混合反射特性表面形貌测量中光刀条纹的提取方法

该文通过分析混合反射特性表面在实施光刀法三维形貌测量过程中的噪声来源,给出了噪声与有效条纹图像形态学特征的差异。根据两者的灰度连续性差异,提出了去除噪声的图像处理方法。首先增强条纹状噪声的灰度离散化程度,使用灰度阈值的图像分割方法,分离噪声与背景亮度,同时保持有效条纹的灰度连续性;再通过基于图像形态学的处理方法去除已经颗粒化的噪声,对已去噪图像的有效条纹进行边缘修复和断线连接,得到有效条纹的二值化掩模图像。用掩模图像与原图像相乘,可提取出原图像中的有效信息。结果表明:该方法从具有噪声的光刀图像中准确地提取出了有效条纹。     

运动目标识别中的噪声滤除技术

分析了图像法识别运动参数的基本原理及噪声对目标识别的影响；分析了几种低通滤波器和非线性滤波器去除噪声的原理，结合实际应用对同一图像应用不同滤波器进行了处理，并对实验结果进行了分析。     

基于小波变换的数字全息再现像质量提高方法

数字全息再现像中存在的散斑噪声严重影响了数字全息的应用,通过分析边缘检测方法和小波变换阈值去噪方法的原理,提出了一种基于边缘检测的小波变换散斑噪声去除方法。首先利用高斯-拉普拉斯算法获得边缘图像,进而通过Neyman-Pearson准则获得自适应阈值,并采用改进折中阈值函数对边缘图像和非边缘图像小波系数进行处理,将两者处理后的小波系数相加,并进行反变换得到处理后的图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

用小波变换去除红外图像中1/f噪声的方法

研究红外图像中去除1/f噪声的方法,通过分析1／f噪声的频率和功率谱等特种,比较小波变换和维纳滤波去相关的效果,在图像处理中利用小波变换的去相关作用,合理地选择小波基,使1/f噪声变为易于清除的白噪声,从而达到去除1／f噪声的目标,实验结果表明,小波变换对去除1/f噪声有良好的效果,目标信噪比也有很大的提高,有助于后读的目标检测。     

小波软阈值算法去除SAR图像中的Speckle噪声

在详细分析了Donoho小波软阈值的基础上，应用小波变换技术对SAP图像进行分析处理。使用“小波局部软阈值算法”来计算阈值，对高频小波系数进行阈值确定。求得估计小波系数，对其取小波反变换后，去除SAP图像中的Speckle噪声。实验结果表明此方法对去除Speckle噪声十分有效，可以在含有Speckle噪声为背景的图像去噪中应用。     

基于小波包分解的纹理图像去噪

噪声对图像的后续处理影响较大,常用的去噪方法虽然可以去除变化平缓的图像中的噪声,但对细节较多的纹理图像的去噪效果却不太理想．文中基于信号和噪声在小波分解中呈现出来的不同特性,提出了一种新颖的小波包去噪算法．采用该算法对纹理图像进行最优小波包分解,并计算每个子频带的两个范数,然后根据范数值区分信号和噪声,从而达到去除噪声的目的．实验结果表明,该算法对皮革图像具有较好的去噪效果．不仅可以去除纹理图像中的大部分噪声,而且可以较好地保留图像纹理信息．     

基于小波分解的薄云薄雾模糊图像的恢复与增强

在分析模糊图像噪声特点的基础上,提出对模糊图像进行适当层次的小波分解,然后对分解图像的轮廓和细节部分分别采用不同的处理方法：对低频分量进行LUM滤波和canny算子边缘增强;对高频分量则进行基于邻域统计特性的阈值处理,最后用处理后的分量进行图像重构。实验结果表明,该方法既能有效地去除噪声,又可较好地保持图像细节,效果优于传统的处理方法。     

基因芯片图像高亮噪声处理算法研究

基因芯片图像噪声处理决定了后续处理与分析的精度和准确性.高亮斑点噪声是一种亮度很高、成块状的特殊噪声,应用传统噪声处理方法无法滤除.针对高亮噪声的特点,首先利用形态学碟形结构元素进行开运算来评价图像是否含有噪声,然后利用阈值分割去除噪声.提出两种阈值获取方法,一种是基于最大类间方差的自适应获取方法,一种是固定阈值法.通过大量定性和定量实验比较分析,结果表明,两种方法都可以有效除高亮斑点噪声.     

一种视频图像条状噪声的消除方法

基于对象的视频图像编码或视频监控系统中,在对采集的视频图像背景进行处理时,由于光线变化和摄像机本身造成的条状噪声因其特性与前景对象类似,是较难去除的噪声.采用曲线拟合的方法,对序列图像中各像素在时间方向的特征进行了分析,通过计算噪声在前N帧图像的变化规律,在后续帧中去除了条状噪声.该实验结果为视频对象分割和MPEG-4中sprite背景编码方法的实现奠定了基础.     

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。