一种基于灰关联分析的红外图像滤波算法

空空导弹红外图像中存在的噪声严重影响目标的检测与识别,论文通过分析灰关联度与图像灰度变化的对应关系,提出了一种基于灰关联分析的红外图像滤波算法。首先选取含噪图像3×3邻域内4个方向的比较序列,分别计算其与理想参考序列之间的灰关联度;再通过比较4个灰关联度的大小得到当前象素点的类型;对噪声点、非噪声点象素分别处理得到去噪后的图像。最后对可见光、红外图像分别添加高斯噪声、椒盐噪声进行去噪实验。结果表明该算法能够很好的去除可见光、红外图像中的高斯噪声及椒盐噪声,具有较强的普适性。     

微扫描多帧平滑FPN提高CMOS图像传感器信噪比

在压电陶瓷驱动下，CMOS图像传感器在焦平面内每帧位移一个象素以获取一个帧与帧之间存在位移的周期性图像序列，通过电子反向位移对准，将一个周期内的图像帧叠加以消除固定图案噪声（fixed pattern noise,FPN）。选用SVGA的数字式CMOS图像传感器进行多帧微扫描成像试验。试验结果证明，多帧微扫描所得图像与无微扫描的单帧图像相比FPN已经完全消除。     

基于图像邻域特性的高斯噪声去噪

针对传统高斯噪声去噪算法残余噪声较大的不足,根据噪声对图像视觉的影响,提出了基于像素邻域相关性的去噪算法.首先运用邻域像素的连续性判断像素点是否位于平滑区内;其次对非平滑区根据边缘和纹理的局部连续性运用形态学提取图像边缘和纹理进而定位噪声点;最后对平滑区内的噪声运用自适应邻域进行去噪处理,对非平滑区的噪声仅利用非平滑区的邻域进行平滑,实现了对高斯噪声先定位再去噪.经实验结果验证:与传统方法相比,该算法较好地抑制了图像平滑区内噪声,提高了去噪后图像的视觉效果.     

一种亮暗比例悬殊的脉冲噪声重污染图像去噪方法(英文)

虽然目前边界分离噪声检测（BDND）算法被普遍认为是一种较好的去除图像脉冲噪声方法,然而研究发现当盐或胡椒噪声污染比例之一超过50%,其性能却急剧下降,几乎无法去噪.为此在BDND算法基础上提出了改进的噪声检测方法（Mod ified BDND）,对每个子图,新方法选取与128最接近的灰度值作为分界点,从而避免原方法因选取中值为分界点而可能落入污染区域的问题.该方法既可保留BDND算法优点,而且还能明显提高此时图象的重建效果.通过对Lena图象仿真处理说明了本算法的有效性和优越性.     

基于提升小波的图像脉冲噪声抑制方法

分析利用小波进行图像去噪的方法和特点,根据电视跟踪测量系统的实际需要提出利用易于硬件实现的提升小波滤波器对实时图像进行去噪,重点研究受脉冲干扰的实时图像的噪声抑制问题.小波分解的高频部分在噪声附近具有较大值,通过调整提升项设计提升小波滤波器,所设计的滤波器包含噪声特性,应用这些滤波器可以检测到脉冲噪声,利用小波的重构公式消去图像中的噪声.由于提升小波滤波器比普通小波滤波器运算量大大减少,因此算法易于硬件实现.将提升小波的降噪方法同现代信号处理器件DSP和FPGA结合起来有着广泛的应用前景.     

