用于图像处理的自适应均值滤波算法

针对标准均值滤波存在的问题,提出自适应均值滤波算法。算法首先计算窗口的四阶累积量和二阶中心矩并确定噪声点阈值;然后根据窗口内噪声点个数自适应调整滤波窗口,自适应计算权值;最后对噪声点逐点滤波。该方法既能有效去除图像噪声点,又能较好保持图像细节。论文最后给出实验和分析,结果表明该方法是有效的。     

一种基于自适应的新型中值滤波算法

提出了一种新的自适应中值滤波算法,首先使用3×3窗口在图像上滑动,计算该窗口中心像素的块均匀度,并与整幅图像的块均匀度比较,自适应地确定窗口中心像素是否为噪声点;然后统计3×3窗口中噪声点的个数,自适应地调整滤波窗口大小,最后自适应地计算权值,并采用改进的加权中值滤波方法对噪声点进行逐点滤波。该方法既能有效地去除图像噪声点,又能较好地保持图像细节部分。通过对实验结果进一步分析,该方法比均值滤波和中值滤波的性能更加优化,在椒盐噪声大小相同的情况下,PSNR值提高了9.4~12.7。评价结果与目视效果吻合良好,为图像去除噪声提供了一个新的途径。     

基于城区距离的自适应加权均值滤波算法

针对传统滤波窗口不能自适应扩展以及标准均值滤波易造成图像边缘模糊的缺陷,提出一种基于城区距离的自适应加权均值滤波算法。首先,利用开关滤波思想检测出噪声点;其次,对于每一噪声点,依据城区距离扩展窗口,窗口的大小根据窗口内信号点的个数自适应地调节;最后,将窗口内足够数量信号点的灰度的加权平均值作为噪声点的灰度值,实现对噪声点的有效恢复。实验结果表明,该算法能够有效地滤除椒盐噪声,尤其对噪声密度较大的图像,去噪效果更加显著。     

一种基于人类视觉的自适应均值滤波算法

论文提出了一种基于人类视觉系统的自适应均值滤波算法,首先根据人类视觉特性自适应确定噪声点的阈值,然后滤波窗口自适应调整大小和权值自适应计算的加权均值滤波方法,对检测到的噪声点进行逐点滤除。该方法既可有效地去除噪声,又可以较好地保持图像细节部分。论文最后给出模拟实验和分析,结果表明该方法是有效的。     

改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.     

考虑均值的滤除脉冲噪声的自适应非线性滤波

针对脉冲噪声滤除,提出一种基于均值的自适应非线性滤波。其算法思想是先进行噪声检测并生成相应的噪声标志矩阵,随后扫描噪声标志矩阵,对信号点则直接输出,而噪声点则根据窗口内噪声点个数自适应选择滤波窗口,接着生成一个由滤波窗口各像素灰度与相应均值之差形成的差别矩阵,并赋予差别矩阵各元素不同的权重,最后返回加权后差别矩阵中最小值的位置,并用该像素的灰度取代噪声点。噪声点滤除算法,其实质是找出一个空间位置上离噪声点最近且最接近均值的像素的灰度来取代噪声点。通过实验,该方法具有更好的综合滤波性能。     

针对椒盐噪声的开关模糊滤波器

自适应中值滤波随着椒盐噪声密度增加滤波图像细节损失较大。在开关滤波和自适应中值滤波的基础上提出了开关模糊滤波（SF）。SF用Max-Min算子检测噪声点,然后根据滤波窗口中正常点数量以均值方法或者T-S模糊方法去噪。仿真实验表明,开关模糊滤波比自适应中值滤波能更好地保护边界和细节。开关模糊滤波在消除噪声和细节保护之间取得了良好的平衡。     

一种改进的极值均值自适应滤波算法

为了在滤除噪声的同时保持图像细节,提出了一种新型自适应滤波算法。该算法根据图像中的某点是否为邻域极值点,将全部像素分为可疑噪声和信号两类,若中心点属于可疑噪声,将其并入信号类组成一新类,并计算其均值与信号类均值的差值,再通过与阈值比较,确定是否用信号类的中值取代原噪声图像的值。滤波窗口能根据噪声密度自适应改变大小。实验表明,该算法具有良好的滤波性能,尤其在噪声严重时,效果优于其他中值滤波算法。     

椒盐图像的方向加权均值滤波算法

椒盐噪声是造成图像污染的主要因素之一,椒盐去噪是图像去噪领域的研究热点。方向加权中值滤波算法计算噪声点滤波输出时存在一定的问题,比如,未排除近邻噪声点的干扰,对方向的估计不准确,对局部灰度特性刻画不完整等。为此,提出一种方向加权均值滤波算法。此算法先根据方向灰度差异和灰度极值判断检测噪声点,然后根据对局部窗口噪声强度的估计自适应地选择递归或非递归滤波窗口的加权灰度均值作为滤波输出。仿真实验结果表明,提出的算法与现有的两种方向加权中值滤波算法相比,PSNR普遍提高了2~3dB和5~6dB,噪声密度高时提高的幅度更加明显;速度提高了接近10倍和30倍。     

改进型插值IELAD算法在图像去噪中的应用

基于视频信号处理中用于场内插值的边缘自适应平均算法(ELA)思想,提出一种针对椒盐噪声图像滤波的改进型边缘自适应平均去噪算法(IELAD)。算法在扩展横向5+5阶ELA窗口的基础上增加了纵向5+5阶ELA窗口。根据噪声点所处边缘方向,自适应地确定窗口及滤波方向进行滤波处理。实验表明IELAD算法充分利用了ELA窗口的保边特性,能够在去除椒盐噪声的同时有效地保持图像的边缘及细节信息。     

