明显。     

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。     

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。