中值滤波在图像处理中的应用

通常在实际获取的图像中存在一定的噪声,而噪声的存在势必影响图像的清晰度、对比度等因素,会直接影响到下一步的图像处理.因此,图像滤波技术的研究一直是国内外研究的热点.中值滤波是一种典型的非线性滤波技术,能有效滤除干扰噪声.文中探讨了中值滤波算法原理及其在图像处理中的应用,并给出了采用MATLAB仿真的实例,结果表明其具有较好的实用价值.     

多级中值滤波的新算法

“多级中值滤波”是一种用图段处理的非线性滤波方法。由于它在平滑噪声的同时还能够保护图象的细节不被破坏，因此在图象处理中得到了重要的应用。本文对多级中值滤波提出了一种新处，从而使滤波速度得到了有效的提高。     

基于Bayes决策的组合中值滤波

针对图象滤波中的滤噪和细节保护的矛盾，提出了基于Ｂａｙｅｓ决策的组合中值滤波技术，内容有：（１）导出了测试向量的联合分布密度函数；（２）提出了先验概率的一种估计算法，该算法有一定的普遍应用意义；（３）基于Ｂａｙｅｓ决策，将标准中值滤波器（ＭＦ）和多级中值滤波器（ＭＬＭ）组合应用，给出一种效果优良的组合中值滤波器结构。     

图象中值滤波的硬件实现

文章简要介绍了几种中值滤波的算法，并对它们进行了计算机模拟和分析比较，根据算法对噪声的抑制作用及硬件实现的复杂程度，选取一种进行了硬件实验，给出了硬件电路的框图。     

基于模糊中值滤波的图像处理方法

中值滤波器是众多滤波器中既能很好地抑制噪声,又能较好保护图像细节的一个滤波器。尽管如此,依然有很多细节不能被很好地保护。因此,提出了一种模糊中值滤波算法,该算法不像传统中值滤波简单地在像素级上对图像进行去噪处理,而是通过隶属函数将图像灰度值转换到图像特征级处理,该算法不仅能更好地抑制噪声,而且保护细节的性能也有所提高。仿真实验结果表明该方法是可行的。     

中值滤波算法在MPSK信号非线性频率估计中的应用研究

该文基于非线性频率估计算法,通过对叠加了高斯分布白噪声接收信号的非线性变换分析。提出将中值滤波算法应用于载波频率估计之中的思想。同时,运用蒙特卡洛(MonteCarlo)仿真手段对其进行了验证。结果表明：在非线性频率估计中运用中值滤波算法后,其估计的均方误差较之运用均值滤波算法有很大的改善。     

多帧叠加及中值滤波在微光图像降噪中的应用

介绍了用多帧叠加及中值滤波法对微光图像阵噪处理,并给出了硬件框图、软件编程及实验结果。     

基于Bayes决策的组合中值滤波

针对图象滤波中的滤噪和细节保护的矛盾,提出了基于Bayes决策的组合中值滤波技术。内容有:(1)导出了测试向量的联合分布密度函数;(2)提出了先验概率的一种估计算法,该算法具有一定的普遍应用意义;(3)基于Bayes决策,将标准中值滤波器(MF)和多级中值滤波器(MLM)组合应用,给出一种效果优良的组合中值滤波器结构。     

基于准十字窗口的中值滤波法在红外图像处理中的应用

中值滤波法是图像处理中一种非线性滤波技术,可对图像中的噪声进行有效的抑制,成为空域平滑的重要手段。针对中值滤波法的不足,提出一种基于准十字窗口的中值滤波方法。给出了抑制噪声、对图像边界最大保留的计算方法和运算步骤。并将其用于某型飞机实际红外图像处理实践,利用空间噪声曲线对该方法进行了验证。实践证明了其方法具有简单有效、易于编程实现、迭代性好、计算速度快的特点。     

中值滤波对激光雷达图像去噪分析及图像处理系统仿真

分析研究了不同中值滤波窗口对激光雷达图像的去噪效果,并通过计算给出了不同情况下的散斑指数.同时,用Matlab语言编写了激光雷达系统仿真图像处理模块,此模块不仅能用于仿真系统,也能用于对实际雷达图像数据的处理.     

