一种去除高密度椒盐噪声的非线性滤波算法

针对高密度椒盐噪声污染图像的去噪问题,提出了一种有效的非线性滤波算法。在噪声检测中利用域值划分法,先将噪声图像像素点分为信号点和准噪声点,建立噪声矩阵,然后再利用图像边缘特性及局部统计信息,进一步明确噪声点。对于噪声点,采用以该点为中心的多窗口像素点中值及该点像素值的中值进行替换。实验结果表明,该算法对较高密度椒盐噪声...     

基于模糊滤波器的椒盐噪声图像滤除

为滤除数字图像中的椒盐噪声,在图像灰度空间上引入模糊划分和像素点灰度值检测噪声,进而利用滤波窗口内非噪声点灰度值描述中心点的灰度水平.依据改进重心去模糊法设计一种模糊滤波器,模拟实验表明该滤波器可以有效地滤除图像中的椒盐噪声.     

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.     

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。     

模糊理论处理高密度椒盐噪声的新方法

利用模糊数学理论对图像滤波算法进行了研究.针对高密度椒盐噪声,讨论ROAD统计量检测噪声的能力, 探讨高密度椒盐噪声的处理方法, 结合椒盐噪声的性质提出了一种噪音检测的新方法, 并基于像素相似度进行去噪,采取分离出噪音点的处理思路, 得到了比较好的结果.     

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。     

一种去除二值图像椒盐噪声算法及其应用

在进行作物形态测量的研究中需要对二值化后的作物图像进行细化操作 ,然而由于作物照片上反光和以往的图像分割算法缺陷等原因使得图像上的目标产生很多椒盐噪声 ,它们的存在对后面的细化操作将会产生不良影响 ,从而影响最后的作物形态测量工作 .常用的线性低通滤波器和邻域平均的方法对图像有模糊的负作用 ;中值滤波的方法效果不好 ;利用标号法去除椒盐噪声算法复杂 ,实现起来有一定困难 .本文提出了一种可以快速去除在二值图像中的椒盐噪声算法 ,该算法具有简单、快速、高效等特点 ,实现起来也比较容易 ,是一种较有前途的算法 .     

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。     

非局部的可切换滤波图像椒盐噪声去除方法

针对图像被高强度椒盐噪声污染的问题, 提出一种可切换的非局部去噪算法. 首先将噪声图像切割为若干局部块作为算法的基本处理单位, 设计块的预修复过程, 以避免由于高噪声污染对局部块的干扰, 保证相似度度量和模型估计过程的准确性; 其次, 在非局部范围内构造非局部滤波器, 度量相似度并计算修复权值以进行噪声修复, 得到全方位的图像去噪效果. 实验结果表明, 该算法较传统局部信息构建滤波器的方法, 无论对低污染程度的图像, 还是高污染程度的图像, 在效果和图像衡量指标上均有一定的提升.     

一种改进的椒盐噪声非线性滤波算法

针对灰度图像的椒盐噪声滤波问题,文章提出了一种改进的非线性滤波算法。该方法利用初始标记窗口的局部统计信息,首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点三类,而后逐次增大大标记窗口的范围,将判定结果进行多分类器融合,最终建立噪声标记矩阵;然后再根据噪声标记矩阵的局部统计信息,将可能的噪声点细分为信号点、噪声点和不确定点,并分别采用不同的方法进行滤波,从而保留更多的图像细节。实验结果表明,本文算法在去噪能力以及保留图像细节等方面都明显优于其他两种方法,尤其对于噪声重度污染图像效果更为明显。     

椒盐噪声下图像原始直方图的估计

图示了椒盐噪声下图像直方图的行为,分析了原始图像直方图同噪声图像直方图之间的关系,以便由噪声图像的直方图导出原始图像的直方图.     

基于多重检测及双权值的椒盐噪声自适应滤波算法

提出一种针对椒盐噪声的扩大窗口多重检测及使用双权值的自适应滤波算法.采用对可疑噪声扩大窗口进行多次重复检测来提高对噪声的判别,采用基于图像整体相似度和像素相似度的两种权值构造加权滤波函数,采用噪声剪切和自适应窗口实现滤波.实验表明,算法对不同密度的椒盐噪声具有良好的适应性,在高密度噪声下去噪效果有明显改善.     

去椒盐噪声的新型图像复原模型

针对已有的去噪模型不能有效刻画图像局部特征的缺陷,提出一种新型的去椒盐噪声图像复原模型.在模型的全变分项中,通过引入权矩阵来刻画图像的局部特征以达到增强各向异性扩散的目的.另外,为了刻画图像的稀疏性,同时在模型中引入低秩矩阵正则化.由于模型是非光滑凸优化问题,因此可以利用交替方向乘子法快速求解,并在理论上证明了算法的收敛性.最后的数值比较验证了所提模型和算法的有效性.     

基于D-S证据信息融合方法的全地形车行驶工况辨识

磁流变阻尼器的全地形车智能悬架可以使车辆面对不同行驶工况下提供更好的减振效果,为了解决在传感器存在噪声或异常等情况下车辆行驶工况辨识困难的问题,文中提出了一种基于D-S(Dempster-Shafer)证据理论的多传感器信息特征值的融合技术提高行驶工况辨识的准确性。通过改进的距离评估方法对全地形车行驶工况的传感器敏感特征值进行了提取和筛选,采用区间估计将传感器的噪声和异常值当做不确定性信息。利用D-S合成对特征层的辨识结果进行决策层融合,基于可行区间的决策规则完成对车辆行驶工况的辨识。最后使用Carsim整车仿真试验平台,验证了基于D-S证据理论的决策层融合方法的有效性。     

D-S证据理论数据融合方法在目标识别中的应用

为解决车辆目标识别问题 ,采用基于推理的数据融合方法 ,分析了 Dempster- shafer证据理论用于多传感器数据融合的基本概念和理论 ,并将它应用于车辆目标识别的数据融合中 ,实验结果证明了基于融合后的识别结果较单传感器的识别结果好 ,验证了这一方法的正确性和有效性     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法。一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋值,另一方面通过D-S证据理论对GA-BP网络的输出进行融合。将此方法应用于高压电器设备故障诊断,仿真结果表明,该方法能克服传统BP网络易陷入局部最优问题,同时具有更好的识别结果。     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法.一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋...