基于分数阶微分梯度的噪声检测算法

为了在图像去噪的同时,更多地保留图像原有的特征信息,本文将分数阶积分理论引入到数字图像去噪中,通过分数阶微分梯度算法确定图像中噪声的位置,如果只对噪声点进行去噪处理,就可以有效保护图像的纹理和边缘信息.实验结果表明,基于分数阶微分梯度的噪声检测算法可以更准确地确定图像中噪声点像素的位置.     

自适应窗口的图像平滑去噪

传统平滑去噪常常引起图像结构信息的损失,本文在分析了结构信息损失原因的基础上,设计一种新的自适应平滑窗口进行去噪,达到既去除了窗口内的噪声,又能保留结构信息的目的.该方法首先运用梯度来表示含噪图像的结构信息大小和方向,并以此为据设计窗口的尺寸和方向.梯度越小窗口尺寸越大,窗口形状和方向随着梯度的变化而变化,使得窗口内图像像素的个数在梯度较小的方向上增加.其次,为了保留窗口内图像结构信息运用高斯函数进行去噪处理.与传统去噪相比,由于该方法对图像边缘和纹理以及平滑区域采用了不同的窗口进行去噪,从而抑制了结构信息对去噪的影响,提高了图像的视觉效果.     

基于保边函数的图像去噪

为解决传统去噪算法对图像平滑区域效果较好,但存在边缘模糊且残余噪声较大的不足,在分析传统各向同性扩散的基础上,以去噪目的为先验知识建立保边去噪模型,提出了基于保边函数的图像去噪算法.该算法对图像平滑区域进行各向同性的平滑处理,保留了传统算法的优点;对图像边缘区域进行各向异性处理克服了传统算法的边缘模糊现象.实验结果表明:基于保边函数的去噪算法具有残余噪声较小和保边性,提高了图像的PSNR和视觉效果.但是对图像中的较小边缘误作为噪声被去除.     

基于边缘检测的高斯噪声滤波算法

针对传统去噪方法在滤除高斯噪声时导致图像边缘细节模糊的情况,提出一种基于边缘检测的去噪算法。先用Canny算子检测图像边缘,对边缘部分用K近邻平滑滤波器去噪,再对非边缘区域像素用改进的加权均值滤波器去噪。该算法具有较好的边界保持效果,与同类去噪算法相比具有更高的峰值信噪比。     

基于Hermite插值的彩色图像边缘检测技术

针对现有的边缘提取方法存在的不能同时解决抑噪能力强和保证边缘连续性好的问题,提出了一种基于Hermite插值的彩色图像边缘检测技术算法.该算法与多通道彩色图像边缘检测算法相结合,根据图像自身的彩色、梯度信息,依靠多尺度Hermite曲线插值技术对边缘线段进行连接修复,保证了算法抑噪和检出边缘曲线光滑连接的能力.实验证明,与现有的算法相比,该算法能充分利用图像的颜色和梯度信息,有效地消除噪声,提高边缘检测的连续性.     

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.     

保留边缘信息和特定目标的高密脉冲噪声滤波算法

针对高密脉冲噪声消噪时边缘信息损失严重和特定目标过处理等问题,提出了保留边缘信息和特定目标的消噪算法.借助脉冲噪声的灰度特点进行噪点检测,获得各像素及其邻域的污染情况;通过细节判定和最佳窗口选择,采用传统滤波降低噪声密度,获得污染像素的真实灰度信息;通过特定目标检测和双窗口边缘判定,获得高密脉冲噪声的最终消噪结果.实验表明,文中方法能获得满意的消噪图像,并具有较小的均方误差根和较大的边缘保留指数;对图像中的特定目标,文中方法在消噪的同时能保留更好的原目标信息.     

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。     

基于改进型P＆M模型算法的图像去噪

高斯滤波算法在去噪时能平滑图像,但是会破坏图像的边缘细节,而基于PDE的各向异性扩散的P＆M模型算法在去噪时能保留图像的边缘细节,但是会出现零散的斑点。结合两种算法的优点,通过对扩散系数进行改进,提出一种改进型P＆M模型算法。仿真结果表明,该算法能够有效地去除噪声图像中的高斯白噪声和椒盐噪声,能够更好地保留图像的边缘细节,与高斯滤波算法和P＆M模型算法相比,改进型P＆M模型算法具有更好的去噪性能。     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘; 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘； 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法.首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘.通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法.     

