一种基于改进的非对称裁剪中值滤波算法

为了在各种噪声密度条件下,都能恢复椒盐噪声污染的图像并能很好地保持图像的细节,提出了一种基于改进的非对称裁剪中值滤波算法清除椒盐噪声.该方法首先对噪声点进行检测,然后基于滑动窗口中噪声点的数目来自适应改变窗口的大小,最后应用一种改进的非对称裁剪中值滤波器计算中值,结果显示该算法各项指标都要优于其它算法.实验结果表明了在各种的噪声密度条件下,该算法能较好地清除椒盐噪声,而且也能较好地保护图像细节,比现存的一些中值滤波算法清除椒盐噪声的效果更加优秀     

基于中值的图像除噪极值算法

针对椒盐噪声的滤除问题,提出对中值滤波的改进算法,基于中值的极值滤波法.该算法在对图像中的所有象素点进行检测和判断的基础上,根据文中定义的判别准则并充分利用中值滤波法的优点来消除噪声.仿真实验证明,该方法对于受椒盐噪声污染比较严重的图像有较好的滤波效果,与其他改进算法相比其计算量相对较小.     

一种纵横窗口关联的多级中值滤波算法

针对传统中值滤波算法不能很好保护图像细节以及受较严重噪声污染时性能急剧下降的情况,提出了一种纵横窗口关联的多级中值滤波算法。算法采用开关策略,判断N×N窗口内像素点。对于噪声点,先求出以该点为中心的纵横2 N个窗口中每个窗口像素点的中值,再计算出这些中值点的中值,以替换噪声点像素值。对于非噪声点,保持原值不变,从而实现了噪声的去除。仿真结果表明,纵横窗口关联的多级中值滤波算法具有较好的细节保护能力和较强的去噪声能力。     

消除椒盐噪声的改进滤波算法

数字图像在采集、传输等过程中会产生椒盐噪声。传统滤波算法在高噪声率情况下,很难对图像进行有效处理。该文在极值中值滤波的基础上,提出一种具有精确噪声点检测步骤的滤波算法,通过设定阈值并考虑相邻像素的相关性来区分噪声点和信号点,提高滤波精度。实验表明该算法在滤除噪声并保护图像细节方面比其他算法有较大提高,在严重噪声污染情况下,对图像的恢复也有较好效果。     

基于支持向量机的改进中值滤波算法

对椒盐噪声的特点以及标准中值滤波算法存在的不足,提出一种基于支持向量机的改进中值滤波算法. 该算法首先对噪声图像进行中值滤波,并对滤波后图像去模糊化,然后用支持向量机分类确定去模糊化后图像中灰度值为最大值或最小值的像素点是否为噪声点,最后通过支持向量机回归预测将噪声点恢复为原始信号. 仿真实验及仿真结果分析表明该算法可以有效地去除椒盐噪声,且有较高的峰值信噪比.     

强椒盐噪声图像的二次自适应中值滤波算法

中值滤波是一种简单而重要的处理椒盐噪声图像的方法,但传统的中值滤波只适用于弱噪声的情况,对于强椒盐噪声并不适用.本文在中值滤波的基础上,提出了一种自适应的二次中值滤波算法,该算法具有实现过程简单,运算复杂度低,自适应性强的特点.经过实验表明:该方法对强椒盐噪声图像具有良好的处理效果,特别适用于噪声大于50%的高强度椒盐噪声图像.     

一种噪声密度估计的梯度检测滤波算法

针对高密度椒盐噪声污染图像的去噪声问题,提出了一种噪声密度估计的梯度检测滤波算法。算法首先对含噪声图像进行总体噪声密度检测,计算噪声密度p,对于低密度噪声图像(p≤40%),采用3×3窗口改进的梯度检测滤波算法对图像进行滤波,对于高密度噪声污染图像,采用5×5窗口改进的梯度检测滤波算法对图像进行滤波。实验结果表明,文中算法对高密度椒盐噪声污染图像具有较强的去噪声能力和细节保持性能,具有较高的实际应用价值。     

一种新的高密度椒盐噪声滤波算法

针对现有算法对高密度椒盐噪声滤波不足的问题,提出一种新的高密度椒盐噪声滤波算法。通过噪声检测将含噪图像的像素分为信号点和噪声点,对每一个椒盐像素,计算以该像素为中心的窗口内非椒盐像素中值,信号点则保持其灰度值不变直接输出,重复以上过程,直到没有噪声点被替换。实验结果表明,该算法能在有效去除椒盐噪声的同时保护图像细节,较传统中值滤波及其改进算法有更好的滤波性能。     

基于HVS特性的图像自适应中值滤波算法

通过考虑宿主图像亮度、纹理、边缘等特征,提出一种图像自适应中值滤波算法。该算法利用基于人眼视觉特性的临界噪声阈值确定噪声点,根据噪声密度自适应调整滤波窗口大小,采用改进的中值滤波对检测出的噪声点进行处理,从而在去除噪声的同时较好地保护图像细节。实验结果表明,该算法比传统中值滤波及其改进算法有更好的滤波性能,对于噪声污染严重的图像,滤波效果更好。     

