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.     

基于图像噪声检测的平滑方法研究

针对含有椒盐噪声的图像,首先利用了TSMD阈值方法将图像二值化,有效地检测了图像的噪声,然后估算出了噪声图像的SNR,比较了与原噪声图像SNR的差异程度,得到了相应地质量评价方法,最后通过选择性中值滤波的方法去除了图像上的噪声.结果表明:相比于全局中值滤波方法,该方法能够有效地去除椒盐噪声,保留更多的图像细节,对图像的影响较小.     

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。     

基于椒盐噪声滤波算法的优化处理

提出了一种针对椒盐噪声滤波算法的优化方法。首先对椒盐噪声图像进行平滑预处理,将结果与椒盐噪声图像做差运算,当差值大于阈值则判定为噪声点;再利用椒盐噪声图像减去噪声像素点得到一幅未被污染的细节图像,利用滤波处理后的图像减去未被污染的细节图像得到噪声滤波处理后的像素点,然后将这些处理后的像素点与未被污染的细节图像镶嵌融合,实现在滤波过程中只对噪声像素点进行滤波处理。实验结果表明,相较于原椒盐滤波算法,优化算法对峰值信噪比提升了2dB左右;同时,优化算法对去核辐照噪声的滤波算法同样具有优化作用,优化处理所需时间小于0. 01 s,图像的保真率得到了提高。     

具有去除椒盐噪声能力的改进双边滤波算法

针对双边滤波器不能有效去除椒盐噪声这一特点,本文提出了一种自适应大小的模板替换算法,通过先替换双边滤波模板区域像素值,再对替换后的模板区域做双边滤波,使其在具有双边滤波保边并去除低频噪声能力的基础上兼具去除椒盐噪声的能力.实验结果证明:本文提出的算法在双边滤波的基础上可以有效去除图像中的椒盐噪声,与几种经典去除椒盐噪声的算法相比,在噪声密度10%~90%的情况下,峰值信噪比(PSNR)平均值提升5.8%以上,结构相似性(SSIM)平均值提升2.75%以上.     

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.     

基于数学形态学滤波的灰度图像边缘检测

针对灰度图像边缘检测,提出组合二值形态滤波结合边缘检测算子的新算法。该算法通过阈值分解把灰度图像形态学滤波问题转换为对二值图像形态学滤波,具有简便且适合逻辑电路实现等优点。仿真结果表明,选取适当的结构元素,该算法能够有效消除椒盐噪声、保留图像边缘。     

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.     

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.     

一种基于FPGA的开关中值滤波算法研究

去除噪声是数字图像处理过程中的一个重要问题,对实时性要求高的系统而言,还要有足够的速度。文章基于现场可编程门阵列(field-programmable gate array,FPGA)处理图像并行特性,提出了一种适宜于FPGA实现的开关中值滤波算法,该算法利用求中值过程中计算所得的极值,通过比较极值起到开关作用;设计了开关中值滤波器的硬件架构,并对其进行仿真、分析和说明。Matlab仿真结果表明,该算法可以有效地去除图像的椒盐噪声,能更好地保护图像细节。     

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。     

快速二步交叉非局部的图像混合噪声滤波器

真实的自然图像常被各类图像噪声污染,而传统去噪方法普遍只针对一种噪声类型设计,因此在处理混合噪声时往往去噪效果不佳.针对这一问题,提出一种快速二步交叉非局部混合滤波算法.该滤波包括二步交叉滤波部分与整体滤波部分,在二步交叉滤波部分,首先找到像素灰度的极值点进行定位,并使用非局部中值滤波对极值点进行简单的去除椒盐噪声,求出图像的差值积分图,最后使用改进的加速非均值滤波进一步去除噪声.在整体滤波部分,使用非局部中值滤波整体去除噪声.实验结果表明,所提算法在高强度的混合噪声污染情况下,修复的图像获得了更高的测量指标和更加理想的视觉效果.     

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.     

基于本征图像滤波处理可见光图像的方法

在可见光图像处理领域,为了进一步改善频域滤波法去除噪声的能力,提出了本征图像滤波法去除图像噪声的方法.以经典SVD算法为研究对象,首先探讨了奇异值重构维数的选取方法,然后分别对高斯噪声和椒盐噪声污染的图像进行去噪,验证不同重构维数的去噪效果,最后以S_(NR)和P_(SNR)为参数作出评价.结果表明,重构时,过小的维数不能恢复原始图像,过大的维数则会引入更多的噪声,只有恰当的维数才能达到理想效果.相比椒盐噪声,处理高斯噪声所得P_(SNR)值和S_(NR)值更高,表明本征图像滤波法更擅长处理高斯噪声.     

基于小波变换和形态多结构元的抗噪边缘检测算法

提出了一种小波变换与多结构元形态学相结合的抗噪边缘检测方法.通过改进的小波边缘提取方法选择噪声图像的突变点,同时滤除部分噪声;针对图像中噪声和边缘形态的不同,建立了多个结构元素,采用多结构元形态检测算子对选取的突变点进行形态操作,在抑制噪声的同时,较好地提取了边缘.实验表明,对含有不同类型噪声(如椒盐噪声、高斯噪声等)的图像,该方法都可以较好地抑制噪声、提取边缘,且优于经典的边缘检测算法.     

基于L~1范数变分模型的高密度椒盐噪声滤波

针对现有图像滤波算法在去除高密度椒盐噪声方面的不足,提出了一种基于L1范数变分模型的去噪算法.该算法首先根据椒盐噪声的特点和像素的局部灰度特征分离出噪声点和信号点,在滤波过程中,对信号点不予处理,而对噪声点采用基于L1范数的变分模型进行恢复.由于椒盐噪声的灰度值与原始像素无关,因此,去噪时只利用噪声点邻域内信号点本身的灰度信息,并将已处理过的噪声点当作新的信号点,以避免对下一像素滤波时的影响.最后通过仿真实验,结果表明,在高密度噪声条件下(50%),该算法的噪声去除能力和细节保护能力均可获得令人满意的结果.     

数字图像的混合噪声去除

针对混有高斯噪声和椒盐噪声的数字图像去噪,提出一种混合噪声滤波算法.首先判断滤波窗中心像素是否是噪声点,如果是噪声点,则取窗口内与其他像素灰度差值绝对值和最小的那个像素值作为噪声点的灰度值;否则,不改变当前像素值.通过实验分析比较,该算法能够在去除噪声的同时更大限度地保留图像的细节信息,并且由于算法在时域内进行,其运算...     

基于内点保留的二值图像细化算法

提出一种基于内点保留的并行细化算法，与一般基于边缘点去除的细化算法比较，它具有运算速度快，程序简单，便于硬件实现，能够完整地保存图像的拓扑结构，所获得的骨架对称性好等优点，在ＩＩＳ图像处理系统上进行了初步实验，结果表明，所提出的二值图像细化方法解决二值图像细化问题开辟了一条新途径。