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．     

一种改进的自适应中值滤波方法

非线性滤波方法中中值滤波因其有效的噪声抑制技术,得到广泛应用。针对传统的自适应中值滤波易将高频信号点误分为噪声点,同时容易模糊图像细节的问题,提出一种改进的自适应中值滤波方法。在进行噪声点检测时,引入了最小集合距离测度,有效地避免了将高频信号误判为噪声。实验结果表明,该方法在检测正确率、降噪和保留细节方面都优于改进前的算法。     

一种改进的最优全方位结构元约束层叠滤波设计方案

改进的中心加权中值滤波方案较常规中值滤波方案对图像的降噪或噪声衰减能力较强,同时对图像的边缘保持较好;而最优全方位结构元约束层叠滤波适于消除加性白噪声和脉冲噪声,但对图像高频部分的微波细节的保持能力较差,于是在最优全方位结构元约束层叠滤波设计中引入改进的中心加权中值滤波的主要思想,得到了一种新的滤波改进算法,从理论分析和图像处理仿真实验表明,该类滤波器既有有效地滤除噪声,又可充分保留原图像的细节信息。     

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。     

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。     

基于梯度倒数加权和中值滤波的图像平滑改进算法

分析了传统梯度倒数加权和中值滤波算法的特点,根据图像的相关性和连通性原理,利用邻域窗口中像素间的梯度信息,对像素进行平滑处理前先对该像素是否为噪声点进行判断,提出了一种基于梯度倒数加权和中值滤波的图像平滑改进算法。实验表明,改进算法较原算法能够更好地去除椒盐和随机噪声,同时较好地保持了图像的细节信息,处理过程的运算复杂度与原算法相当。     

一种基于邻域信息的椒盐噪声滤波算法

中值滤波是最早提出的一种有效抑制椒盐噪声的滤波算法，但其最大的缺点是模糊了细节部分．提出了一种改进的中值滤波算法，根据待测点与相邻像素点之间灰度值的相似性来区分噪声点与图像点，对噪声点应用中值滤波，而对图像点保留其灰度值不变，该算法在有效抑制椒盐噪声的同时能很好地保护细节．     

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.     

高噪声率椒盐噪声污染图像滤波

针对高噪声率椒盐噪声污染的数字图像,改进了基于灰色绝对关联度的像素类型判别,可识别出离散噪声(或边缘点)、聚集噪声与非边缘点。对于离散噪声(或边缘点),采用自适应中值滤波算法进行平滑,兼顾噪声滤除和细节保存。对于聚集噪声,在去除邻域内噪声点后取剩余像素均值作为滤波结果;而对于非边缘点则直接保留。实验结果表明,滤波算法对于高噪声率椒盐噪声具有良好的滤波效果,还能较为有效地保留图像细节。     

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。     

一种新的脉冲噪声图像恢复方法

为消除图像中的脉冲噪声, 提出一种窗口自适应开关中值滤波方法. 利用BP神经网络将图像中的每个像素点分类为信号点或噪声点, 再采用改进的中值滤波器对检测后的图像进行滤波处理. 根据噪声检测结果, 滤波器自适应调整窗口大小并选择性取样, 逐点滤波消除图像中的噪声. 该方法在抑制脉冲噪声、 保护图像细节方面均优于以往基于中值滤波的法, 即使在图像遭受70%噪声污染的极端情况下, 仍能得 到很好恢复.     

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.     

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。     

自适应阈值的小波去噪改进算法研究

基于小波变换的图像去噪方法在消除噪声的同时,可有效保留图像边缘细节信息,是近阶段图像去噪领域研究与应用的热点.现有的基于小波阈值法的去噪算法多为全局阈值,易引起边缘模糊.因此,在阐述小波去噪基本原理的基础上,将小波变换和多尺度边缘检测两者结合,充分考虑小波分解不同层数的特性,提出一种具有自适应阈值的小波图像去噪改进算法.实验表明,改进算法与传统去噪方法(维纳滤波法)及一般小波阈值法(VisuShrink阂值法、NormalShrink阈值法、BayesShrink阈值法)相比,可有效去除多种程度的加性高斯白噪声,更好保留图像边缘细节信息.