快速去除椒盐噪声的蛇形扫描滤波算法

为提高椒盐噪声图像的处理速度和去噪效果,提出一种蛇形扫描滤波算法。利用OTSU算法求出椒盐噪声的阈值,在噪声分布区间内找出相邻灰度之间像素个数差异的最大值,将极值点的灰度值与OTSU算法求出的阈值进行加权平均作为信号与噪声的分割点。实验结果表明,该算法能高效、快速、准确地去除椒盐噪声,并且与中值滤波算法相比,较好地保留了原图的细节,尤其对于高密度噪声污染的图像具有更好的去噪效果。     

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。     

基于噪声检测和动态窗口的图像去噪算法

针对中值滤波算法在去除脉冲噪声时易造成图像细节丢失的问题,提出了一种基 于噪声检测和动态窗口的自适应滤波方法。首先借鉴 BDND 方法,将图像的像素初分成信号点 和疑似噪声点,以减少需要处理的像素点;然后设计一种窗口自适应的噪声检测方法对疑似噪 声点进一步检测,判断其是真噪声点还是细节点,以加强图像细节信息的保护;最后通过改进 的自适应中值滤波器滤除检测出的噪声,并融入窗口自适应控制,窗口的大小可以根据噪声情 况自适应地调整,在去除噪声的同时尽可能地保护图像细节。实验表明,该算法在噪声处理和 细节保护上要优于其他典型算法,能有效地提高图像的峰值信噪比,对于高密度噪声的图像, 也可以获得较好的去噪效果。     

基于四分法噪声检测的开关中值滤波算法

为了精确的检测出图像中的脉冲噪声并滤除,提出一种差分四分法的开关中值滤波算法.该算法对噪声检测窗口内像素按灰度值大小排序,通过差分方法划分出高、低阶信号块和高,低阶噪声块4部分.当待测像素属于高,低阶信号块时视其为信号点,否则,根据噪声块与信号块内像素比例关系确定其为噪声点或可能噪声点,若为可能噪声点,则扩展检测窗口重新检测.对于噪声点,基于其邻域噪声密度自适应的确定滤波窗口,取滤窗内信号点的中值作为滤波输出.实验证明该算法对脉冲噪声有很强的抑制作用.     

基于差分分层噪声检测的开关中值滤波算法

为了精确地检测出图像中的脉冲噪声并滤除,提出了一种差分分层噪声检测的开关中值滤波算法。该算法对噪声检测窗口内像素点按灰度值大小排序,通过差分方法划分出高、低阶噪声块和信号块3部分。当待测像素点属于信号块时视其为信号点;否则,视其为可能噪声点。利用可能噪声点与信号块中与其灰度值最临近的信号点的灰度的差定义了梯度函数,在梯度函数的基础上定义了用于对可能噪声点进行二次检测的模糊隶属函数,对滤波方法进行模糊加权,得到一种加权滤波方法。实验结果证明了该算法对脉冲噪声有很强的抑制作用。     

一种简单的椒盐噪声滤波算法

文章提出了一种基于先定位、后滤波思想的椒盐噪声滤除算法。该算法根据噪声特点,将图像像素分为信号像素或可能的噪声像素两种类别,对于可能的噪声像素,采取去噪中值滤波算法进行滤波,而对于信号像素则不做任何处理,以保留更多的图像细节。文中给出了标准的中值滤波算法、极值中值滤波算法和该文的算法的比较实验,结果表明,该文算法对噪声高度污染图像的去噪能力明显比其它两种算法强,且能较好地保留图像细节。     

一种有效去除脉冲噪声的新方法

提出了一种新的滤波方法。首先从原噪声图像和其中值滤波图像得到细节图像。通过使用一种新的噪声检测方法得到另一幅图像,使其只保留细节图像中的噪声。通过这个图像,可以更加准确地检测出污染图像中的噪声。对噪声图像中的每个像素,相应滤波器输出为原像素灰度值和窗中像素中值的线性组合。当前像素是一个脉冲的可能性越大,滤波过程中对它改变的就越多。与其它的中值类滤波方法相比,该方法不仅可以有效地去除噪声,而且更好地保留了图像细节。     

基于模糊推理的彩色图像噪音消除算法

为有效消除彩色图像在采集和传输过程中出现的随机脉冲噪音,提出了一种基于模糊推理的矢量中值滤波算法。该算法通过设计的模糊规则判断当前滤波窗口对应是否为细节区域,采用不同参数的经典矢量中值滤波进行处理。若未被判断为噪音时,原滤波窗口中心像素会保留。通过与目前常见的各类矢量滤波算法进行比较,该算法在图像细节的保留上有较好效果。     

一种改进的自适应中值滤波算法

传统的自适应中值滤波算法,利用极值判别像素点是否为噪声点。该方法容易将边缘点误判为噪声点,将噪声点误判为信号点。本文针对这一问题,提出一种利用边缘点与噪声点的差异判别噪声点,并将噪声点分为平滑区噪声点与边缘区域噪声点,对不同类型噪声点进行不同处理。从而达到更好的抑制噪声与保护图像细节效果。     

保护细节的开关自适应矢量中值滤波器

提出了基于噪声检测的开关矢量中值滤波,在噪声检测阶段根据噪声的定义将标量检测和矢量检测结合在一起,有效地提高噪声检测的准确性;由于采用开关矢量滤波,滤波过程只对在标量预检测中被检测出的噪声像素进行,可大大减少计算量并能较好地保持图像的细节和边缘,而且在滤波过程中不会出现新的颜色。