噪声密度不敏感的随机采样椒盐噪声滤波算法

中值滤波系列算法在处理被不同密度椒盐噪声污染的细节图像和平坦图像时,降噪性能不一致。本文借鉴开关中值滤波和压缩感知的思想,提出了随机采样滤波算法去除椒盐噪声。算法以噪声检测为基础,将被椒盐噪声污染的图像分为疑似噪声像素和信号像素,随机采样仅对信号像素采样。然后,利用正交匹配追踪算法重构出被污染前的图像,替代了中值滤波对噪声像素的估计。由于随机采样滤波基于压缩感知理论,对稀疏信号的重构具有最少测量次数的条件,因此随机采样点的数量具有一定的浮动空间,表现为对噪声密度不敏感。以被不同噪声密度污染图像的纹理、平坦局部区域进行验证,实验表明,当噪声密度在一定范围内变化时,算法可以实现对噪声密度不敏感。在高密度噪声污染的情况下,相较于中值滤波系列算法,随机采样滤波算法具有更好的细节保留能力和滤波能力。对标准测试图像进行了全局滤波,不同噪声密度具有一致的滤波效果,与自适应滤波算法相比,随机采样滤波算法在处理包含密集边缘特征的区域时更具备优势。      

一种用于消除红外图像噪声的自适应加权滤波算法

针对带有高斯噪声和椒盐噪声两种混合噪声的红外图像,提出了一种自适应加权混合去噪算法。该算法首先通过邻域像素的灰度差值来判断像素噪声的类别,然后对高斯噪声采用自适应加权均值滤波法滤除,对椒盐噪声采用自适应加权中值滤波算法滤除。实验表明,该方法优于传统均值滤波算法和中值滤波算法,能同时消除混合噪声,并具有较好的保护图像细节的能力。     

一种消除椒盐噪声的迭代自适应中值滤波算法

针对传统中值滤波算法对高密度椒盐噪声图像滤波效果差的问题,基于循环迭代处理思想,提出一种消除椒盐噪声的迭代自适应中值滤波算法。在传统基于决策滤波方法基础上,所提算法自适应调整滤波窗口尺寸并计算滤波窗口内非椒盐像素中值以替换噪声像素,进而根据噪声密度自适应决定算法迭代次数,以完全消除椒盐噪声并恢复原始图像。仿真结果表明,对噪声密度为10%～99%的图像,与标准中值滤波及其4种改进算法相比,所提算法能较快消除椒盐噪声且可较好恢复原始图像细节。     

一种高效去除椒盐噪声的中值滤波方法

提出了一种基于先检测、后滤波的椒盐噪声滤除算法．将像素值为0或255附近的像素点作为疑似噪声点,其余点为信号点．信号点不做任何处理,以保留更多的图像细节．而对于疑似噪声点,首先用改进的自适应极值中值方法进行噪声检测,并将检测结果记录在一个二值矩阵flag中,其中信号点记为1,噪声点记为0．然后根据图像像素值矩阵与flag的点积进行自适应中值滤波处理．实验结果表明,不仅对真实含噪图像处理有很强的适应性,而且对噪声密度高的图像,能在有效去除椒盐噪声的同时保护图像细节．在不同噪声率下均优于标准中值（SMF）滤波法及其一些改进方法,在噪声密度为10％～90％其峰值信噪比（PSNR）平均提高6dB．     

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像（噪声密度大于30%）,则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度（90%）噪声情况下与其他算法相比获得的峰值信噪比（PSNR）仍高出10 dB左右。     

一种抑制混合噪声的组合滤波算法

为了滤除图像中存在的混合噪声,提出了一种基于中值和均值的组合滤波算法。算法分两步进行,第一步采用改进的中值滤波算法过滤图像中的椒盐噪声;第二步将滤除椒盐噪声的图像采用均值滤波算法进行平滑,滤除高斯噪声。计算机仿真实验表明,组合滤波算法对于图像中的椒盐噪声和高斯噪声具有较好的滤除效果和细节保护作用,性能明显优于传统滤波算法。     

基于相关度量的高椒盐噪声软阈值直方图滤波算法

利用图像邻域相关和直方图对椒盐噪声的鲁棒性,提出了一种针对高椒盐噪声图像的软阈值直方图加权滤波算法.对邻域灰度相关进行了量化分析,定义了灰度相关函数作为信号邻域相关性的度量,并将该系数作为直方图加权滤波算法的软阈值,根据像素被判定为噪声或有效信号的概率,自行调整滤波强度,减少图像滤波处理中的细节损失.仿真结果表明,对于高椒盐噪声图像,本算法在椒盐噪声滤除方面有良好的表现.     

去除严重椒盐噪声的模糊加权改进算法

去除椒盐脉冲噪声是图像处理中的一个重要问题,提出了一种基于距离关系和模糊关系理论,去除严重椒盐噪声污染图像的恢复方法。该算法弥补了中值滤波在椒盐噪声概率高的情况下,滤噪能力下降快的缺点,经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果。     

基于Matlab的椒盐噪声滤波算法研究与实现

介绍了图像去噪流程,研究了图像椒盐噪声处理中的两种算法,均值滤波算法和中值滤波算法,详细阐述了两种算法的基本原理和实现方法,在Matlab环境下利用两种算法对图像进行去噪处理,并对去噪结果进行比较、分析,实验结果表明两种算法都能有效滤除图像中的椒盐噪声,中值滤波算法在保护图像细节方面要优于均值滤波算法。     