改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

更普适的快速自适应图像滤波算法——近均值滤波

对常见的滤波算法进行分析,在此基础上提出“近均值”的概念,设计相应的滤波算法。对滤波窗口尺寸采用自适应的方式,在排除部分可疑噪声数据后,对剩余数据计算均值。提出三种计算近均值的规则和两种噪声判断方案,组合设计了九种滤波算法。在与均值滤波、中值滤波及部分改进的滤波算法进行实验对比后,确定提出的第七种滤波算法具有更好的滤波效果,能适应不同类型的噪声,其普适性和实用性进一步增强。     

基于HVS特性的自适应K近邻均值滤波算法

通过充分考虑宿主图像亮度、纹理、边缘等特征,提出一种改进的图像自适应K近邻均值滤波算法。该方法首先利用基于人眼视觉特性的临界噪声阈值来确定噪声点,然后根据噪声密度自适应调整滤波窗口大小与参与滤波的像素数K值,采用自适应K近邻均值滤波对检测出的噪声点进行处理。该算法能有效去除噪声,并较好地保留图像边缘细节,仿真实验结果表明,提出算法比传统中值滤波、均值滤波和K近邻均值滤波算法有更好的去噪能力。     

一种新型的自适应模糊中值滤波算法

针对传统中值滤波算法不能很好地保护图像细节以及受严重噪声污染时性能急剧下降的情况,提出了一种新型的自适应模糊中值滤波算法。通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系数,利用此模糊滤波系数对滤波方法进行加权,得到一种加权中值滤波器。通过对小窗口内的灰度值不等于最大灰度值和最小灰度值的像素点的检测自适应调整窗口大小,对超过设定的最大窗口的情况,噪声点的灰度值用四个相邻的已处理的像素点灰度值的均值进行替换。仿真结果表明,新算法具有较好的细节保护能力和较强的去除噪声能力。     

采用自适应四点窗中点滤波的高椒盐噪声滤除方法

针对当前中值滤波器处理图像高椒盐噪声效果不佳和实时性不强等问题,提出了一种快速自适应四点窗中点滤波（AFMF）方法。首先,为了降低计算复杂度,使用简单的极值方法检测噪声点;然后,摒弃传统的全点窗口,不用中值滤波,而是在开关滤波和裁剪滤波的基础上,采用新型的非线性滤波方法：中点滤波,简化了算法的流程,提升了算法的计算效率,提高了去噪效果;最后,从3×3窗口开始到由里向外推进,逐渐增大窗口,形成自适应滤波,一直到噪声点处理完,如此避免了窗口大小参数的设置。实验结果表明,与AMF、SAMF、MDBUTMF以及DBCWMF相比,AFMF在处理高密度椒盐噪声上不仅有更好的去噪性能、更快的运行速度（约0.18 s）,且无需设置参数,可操作性强,具有较强的实用性。     

基于人类视觉的B样条滤波算法

提出了一种基于人类视觉系统的B样条滤波算法,首先根据人类视觉特性确定噪声点,然后根据3×3窗口内噪声点个数自适应调整滤波窗口大小,最后采用B样条函数和中值滤波方法对噪声点进行逐点滤除.该方法既能有效地去除噪声,又能较好地保持图像细节部分.最后给出模拟实验和分析,结果表明该方法是有效的,较标准均值滤波和中值滤波具有更好的滤波性能.     

基于噪声检测的激光光斑图像去噪方法

基于受污染图像的噪声检测,提出了一种有效的椒盐噪声图像混合滤波算法。首先利用可自适应变化的矢量窗口检测噪声,并对检测到的噪声进行分类,然后采用所提出的伪加权中值滤波和伪加权均值滤波两种算法对图像进行混合滤波,最后加入背景阈值和孤立噪点修正量对滤波后的图像进行灰度修正。提出的方法对不同椒盐噪声强度下的激光光斑图像均体现出优异的滤波性能,去噪和边缘保持性能得到了较大提高,优于传统的中值滤波、均值滤波及其一些改进算法。     

一种基于脉冲噪声检测的图像均值滤波方法

论文提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用均值滤波方法滤除脉冲噪声的方法。该方法首先采用串行方式,对含有脉冲噪声的图像进行逐点检测,其中判断噪声点的阈值可自适应地调整。采用窗口长度自适应调整和选择性取样的均值滤波方法,对检测到的噪声点进行逐点滤除。该方法既可有效地滤除脉冲噪声,又可以较好地保持图像边缘细节,对图像的后续处理有很好的价值。论文最后给出了实验滤波结果,说明了该方法的有效性。     

一种用于图像降噪的自适应均值滤波算法

图像中噪声的消除是图像处理与识别的重要环节,噪声滤除效果的好坏直接影响着后续图像处理与识别的质量.为此,提出一种用于图像降噪的空间域滤波算法,自适应均值滤波算法(Adaptive Averaging Filtering Algorithm,AAFA).该算法中局部窗口的系数(掩模系数)是根据局部窗口内各像素与中心像素间的灰度和空间关系计算的,即局部窗口中心像素灰度均值的计算既考虑了窗口内各像素与中心像素间的灰度值差异,又顾及了窗口内各像素与中心像素间的距离.利用该算法进行图像降噪的实验结果表明,相对于经典的空间域均值滤波算法和其它的均值滤波算法,该算法的噪声滤除效果更好.     

灰度极限脉冲耦合神经网络混合噪声滤波

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。