彩色图像的边缘检测

彩色图像的边缘检测算法有很多,但检测结果仍存在细节丢失、抗噪性差的问题。本文提出一种新的彩色图像的边缘检测算法。首先,在RGB空间下,采用矢量梯度算法,分别在三个通道中求出像素的梯度值。然后,采用自适应双阈值算法,对梯度值进行判断,筛选出图像的边缘点。最后,只采用筛选后的边缘点的信息,构造新的模糊矩阵的隶属函数,从而形成新的模糊算法。利用该算法,检测出最终的图像边缘信息。实验证明,该算法得到的图像检测结果,不仅对比度高、边缘连续、细节保存完整,而且具有较强的抗噪性。     

基于小波域的图像去噪算法

提出一种基于图像像素分类的小波阈值去噪方法.将图像进行小波变换后的结果看成一幅图像,对小波域中的低频信息利用自适应滤波器进行平滑,而对高频信息按图像像素分类的原则利用图像的方向信息测度来区分边缘和噪声,然后把噪声部分的小波系数置零,最后重构得到去噪图像.实验结果表明,算法可较好地改善图像的视觉效果.     

基于Split Bregman算法的图像处理

在本文中,我们介绍了图像去噪的经典模型-TV去噪模型,TV去噪能更好地保留图像的边缘细节.我们通过实验使用Split Bregman迭代算法对TV模型进行图像去噪,最终我们得出Split Bregman算法收敛速度快,处理TV去噪模型时也能保留图像的细节.     

多方向几何非线性扩散图像去噪方法

现有几何非线性扩散滤波器同时在水平和垂直方向进行扩散,没有考虑图像边缘的方向性,有损其去噪效果.提出根据像素8-邻域方向的梯度值检测边缘点及其边缘方向,对边缘点仅沿该边缘方向进行几何非线性扩散,而对非边缘点进行4个方向上的几何非线性扩散.5个等级噪声强度和5个典型加噪图像去噪实验结果表明,本文方法能够更有效地去除图像中的噪声,同时更好地保护图像边缘.     

基于噪点检测与邻域权值内插的彩色人脸图像去噪

该文提出了一种基于彩色人脸图像训练库和Chebyshev不等式的有噪像素点检测算法,并利用像素间的相关性通过邻域权值内插算法,实现了彩色人脸图像的去噪。首先在L*a*b*颜色空间中进行主成分分析(principle component analysis,PCA)重建,然后定义了像素点向量距离差和像素点向量角度差,并给出有噪像素点判决准则,实现了有噪像素点与无噪像素点的区分,最后,利用像素点8邻域信息建立权值内插模型,结合PCA重建图像得到最终的去噪图像。在PIE标准人脸数据库中加入Gauss、椒盐、块噪声对该算法性能进行测试,并与其他几种去噪算法进行比较。实验结果表明:采用该算法去噪的彩色人脸图像具有更加清晰的边缘,保留了更多的有用信息,达到更高的峰值信噪比,且对多种噪声具有较好的去噪性能。     

基于梯度直方图的图像自适应滤波去噪

为了解决自适应滤波器在图像去噪中因需要噪声检测以及人工设置阈值，从而影响去噪效果的问题，提出基于梯度直方图的自适应滤波方法。首先，对噪声图像均值滤波后的初始去噪图进行计算，得到梯度直方图。然后，通过对梯度直方图曲线形状进行分析，计算出分割性最优的点作为阈值。最后，用计算得到的阈值与图像信息的局部变化率相结合，建立尺度自适应调节的滤波模板，对噪声图像进行滤波去噪。实验结果表明，本文算法针对不同噪声类型和不同强度的含噪图像去噪效果均有提升，并且可与其他算法相融合，对自适应类算法的改进具有普适性价值。     

基于L1范数和自适应全变差的椒盐噪声图像去噪

针对经典全变差模型在进行椒盐去噪时不能有效保留图像边缘信息的问题,提出一种基于L1范数和自适应全变差正则化的椒盐噪声图像去噪方法.该方法在全变差和图像去噪模型的基础上构建了显式椒盐去噪模型,利用噪声像素的平均值计算自适应正则化参数,并有效保留图像边缘信息,使用原始对偶梯度算法求解显示模型,使所求得的数值解更加接近原始图像.实验结果表明:与其他方法相比,本文方法在PSNR和SSIM方面均优于对比的方法,可以有效去除高密度椒盐噪声.     

一种改进的基于梯度的自适应边缘检测算法

对常见的边缘检测算法进行改进,从梯度的定义出发,提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边缘处像素灰度值的差异,将模版中的9个像素分两组进行分析,计算出像素的梯度幅度和梯度方向.按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.