基于噪声检测的彩色图像滤波算法

对于被脉冲噪声污染的彩色图像,提出了基于噪声检测的彩色图像滤波算法。运用脉冲噪声检测器,估计出图像中的噪声像素,应用后续滤波算法,只对检测出来的噪声像素进行滤波,而对非噪声像素(即信号像素)保持其值不变。并对基于相似度的自适应滤波算法加以改进,作为后续的滤波算法。实验结果表明,提出的滤波算法与传统滤波算法相比,在有效消除噪声的同时,更能够保留图像中的边缘和细节特征。     

一种改进的脉冲噪声的检测与滤除算法

依据脉冲噪声特点以及图像的像素关联性,提出了一种改进的脉冲噪声检测与处理算法。该算法首先依据脉冲噪声与其邻域多数像素在强度上具有明显差异的特点检测出疑似脉冲噪声点,然后再利用4个方向模板进一步区分疑似脉冲噪声点,最终建立脉冲噪声标记矩阵。之后,对检测到的脉冲噪声,提出了一种改进的加权中值滤波算法,该算法仅利用滤波窗口内的有效信号对窗口中心像素进行加权中值滤波,其中,加权系数的确定不仅依赖于像素间的灰度关联性,而且还依赖于像素间的位置关联性。实验结果表明,本文算法不仅可以准确检测和有效滤除图像中的脉冲噪声,而且还可以较好地保护图像中的细节。     

一种新的彩色图像边缘检测算法

传统的边缘检测方法大都基于灰度图像,不能充分利用彩色图像的全部信息。针对已有算法中存在的像素点扩散、边缘定位不准确、边缘不连续等问题,提出了一种彩色图像边缘提取算法,基于图像自身梯度方向信息和多通道信息融合技术,将灰度边缘模板算子扩展应用到彩色图像的边缘检测中,在RGB空间中对原彩色图像进行多通道边缘检测;同时采用滤波来抑制噪声,依靠边缘生长保证检出边缘的连续性,并提出了自适应确定边缘提取门限值的方法。该文提出的彩色图像边缘检测算法计算量小,实验结果表明了其能充分利用图像的颜色和梯度信息,有效地消除噪声,提高边缘检测的准确性,保证边缘的连续性。     

无粗定位亚像素边缘检测算法研究

针对传统的亚像素边缘检测技术需要先进行粗定位,然后再进行精确定位的问题,提出无粗定位亚像素边缘检测算法.针对彩色图像降低维度边缘信息损失的问题,提出主轴分析法来保存图像的边缘信息.针对滤波后图像边缘特征模糊的问题,提出基于二分K均值的中值滤波算法,在滤除噪声的同时,增强图像的边缘.最后从检测精度、检测效率和可靠性3个方面验证算法的有效性.     

基于前馈神经网络的图像去噪研究

提出一种检测和去除污染图像脉冲噪声的有效算法,采用前馈神经网络(FFNN)检测污染图像脉冲噪声,采用改进的算术均值滤波器去除测出的脉冲噪声。该算法仅对检测到的噪声像素进行滤波,采用窗口中未污染像素的算术平均值去除噪声。实验结果表明,该算法无论在图像质量的定性还是在定量评价方面均获得了良好效果。     

基于像素分类的像素值阈值噪声检测算法

针对图像噪声常见的三种脉冲噪声模型,在像素差异均等性原则下,以窗口分块方式将图像像素分为噪声像素和非噪声像素子集,进而以噪声图像上下像素值阈值推导噪声类型判别式,得到一种非线性像素分类的图像噪声检测算法.以经典图像(Lena、Baboon)分别叠加上不同密度噪声进行噪声图像检测算法仿真测试,由检测精确性和正确性来评估所提出的检测算法的检测性能.仿真结果表明,该检测算法具有较好的检测效果,缺点是容易将部分非噪声像素识别为噪声像素.     

基于图像处理技术的尺寸测量中边缘定位算法

为了进一步提高图像的定位精度,设计了一种基于插值理论的精确定位细分算法.通过多尺度小波变换与三次样条插值相结合,实现了亚像素级的测量.基于多尺度边缘检测的小波边缘检测方法,既能对边缘进行准确定位,又可以有效去除噪声干扰,提高边缘检测的稳定性和准确性.三次样条插值函数是分段插值函数,算法复杂度低、段与段之间连接处平滑、具有快速收敛性和稳定性.将上述两种融合的边缘定位算法,可以对图像进行精确检测和测量,其精度达到0.001个像素.     

