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。     

基于噪声检测的高密度椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度的保护图像的细节信息,使得高密度噪声污染图像也能得到较好地恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于噪声检测的高密椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度保护图像的细节信息,使得高密度噪声污染图像也能得到较好的恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

一种用于抑制椒盐噪声的多窗口中值滤波器

该文提出了一种用于抑制椒盐噪声的多窗口中值滤波算法。算法在招待过程中根据具体情况采用不同大小的滤波窗口。仿真结果表明，与标准中值滤波算法相比，该方法不仅可以有效去除图像中的椒盐噪声，特别是在噪声密度非常大的情况下，表现了很好的性。     

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。     

一种基于灰色关联的去椒盐噪声滤波算法

利用灰色关联理论结合开关滤波策略的思想,提出了一种基于灰色关联的去椒盐噪声算法。算法采用开关策略,对于噪声点,选取3×3滤波窗口内的非噪声像素,利用灰色关联度计算各像素的加权值,将各非噪声像素加权后替换噪声点像素值,得到滤波图像。仿真实验证实,该算法不仅有效抑制了图像中的椒盐噪声,而且较好地保持了图像的边缘细节,滤波效果明显优于传统的滤波算法。     

噪声点位置已知的自适应滤波算法比较研究

高效滤除图像中椒盐噪声的方法大多采用先检测被污染图像中椒盐噪声的位置,再有针对性地对椒盐噪声进行处理的方法。噪声检测算法精度均较高,滤波质量与后续采用的自适应开关滤波算法息息相关。文中在图像椒盐噪声位置已知的情况下,比较研究了应用较为广泛的3种自适应开关滤波算法的去噪性能。     

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。     

基于边缘检测的自适应降噪处理方法

提出了一种分区处理的降噪方法,对图像边缘和非边缘区域分别采用自适应中值滤波和均值滤波的方法进行处理.论及的噪声区分高斯噪声和椒盐噪声两种,对含有混合噪声的图像首先滤除椒盐噪声,然后标定图像的边缘细节,在保留图像细节的前提下充分降低噪声.测试结果表明本算法有效降低噪声,改善了图像视觉效果,提高视频编码中压缩效率.     

两种改进型中值滤波算法比较

重点介绍了综合型中值滤波算法以及一种自适应中值滤波算法．针对这两种改进型中值滤波算法,对含有高斯噪声,椒盐噪声,混合噪声以及高密度噪声图像进行去噪处理,比较综合型中值滤波算法（文中采用了十字型和交叉型）和自适应中值滤波算法对不同图像的去噪效果．     

一种改进型椒盐噪声滤波算法

针对极值中值(EM)滤波算法在去除椒盐噪声时误检率较大的问题,提出了一种改进的椒盐噪声去除算法.算法由漏检率和误检率都较低的噪声检测过程和多窗口噪声滤波过程组成,对受不同强度噪声污染图像的去噪实验表明,该方法在不同噪声率下均优于传统的中值(SM)滤波法及其一些改进方法,当噪声率达到70%时其峰值信噪比(PSNR)提高了16 dB.     

基于极值检测的图像滤波算法

针对极值中值滤波法在去除椒盐噪声时存在的不足,提出了一种改进的图像滤波算法.首先使用极值法检测图像中的噪声点,然后采用窗口由小到大变化的自适应算法得到噪声像素的滤波值,最后通过计算噪声像素滤波前后灰度值的差值来修正被误判像素的灰度值.对不同类型、受不同强度噪声污染图像的去噪实验表明,该方法在不同噪声率下均优于传统的中值滤波法及其一些改进算法,当噪声率较大时其去噪和保边性能得到了显著提高.     

基于窗口的自适应中值滤波算法

滤波窗口是影响椒盐噪声滤除效果的重要因素。针对自适应中值滤波算法(RAMF)的不足,提出了一种基于窗口的自适应中值滤波算法。该算法分为噪声的检测和滤除两部分。在噪声检测部分,主要通过混合窗口检测出准噪声点,将其用窗口中值代替,而其余信号点保持不变。重复此方法,直至所有的准噪声点处理完毕。然后,在噪声滤除部分,主要根据噪声密度选择合适的最大滤波窗口半径,进而实现噪声滤除。最后,为验证算法的有效性开展了仿真研究,仿真结果表明本算法对椒盐噪声的滤除具有很好的效果,增强了图像的清晰度。     

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。      

改进的中值滤波去噪算法分析

通过对传统中值滤波的分析,针对传统中值滤波在图像去噪过程中的不足,提出了一种改进算法,根据图像细节特征进行阈值设定,给出噪声与复杂图像细节的判断方法。通过实验仿真该算法对椒盐噪声的抑制和复杂图像细节保护具有很好的鲁棒性和适应性。     

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.     

基于小波变换的图像去噪方法

针对图像中存在的高斯噪声、椒盐噪声和二者混合噪声,提出了一种基于小波变换的图像去噪方法。为进一步提高图像去噪质量,采用Bayes Shrink和中值滤波相结合的方法,对其的不同去噪顺序进行实验,并与中值滤波、Bayes Shrink方法相比较。实验结果表明,先进行Bayes Shrink再进行中值滤波的方法要优于其他方法,去噪效果较好。在图像去噪处理中该种方法具有实际应用价值。     

基于Shearlet变换域图像噪声混合滤波方法

在深入分析Shearlet变换理论的基础上,给出具体的Shearlet变换步骤,并提出一种针对图像脉冲噪声的混合滤波方法.该方法首先对噪声图像进行Shearlet多尺度变换,获得高频和低频系数,保留低频系数不变;然后针对Shearlet高频系数能够较好地刻画噪声局部化的性质,设计出一种多尺度、多方向特性的串/并联自适应中值滤波器,对高频系数中噪声进行自适应检测和滤除;最后实现低频系数和滤波后高频系数重构.通过与小波阈值法去噪和开关中值滤波法仿真实验比较可知,该滤波方法对于高强度的脉冲噪声具有较好的处理效果.     

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。