一种针对椒盐噪声的滤波算法

为了消除图像在传输过程中所引入的椒盐噪声,采用了一种2级检噪的自适应滤波算法.该算法对经典自适应滤波算法在检噪和滤噪功能上进行了改进.首先,针对不同类型图像采取了不同类型的检噪方案,然后区分出噪声点和信号点,最后,该算法根据噪声密度的不同采取不同的滤噪方案而保留信号点.仿真实验结果表明,在不同噪声密度情况下,改进后的算法不仅更有效地滤除椒盐噪声,而且能很好地保护原图的边缘与细节.不仅如此,即使针对存在大量极值信号点的图像,提出的算法仍有较好的滤波效果:针对加入黑色方块的Lena图像,当噪声密度为0.7时,该算法滤波的PSNR达28.16dB,滤波时间仅为6.46s.因此,对于不同类型的图像,该算法均满足实时性和高效性2个方向的要求.     

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.     

一种基于极值的自适应中值滤波改进算法

提出了一种基于极值的自适应中值滤波改进算法,该方法可以有效地保护图像细节,并去除图像中的椒盐噪声.首先利用椒盐噪声的分布给出疑似噪声的判断标准,然后根据噪声密度自适应地确定滤波窗口大小,再采用一种新的算法进行滤波,最后将本算法与其他几种滤波算法进行对比,实验结果表明,本算法优于其他中值滤波算法.     

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.     

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.     

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。     

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。     

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。     

一种适合于图像细节保留的椒盐噪声滤波器

提出一种新的椒盐噪声滤除方法.通过对图像二值化,对其进行统计分析确定噪声点.仅改变噪声点的像素值,避免了中道滤波对图像细节的破坏,同时又滤除了噪声.实验结果表明,新方法可以有效去除椒盐噪声,同时很好地保护图像的细节.     

基于改进三维块匹配滤波的图像去噪算法

为了有效滤除樱桃图像在获取过程中混杂的不同噪声,保障图像识别与机器自动采摘时良好的图像信息质量,提出一种改进三维块匹配滤波(block-matching and 3D filtering, BM3D)的图像去噪方法.首先,在三维块匹配滤波的基础估计阶段构建自适应中值滤波处理器,滤除图像中部分椒盐噪声,并改进优化硬阈值、滑窗步长及三维硬阈值等关键参数快速滤除高斯噪声;其次,在基础估计阶段与最终估计阶段之间引入中值滤波,最大限度地去除图像中剩余的混合噪声;最后,通过仿真实验验证所提算法的有效性,并对比分析改进前后算法的归一化均方误差、峰值信噪比、信噪比改善因子及结构相似性等性能.结果表明,改进的BM3D方法在保持好樱桃图像细节信息的同时,能有效去除高斯噪声和滤除大概率椒盐噪声,且随混合噪声干扰的增强,所提算法的去噪性能更佳且优于其他滤波方法.     

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。     

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.     

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．     

基于方向信息自适应2次噪点检测的降噪方法

椒盐噪声的处理是图像噪声处理的重要环节,针对传统中值滤波方法存在的不足,提出1种基于方向信息自适应2次噪声点检测去椒盐噪声的方法.该方法在噪声密度不同时进行分类处理,小于某一阈值时通过方向信息区别边缘点和噪声点,降低噪声点误判的概率,在噪声密度大于某一阈值时,将所有可疑噪声点全部确定为噪声点.之后对确定的噪声点进行改进的自适应中值滤波,根据窗口中非噪声点的密度不同采用不同的滤波方法.在处理加入噪声密度为80%的Lena图时,PSNR达到28.97 d B,SSIM达到0.981 2,实验结果表明,能够去除图像中的椒盐噪声,对不同密度噪声降噪鲁棒性较强.     

一种开关中值滤波器的改进

Shuqun Zhang和Monhammad A Karim提出了一种开关中值滤波器算法,其机制是利用4个不同方向的一维拉普拉斯算子来检测像素点是否为噪声.通过判断极值点、修正参数r和对阈值T的自适应处理,提出了一种基于极值的自适应阈值开关中值滤波器.实验结果表明,滤波器算法对椒盐噪声能很好地抑制,能很好地保护图像细节.     

高椒盐噪声图像滤波算法

提出了一种适合于消除高密度椒盐噪声的滤波器。该滤波器充分利用了直方图在受椒盐噪声污染前后形状基本不变的稳健特性。通过计算相邻灰阶直方图的差得直方图梯度,并据此界定噪声范围,确定噪声点。对噪声点,结合图像直方图和图像局部相关的特性,提出了一种新的自适应加权平均算法,是一种新型的噪声判别及噪声滤除算法。该算法可以根据试验需要,采用迭代的方式,达到理想的滤波效果。试验表明,本算法对椒盐噪声特别是高噪声率图像的处理具有很好的性能。相比较现有算法,其去噪声能力大大提升。     

超分辨率重构图像的噪声分析与消除

在超分辨率重构图像中,可以观察到四种不同的重构噪声,分别是边缘振荡效应、梳毛效应、边缘锯齿效应和方块效应.本文提出了一种能同时有效地滤除这四种重构噪声的边界自适应滤波算法.实验结果表明,该算法能在保持图像细节信息的同时较好地滤除各种重构噪声.     

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。     

一种基于方向梯度的图像滤波算法

自然图像中的大部分图像都存在噪声,在滤除噪声的同时尽可能地保存图像细节是图像平滑的目标.目前普遍使用的均值滤波滤除噪声效果不够理想且易使图像变得模糊,中值滤波虽然滤除噪声效果较好但使得图像变得模糊且易使图像的细节信息丢失.针对这一问题,本文提出了一种基于方向梯度的图像滤波算法.该算法对含有噪声的图像取3×3邻域,构造4个方向的梯度算子模板,通过比较4个方向梯度大小,对噪声、边缘、图像内部点分别处理,实验结果表明该算法在滤除噪声的同时,很好地保存了图像的原始信息且有较好的信噪比.     

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.