基于EMD的绝缘子泄漏电流去除噪声研究

针对绝缘子泄漏电流信号在安全区阶段信噪比较低,传统去噪方法去噪效果不佳的问题,结合经验模态分解(Empirical Mode Decomposition,EMD)的特点,设计了基于白噪声统计特性的EMD滤波器和EMD阈值滤波器。利用设计的两种EMD滤波方法对泄漏电流信号的仿真模型进行去噪,从除噪后信号的波形形状和信噪比等方面对去噪效果进行评价。研究表明EMD去噪方法去噪性能优于小波去噪。同时还发现,针对不同信噪比的含噪信号,基于白噪声统计特性的EMD去噪和EMD阈值去噪各具有优势,可根据信噪比的不同,选取最适合的滤波方法。     

基于高阶统计量的小波变换去噪算法

图像在获取和传输的过程中经常要受到噪声的污染.传统的去噪方法不仅滤出了图像的噪声,同时使图像细节变得模糊.本文提出一种基于双谱和小波变换的去噪算法.该方法是根据高斯噪声及椒盐噪声在小波变换下的不同特征,并结合双谱滤波、中值滤波的特点,在小波城内对高频子带进行双谱滤波,去除图像中的高斯噪声,然后进行中值滤波,去除图像中的椒盐噪声.高斯噪声的双谱为零,能够彻底的去除高斯噪声.该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声,而且能较好的保留图像的边缘细节.其滤波效果优于传统的图像去噪方法.     

基于局部保边函数的低信噪比图像去噪

传统的去噪算法要求含噪图像信噪比较高,并且去噪后图像边缘及纹理信息受到不同程度地损失。本文针对传统算法的不足,提出了基于局部保边函数的低信噪比图像去噪算法,首先对低信噪比图像运用自适应中值滤波器减少椒盐噪声对图像的影响同时保留图像边缘和纹理等细节信息;其次分析处理后的图像局部邻域内像素之间的关系,设计图像局部保边映射函数,最后利用Poly-Ribière-Polak(PRP)算法求出目标函数的最值进而实现低信噪比图像的去噪处理,去除高斯噪声和残余的椒盐噪声。 与传统算法相比,本文去噪效果较好,尤其是对PSNR为5.4db的低信噪比图像去噪后图像PSNR 达到24.3dB。     

图像阈值去噪中的小波特性分析及算法改进

选取合理的小波和阈值算法能够获得理想的图像阈值去噪结果;分析了小波正交性、消失矩以及滤波器结构等特性对图像阈值去噪的影响,提出了图像闽值去噪中小波特性的选取依据．按照噪声与图像信息在小波多尺度分解中传递特性的不同,提出基于信息量的自适应分层阈值算法;仿真结果表明,在进行图像阈值去噪时应优先选取双正交小波,且其消失矩阶数近似于图像的最高次奇异性,去噪小波的高通分解滤波器应具有偶对称性质,低通分解滤波器长度不宜过短．自适应分层阈值算法的图像去噪效果要明显优于全局阈值算法,图像信噪比能够提升至27．86（bior2．6,SNR0=20）;具有偶对称高通分解滤波器的双正交小波能够获得较好的图像去噪效果,其消失矩阶数应近似等于图像的最高次奇异性,基于信息量的小波自适应阈值算法在提升图像信噪比的同时,能够有效保留图像的细节信息．     

图像脉冲噪声消除算法研究

为改善消噪后图像的质量,提出一种在保留图像细节信息的同时,能够消除污染图像脉冲噪声的有效算法．该算法采用模糊噪声检测技术,结合差分绝对值顺序（ROAD）统计量和开关函数构造模糊噪声检测器,采用像素原始值、中值和像素噪声疑似度的线性组合消除噪声．该算法不需预先训练,通过脉冲噪声检测和消除两个步骤即可消除图像脉冲噪声．实验结果表明,该算法在峰值信噪比和视觉效果方面优于其它图像消噪算法．     

图像高椒盐噪声的迭代滤除算法

为有效滤除图像中的高椒盐噪声,提出一种迭代滤波算法.首先采用极值方法检测出噪声点,然后对噪声点以迭代方式逐步滤波,直到噪声点全部清除.利用迭代方式中每一噪声点都能直接或间接利用到图像有用信息的特点,滤波输出始终采用恒定的3×3小邻域,避免了大邻域窗口的诸多弊端.基于图像相关特性,在滤波输出上采用一种基于灰度差的加权均值方式.仿真结果表明,该算法能有效滤除图像中的高椒盐噪声,性能优于其他许多同类算法.     