基于图像处理技术的尺寸测量中边缘定位算法

为了进一步提高图像的定位精度,设计了一种基于插值理论的精确定位细分算法.通过多尺度小波变换与三次样条插值相结合,实现了亚像素级的测量.基于多尺度边缘检测的小波边缘检测方法,既能对边缘进行准确定位,又可以有效去除噪声干扰,提高边缘检测的稳定性和准确性.三次样条插值函数是分段插值函数,算法复杂度低、段与段之间连接处平滑、具有快速收敛性和稳定性.将上述两种融合的边缘定位算法,可以对图像进行精确检测和测量,其精度达到0.001个像素.     

基于物理模型的目标边缘检测方法

针对传统的边缘检测算法会将目标边缘和非目标边缘同时检测出来的问题,提出了一种基于物理模型的彩色图像目标边缘检测法。首先根据Shafer双色反射模型分析图像中各种边缘的特性,之后论证了基于图像成像的物理模型定义的c1c2颜色空间和o1o2颜色空间的色彩不变性特征,并通过多尺度形态学梯度算子提取出目标的真实边缘,最后结合图像各像素与其邻域的亮度及色度的相关性,对提取的目标边缘进行补偿,得到图像中目标的真实边缘。实验表明,本研究提出的方法在抵抗光照和噪声影响的同时能够有效地提取出目标的真实边缘。     

一种基于开关型加权中值滤波的随机脉冲噪声去除方法

依据图像中随机脉冲噪声像素奇异性的特点,提出了1种新的开关型加权中值滤波算法.首先通过中值滤波的方法对被检测像素邻域进行平滑处理,并定义平均绝对差值进行噪声点的判别;对检测出的噪声像素点采用改进的加权中值滤波进行处理,即仅利用滤波窗口中未受污染的像素进行噪声滤除,加权系数同时包括空间距离与灰度的差异性.实验结果表明,提出的算法既有较高的脉冲噪声检测准确率,又能较好地滤除图像中的随机脉冲噪声.     

融合边缘信息的合成孔径雷达图像超像素分割算法

针对简单线性迭代聚类(simple linear iterative cluste, SLIC)对含有乘性相干斑噪声的合成孔径雷达(synthetic aperture radar, SAR)图像边缘分割不理想的问题,本文在SLIC基础上提出了一种融合边缘信息的SAR图像超像素分割算法。首先,利用高斯方向平滑对SAR图像进行预处理,从而在抑制乘性相干斑噪声的同时有效保护边缘细节;其次,提出了一种基于指数加权平均比率(ratio of exponential weighted average, ROEWA)算子的改进相似度测量参量,以提高SAR图像的分割精度;最后,采用六边形初始化聚类中心与圆形区域的搜索方式进行局部区域聚类,从而保证了算法复杂度增加的同时,算法的运行时间不会明显变化。实验结果表明,与四种经典超像素算法相比,本文算法生成的超像素边缘更加贴合SAR图像的真实边缘且得到的超像素大小较为均匀。     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。     

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。     

一种基于小波提升变换的多尺度边缘提取算法

提出了一种基于小波提升变换的改进图像边缘的检测算法.本算法首先对源图像进行小波提升分解,然后分别对高、低频子图像进行边缘提取.对于低频信息使用Canny算子进行边缘检测,而高频信息先用相邻尺度小波系数相乘的方法去除噪声,消噪后再对高频分量进行边缘检测.最后通过一定的融合规则进行融合,得到最终的边缘图像.实验结果表明,该方法具有运算速度快,能有效地抑制噪声,边缘检测精度高等特点,是一种有效的图像边缘提取算法.     

一种基于颜色跟踪的彩色边缘检测算法

传统的边缘检测方法大都是基于灰度图像的,用于彩色图像边缘检测时效果往往不能令人满意.本文提出了一种新的彩色边缘检测算法,它充分考虑了彩色图像的边缘特性,使用彩色差进行跟踪,从而弥补了传统边缘检测方法检测时丢失边缘的不足.通过与其它成熟的边缘检测技术进行比较,结果显示:该算法能提取更多的彩色边缘信息,而且检测精度和效果都比较令人满意,具有一定的实用价值和良好的处理效果.     

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。     

基于物体信息的图像显著性区域检测

针对目前图像显著性检测存在的显著性图边缘模糊、缺乏视觉高层信息等问题,提出了一种基于物体信息的显著性检测算法。将似物性计算与显著性计算相结合,可以将前景与背景分离,抑制高对比度干扰区域的影响。首先采用改进的L0平滑算法对图像进行滤波处理,然后通过超像素分割将图像分成若干图像块,再通过聚类算法进行合并,得到待检测图像块。采用似物性检测算法计算物体可能存在的区域,与待检测图像块进行融合,得到物体显著性图,再通过颜色对比度及空间分布特征计算显著性图,最后将二者融合,得到最终结果。实验结果表明,算法能够得到清晰的物体边缘,对图像的显著性区域能够较为全面地覆盖,有效地抑制高对比区域的干扰。     

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘捡测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。