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     

自适应定向加权中值滤波

提出了自适应定向加权中值(ADWM)滤波的算法. ADWM滤 波是结合定向滤波与加权中值滤波的思想而构造的滤波模型, 是一种高度非线性的图像平滑 和增强技术. 运用移动窗口方差和基方差使ADWM滤波获得了自适应性. ADWM滤波器既有定向 滤波器的特征, 也有中心加权中值滤波器的特征. 定向滤波器可以有效保持边缘, 而中心加 权中值滤波器对减少随机噪声尤其有效, 同时也能在一定程度上减少冲击噪声的数量, 并根 据子窗口内像素的最低方差自适应地调整中心像素的权值以保持图像的细节.     

自适应型中心加权的中值滤波器

针对低噪声污染的图像提出了一种改进型中值滤波算法.该算法是一种自适应型中心加权的高效中值滤波算法.通过粗略地检测图像中的冲击噪声污染率,来自适应地调整中心像素的权值.从而控制新的滤波器对不同污染程度的噪声图像进行不同程度的平滑,即对轻度污染的图像进行轻度的平滑,而对污染比较严重的图像进行重度的平滑.实验结果表明.新的滤波算法优于传统的中值滤波器及其他一些典型的改进型中值滤波器.     

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.     

消除彩色图像脉冲噪声的复合型中值滤波器

提出一种新的消除彩色图像中脉冲噪声的滤波法．该滤波法依据简单的局部纹理分析而自动选择使用标量中值滤波或使用矢量中值滤波：当局部区域不存在明显的纹理时，使用标量滤波，否则使用矢量滤波．由于大多数自然图像都有低通特性，因而该滤波器大多数时间运作于标量模式．实验表明，中提出的方法其计算量比标准的矢量中值滤波器少得多，但性能却同样优良．     

基于中值与均值滤波的边缘检测优化算法

图像在采集过程中容易受到视角、尺度、亮度、污渍、模糊等不确定因素的影响,造成较大失真.为减少失真,提高边缘提取的精度,在多噪声环境下,提出了中值与均值滤波相结合的边缘检测优化算法,实验仿真结果表明,该算法能有效抑制噪声,能提高图像边缘提取的精度.     

中值滤波与均值滤波法在条形码去噪中的应用

通过对条形码图像进行二值化处理,采用中值滤波与均值滤波方式完成对条形码的去噪,解决条形码在识别过程中遇到的问题。     

中值滤波与均值滤波法在条形码去噪中的应用

通过对条形码图像进行二值化处理,采用中值滤波与均值滤波方式完成对条形码的去噪,解决条形码在识别过程中遇到的问题。     

图像加权中值滤波及其分级实现方法

本文介绍图像信号的加权中值滤波方法，探讨了加权中值滤波的分级加权优化与算法实现问题，给出一种新的分层加权结构，使之同时具有理想的噪声滤波和边缘保持效果。在实际图像滤波中得到了满意的验证     

自适应模糊多级中值滤波器

结合模糊关联存储方法（FAM）,提出了修改后的多级中值滤波器－－自适应模糊多级中值滤波器（AFMMF）,该滤波器克服了传统多级中值滤波器（MLMF）的一些缺点,实验结果显示,在处理“短线”噪声的过程中,AFMMF能更好地保留边缘,取得了更好的效果。     

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。     

基于循环中值滤波根信号的边缘检测器

研究了受噪声污染图像的边缘检测问题,提出一种基于循环中值滤波的边缘检测算法,该算法在进行边缘检测时对不同噪声都有较好的抑制能力。计算机模拟表明,该方法抗噪能力较好,计算较简单。     

一种简易的图象去噪方法

设计了一种简易实现的自适应中值滤波器滤除图象噪声,根据对噪声图象噪声点的检测,自适应地调整了中值滤波器窗的大小,有效地抑制严重的脉冲器声干扰。     

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.     

基于序列图像的高密度脉冲噪声去除新方法

针对受脉冲噪声污染大(大于50%)的图像,提出运用多幅序列图像的点对点噪声检测算法.首先利用MMEM算法判断噪声点与非噪声点,再把非噪声点拷贝到输出图像,通过实验得出了噪声密度与所需要图像幅数之间的关系.通过噪声密度判别公式的引入,实现对噪声图像的自适应处理,实验显示该方法优于传统滤波算法.     

一种消除脉冲噪声的迭代自适应中值滤波方法

基于脉冲噪声的特点提出了一种新的滤波方法——迭代自适应中值滤波方法(Iterative Adaptive Median Filter,IAMF)。本方法根据被脉冲噪声污染的图像的特征,建立相应的权重函数,并结合迭代算法进行噪声消除,处理后的图像不但能够较好地保留细节信息,而且能够保持良好的清晰度。此外,在IAMF滤波过程中,由于噪声点不参与计算,从而有效避免了图像中噪声点对正常像素的影响,同时也提高了运算速度。试验结果进一步证明:当噪声率超过0.5时,该方法的优越性尤为突出,噪声率超过0.9时,图像处理效果仍比较理想。     

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。     

基于能量差的加权均值递归滤波算法

对基于激光测量的管形零件内轮廓母线采样数据进行滤波.提出了基于能量差的加权均值递归滤波算法.该滤波方法中权值求取方法的思想是尽量给滤波窗口内能量频谱相对集中的采样数据赋予较大的权值,而给由于干扰引起的畸变数据赋予较小的权值.合适的滤波窗口长度通过仿真对比试验获得.这一思想的合理性通过仿真分析和实验测试得到验证,并表现出良好的效果.     

一种面向静态图像消噪处理的二维中值滤波方法

提出了一种基于二维中值滤波用于静态图像消噪的改进算法.实验表明,该算法能有效滤除图像中的高斯噪声和斑点噪声,同时能很好地保持图像中的细节部分且比较容易用硬件实现.