一种改进的卡尔曼滤波算法在非均匀校正中的应用

提出了一种改进的卡尔曼滤波算法,并将其应用于红外焦平面成像非均匀校正过程中。该算法合理的分配了传统卡尔曼滤波算法的计算量,克服了传统卡尔曼滤波算法计算量分配不均的不足,使该算法在相同的条件下不仅能更容易对非均匀校正算法进行实时处理,而且还能支持更高的分辨率。     

基于相关权值的图像椒盐噪声自适应窗滤波

为有效滤除图像中椒盐噪声,提出一种基于相关权值的自适应窗滤波算法。算法基于极值检测判断噪声点并仅对噪声点滤波。引入灰度差刻画邻域像素与中心像素的相关性,以此为基础设置像素权值,对中心像素执行加权均值滤波。通过邻域窗口的自适应扩展适应噪声密度变化,并对邻域像素分区域设置权值,从而适应高椒盐噪声的滤除。仿真结果表明,本文算法能够有效滤除图像中的椒盐噪声,尤其在高椒盐噪声下性能表现更佳。     

基于2级检测的脉冲噪声滤除算法

以图像结构和噪声的特征分析为基础,提出了一种新的脉冲噪声滤除算法. 算法在噪声检测阶段采用2级开关检测,即先以极值法进行初步检测,然后利用像素邻域的结构信息,并借助设定的阈值识别出该点的性质（信号点或噪声点）. 最后以滤波窗口内像素的灰度排序均值（ROM）替换噪声点的灰度值. 实验表明,本算法在滤除固定值脉冲噪声的同时可以有效地保护图像细节.     

图像局部方向均值边缘检测算法

根据图像边缘形成的光学原理,将图像边缘分为斜坡形边缘和三角形边缘,提出了一种新的基于方向均值的图像边缘检测方法。该方法以图像像素点为中心,沿不同方向将邻域内的像素分割成两个半圆,分别计算出半圆内像素的样本均值及其差值,再根据均值差值最大值和最小值的方向与两种不同边缘之间的关系,设计边缘幅度响应函数,判断边缘类型,计算边缘幅度响应值和方向,结合漏检概率设计了边缘检测评价函数,并利用评价函数分析平滑尺寸与邻域半径之间的关系。实验结果表明,本文算法具有较好的检测精度,在一定程度上抑制了噪声对边缘检测的影响。     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于模糊神经网络的彩色图像滤波器研究

为实现彩色图像噪声的滤波，基于模糊神经网络技术构建了一种新型的彩色图像滤波器．该滤波器通过对滤波窗口的彩色图像像素矢量进行模糊加权来判断邻近像素和中心像素的关系，针对不同性质的噪声由神经网络的自学习和自组织功能来自动调节滤波器的权值以实现噪声的滤除．用Flowers图像和Lena图像对经过训练的滤波器和矢量中值滤波器进行了测试对比．结果表明：模糊神经网络彩色滤波器无论对单纯的脉冲噪声及高斯噪声，还是二者的混合噪声，其滤除能力都要优于矢量中值滤波器，并且有较好的边缘和细节保持能力．     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发，分析了Kalman滤波算法的实质及容量发散的原因，提出在Kalman滤波中引入系统量测噪声协方差阵（R）的计算，并对其加权，从而影响滤波增益，抑制发散，推算舰位／GPS组合导航的应用仿真表明明显测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

时频降噪在图像序列事件检测中的应用

针对图像序列分析中事件检测在强背景噪声的野外应用场景下经常出现"假事件"检测的问题,利用Kalman滤波器与二维DCT滤波思想,提出了基于图像序列时频降噪的事件检测方法。该方法基于Kalman滤波器对图像序列进行背景模型的时域多帧降噪,并结合变化前景区域实现背景模型的自适应重构,对单帧前景图像应用二维DCT变换实现低通降噪,最后由自适应分割方法实现事件前景的分割。通过对实际采集的野外图像序列的仿真分析表明,该方法较好地克服了"假事件"检测的问题,并更好地保持了真实事件信息,其F-measure达0.9423,具有很好的实用性与鲁棒性。     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法。采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理。采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数。仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法。