一种窗口自适应的去椒盐噪声滤波算法

为了有效地去除图像中的椒盐噪声,提出一种窗口自适应的滤波算法。算法先采用3×3窗口进行噪声检测,如果中心点为噪声点,则统计窗口内为非噪声点的数量。当非噪声点的数量大于2时,采用中值均值滤波算法;当非噪声点的数量小于等于2时,将窗口尺寸扩大至5×5,采用中值均值滤波算法。如果中心点为信号点,则保持原值不变直接输出。仿真实验结果证明,这种算法对不同程度椒盐噪声污染的图像具有较强的去噪能力,同时较好地保持了图像的细节。     

严重椒盐噪声污染图像的非线性滤波算法

针对灰度图像的椒盐噪声滤波问题，提出一种保细节的非线性滤波算法。利用局部统计信息，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3类，建立噪声标矩阵；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3种类别，并分别采用不同的方法进行滤波，以保留更多的图像细节。结果表明，本文算法在去噪能力、自适应性以及保留细节等方面都明显比其它4种算法强，尤其是对于噪声高度污染图像的情况。     

基于细节保留的椒盐噪声自适应滤波算法

针对灰度图像中椒盐噪声的特点,提出了一种更加精确的噪声检测方法:该方法利用滤波窗口内像素点灰度值的不同,将受椒盐噪声污染的图像中像素点划分为噪声点,疑似噪声点和信号点.通过设定阈值,并参考相邻像素点的相关性来进一步区分疑似噪声点,最终建立噪声标记矩阵.对于被标记的噪声点,采用自适应滤波算法,保留更多的图像细节.仿真结果表明,该算法在除去噪声点的同时,对于边缘细节也有非常好的保护作用.     

消除脉冲噪声的改进自适应滤波算法

针对灰度图像受脉冲噪声污染后的恢复处理问题,提出了一种改进的自适应中值滤波算法。该方法根据脉冲噪声的分布特点,采用极大值、极小值和领域均值判定准则进行噪声点的检测,然后用检测窗口内最小非噪声点集合的中值作为噪声点的滤波输出。实验结果表明,与其他几种算法相比,文中算法不仅在峰值信噪比(Peak Signal to Noise Ratio)和结构相似度(Structural Similarity,SSIM)上有较大优势,而且还具有较低的时间复杂度和更好的自适应性。也进一步说明该方法不仅能有效地检测并滤除噪声点,还能较好地保护图像的边缘细节。     

基于IRFPA改进中值滤波算法的FPGA实现

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术.改进中值滤波算法与传统3×3中值滤波器相比较:滤波模板由2个FIFO与7个寄存器组成,简单实用;经过6级比较可以快速找到9个数的中值,提高了寻找中值的速度;得到的中值与原始数据经过阈值比较,做选择性替换,便于更好地保持图像细节.此算法在640×512元...     

一种适用于椒盐-高斯干扰信号的自适应滤波改进算法

图像通信由于成像设备自身特点和通信过程中的光-电转换机制,一般含有椒盐-高斯干扰信号,信号交叉影响会导致单一的滤波方法效果不佳甚至失去作用。为了同时有效抑制两种干扰信号,提出了一种适用于椒盐-高斯干扰信号的自适应滤波改进算法。该算法首先通过干扰信号噪声点辨识与滤波窗口自适应扩展,计算信号噪声辨识过程中各扩展窗口归一化系数和一次加权联合滤波中间输出,然后利用多层级窗口中间输出值进行二次加权优化滤波,减少干扰信号噪声点对联合滤波输出的影响,最后针对计算量大的问题,在中值滤波过程中提出均值分割方法,提高滤波算法实时性。实验结果表明,该方法能有效抑制椒盐-高斯干扰信号噪声,算法实时性较好,优于多种传统及其演进滤波算法。     

脉冲噪声图像的中-均值滤波算法

由于在图像信息的获取和传输过程中,图像常常受到不同程度的脉冲噪声污染。为了有效地去除高浓度脉冲噪声,提出了一种基于中－均值滤波器的噪声去除算法。该方法根据脉冲噪声特点,设定一个简单的噪声检测算子,根据噪声检测结果设定自适应滤波窗口,同时根据噪声密度选择中值和均值滤波器。为了更加有效地保留图像的原有信息,对非噪声点不做滤波处理。仿真结果表明,所提出的中－均值滤波方法不仅能有效地去除高浓度的脉冲噪声,而且能很好地保留图像的原有信息,并具有较短的滤波处理时间。     

一种快速去除高密度椒盐噪声的滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。     

基于横向拓展窗口的快速图像中值滤波算法

中值滤波是一种基于空域排序统计的图像降噪方法,可在滤除噪声的同时有效保护图像的细节信息。传统中值滤波一般采用冒泡排序法来对方形窗口内的像素灰度值进行排序操作,像素之间的比较次数多,处理时间长,不利于实时图像处理。基于图像并行处理的思想,提出了一种基于横向拓展窗口的快速中值滤波算法。算法将传统的方形窗口进行横向拓展,从而改变滤波窗口漫游的滑动步长,同时可以有效利用算法执行过程中的比较信息,达到提高整幅图像处理速度的目的。实验结果表明,算法能够满足图像降噪高精度、高实时性要求。所提出的算法通过牺牲芯片面积来换取处理速度,适宜于在现场可编程门阵列等硬件上实现。     

一种基于极值的自适应中值滤波算法

图像平滑处理中,如何在去除噪声的同时完整地保留图像边缘细节一直是非线性滤波算法研究的热点问题。提出了一种基于极值的自适应中值滤波算法,该算法根据图像中某点是否为邻域极值点将全部像素分为可疑噪声与信号两类。对可疑噪声点采用包括八个一维窗口和一个二维窗口在内的不同尺度和不同方向的九个子窗口,按照各个子窗口的均方差大小,自适应选择窗口进行中值滤波;对信号点不加处理,灰度值不变。测试结果表明,该算法的滤噪特性和细节保护能力优于多级中值滤波;执行速度较快,优于经典中值滤波。