数字图像中值滤波技术研究

中值滤波作为图像处理中的一种非线性滤波技术,在有效抑制脉冲噪声的同时能很好地保护图像信号的细节信息,尤其是在处理椒盐噪声方面效果较好,得到了广泛的研究和应用。文章通过对中值滤波及其改进方法的研究,比较了不同方法的运算效率及对不同图像的去噪效果,分析中值滤波技术的研究方向。     

基于像素滤波和中值滤波的深度图像修复方法

针对Kinect相机采集的深度数据一般有噪声和黑 洞现象,直接应用于场景三维重建系统中效果差的问 题,提出了像素滤波器和中值滤波器相结合的Kinect 深度图像修复方法。首先对一帧图片 上的像素进行搜索, 找到像素值为0的点,以该点为中心,利用其邻域内的像素,定义一个两层的滤波器,根据 像素滤波器的原理 对其进行修复,填充深度图片的黑洞;然后采用中值滤波器,在平滑深度图像的同时保留边 缘信息,去除孤立 噪声点。实验结果表明,本文方法去噪的同时也能对黑洞进行修补,与原始深度图像相比, 空洞明显减少,深度图像质量大大提高。     

基于方向的自适应多级中值滤波

针对传统多级中值滤波在所能保护的线特征方向上的不足,提出了一种基于方向的自适应多级中值滤波方法。该方法通过对小窗口内线特征走向的判断在大的窗口中选择不同的多级中值滤波方式,使滤波子窗口方向与线特征走向相一致。实验证明与传统的多级中值滤波相比,该方法能够在各个方向上更好地保留图像地线特征,同时与传统的多级中值滤波一样能够有效抑制噪声。     

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。     

改进自适应中值滤波算法研究

重点介绍了自适应中值滤波算法以及两种改进的自适应中值滤波算法.针对这3种滤波算法,对含有不同密度椒盐噪声的图像进行去噪实验.结果表明:改进算法去噪效果明显、能有效保护图像细节,PSNR保持在25 dB以上;改进算法在高密度噪声时也能得到细节较为清晰的图像,PSNR比改进前的提高17 dB以上.     

分数域啁啾滤波及其在数字图像处理中的应用

讨论了分数域啁啾滤波的基本原理,同时将光学中的分数傅里叶变换引入到数字图像处理中,提出了一种分数域滤波去除影响数字图片质量之啁啾噪声的新方法,比较了分数域啁啾滤波和常规傅里叶频谱面上的滤波,获得了满意的模拟结果。     

基于中值滤波和小波变换的图像去噪

针对混合噪声的特点,提出一种中值滤波和小波变换相结合的去噪方法。首先对噪声图像进行中值滤波,然后再通过小波阈值法对噪声进行去除,达到去噪目的。最后进行了Matlab仿真实验以及客观标准评价,结果表明:这种方法改善了图像质量,去噪效果优于传统的软、硬阈值方法以及单纯的中值滤波方法,可以有效的去除混合噪声。     

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。     

Nonlinear order statistic filters for image filtering and edge detection

A novel class of nonlinear filters for image processing is proposed. This class is a combination of nonlinear mean and order statistic filters. Median, homomorphic, α-trimmed mean, nonlinear mean, order statistic, and linear filters can be considered as special cases of this class. The properties of these filters in the presence of different kinds of noise are investigated. It is shown that these filters can be used for the reduction of additive white noise, signal-dependent noise, and impulse noise. It is also shown that they preserve edges better than linear filters. Such filters can successfully be used as edge detectors, by appropriate adjustment of some of their parameters. Edge information can be used as an input to these filters to perform in an adaptive manner, changing their behaviour near the edges of an image. It is finally shown that many of the filters proposed have a reasonable (and in certain cases small) computational complexity.