首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 93 毫秒
1.
为了去除彩色图像随机值脉冲噪声,提出了一种新的矢量滤波方法。该方法对图像的平滑区域和边缘区域的滤波工作分开进行,平滑区域滤波方法将窗口分成多个区域,然后基于矢量中值和平滑区域像素的特征检测出平滑区域的信号,边缘区域的滤波是在已知信号的基础上对非信号进行矢量中值滤波。仿真实验结果表明,该方法能够有效地去除彩色图像的随机值脉冲噪声,尤其当噪声密度较高时,去噪效果明显优于传统的矢量中值滤波。  相似文献   

2.
提出了一种用脉冲耦合神经网络(pulse-coupled neural network,PCNN)赋时矩阵定位噪声、分类滤波并能自适应调整灰度补偿步长的高斯噪声滤波方法。使用PCNN求得含噪图像的赋时矩阵,再在滤波窗口中根据目标像素与周围像素的点火时刻关系确定噪声点,对噪声点分4类滤波:增加、减少可变灰度步长,维纳滤波和中值滤波,最后对图像维纳滤波平滑小噪声点。实验结果表明,该算法能有效去除噪声且较好保持图像的边缘细节,与同类高斯滤波方法进行峰值信噪比、信噪比改善因子比较,验证了算法的有效性。  相似文献   

3.
针对现有的彩色图像脉冲噪声去除方法没有区分滑动窗口中的像素是否为噪声像素而导致滤波效果差的问题, 提出一种基于模糊决策的开关矢量中值滤波方法。该方法首先利用开关条件判断像素是否被污染, 针对被污染的像素, 通过模糊数学理论构造适合脉冲噪声去除的隶属函数; 然后计算滑动窗口内所有像素的模糊隶属度, 并根据置信区间去除疑似噪声像素以优化滑动窗口的取值空间; 最后对优化后的滑动窗口应用矢量中值滤波(VMF)以去除噪声像素。与现有方法相比, 新的方法去除了滑动窗口中心像素的邻域疑似噪声, 从而有效提升了滤波效果。实验验证了该方法的高鲁棒性和实用性。  相似文献   

4.
传统的滤波算法在重噪声区域易出现噪声抑制能力下降和边缘光晕效应,且在滤波过程中矩形滤波模板的两边总是分别平行于离散图像的坐标轴,必然导致模板跨边缘平滑滤波。为解决这些问题,提出一种窗口形状自适应的双边滤波算法。采用边缘梯度图作为引导图像,通过每个像素的梯度方向确定该像素处的边缘方向。然后使模板窗口的两边分别平行或垂直于当前像素处的局部边缘方向,实现模板"沿边缘"平滑滤波,在去除噪声的同时更好地保持边缘。实验结果证明,该改进算法滤波性能和保边能力较好,PSNR平均值提升13%左右,SSIM平均值提升4.6%左右,且对受到高强度的噪声污染的图像具有较好的噪声抑制和边缘保持能力。  相似文献   

5.
为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络(PCNN)的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络(PCNNNI)的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。  相似文献   

6.
利用几何结构检测去除图像中的随机值脉冲噪声   总被引:1,自引:1,他引:0       下载免费PDF全文
尽管中值滤波以及各种改进方法是去除图像中随机值脉冲噪声的有效方法,然而,大多数去噪方法存在门限值选取困难和对图像边缘纹理结构过平滑的缺点。针对这一问题,提出了一种基于几何结构的用于检测和去除随机值脉冲噪声的新方法。该方法首先利用图像的直方图分布来估计脉冲噪声的噪声率;然后进一步基于噪声率和细节图像的直方图分布,自适应地确定两个分类门限;最后利用两个门限,将细节图像中的像素分成‘未被污染点’、‘待定点’和‘噪声点’。其中‘待定点’主要由边缘和纹理区像素和噪声像素构成,为区分其属性,还引入了几何结构检测方法。基于各像素点的类型,细节图像被用于修正中值滤波的结果。实验结果表明,该新方法在去除脉冲噪声的同时,还很好地保留了图像的边缘结构。与已有的方法相比,具有明显的优势。  相似文献   

7.
点云模型的噪声分类去噪算法   总被引:1,自引:0,他引:1  
针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出了点云模型的噪声分类去噪算法。该算法根据噪声点分布特性,将其分为大尺度和小尺度噪声,先利用统计滤波结合半径滤波去除大尺度噪声;然后使用快速双边滤波对小尺度噪声进行平滑,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用快速双边滤波对点云模型数据进行平滑,有效地提高了计算效率。实验结果表明,该算法对点云噪声进行快速平滑去除的同时又能有效地保持被扫描物体的几何特征。  相似文献   

8.
针对图像中椒盐噪声点的准确检测与去除问题,提出一种基于斜率的自适应中值滤波算法。该算法首先用n×n(n为大于或等于3的奇数)的模板作用于待检测图像的每一个像素,若当前像素的灰度值为其邻域内所有像素灰度值的极值,判断此点为准噪声点;再利用像素灰度值序列中两段子序列斜率的差值及模板区域内像素灰度值的均值自适应地判断准噪声点是否为真正的噪声点;最后对被判定为噪声的像素做中值滤波处理。与标准中值滤波方法相比,该方法加强了噪声检测的条件。实验结果表明,该算法具有较好地去除椒盐噪声和保留细节的效果。  相似文献   

9.
为克服常用平滑滤波算法不能兼顾去噪和保持图像细节的不足,提出了加权有向平滑滤波算法.先根据相似者相容的原理得到待处理像素与各滤波模板的隶属关系,从而判断待处理像素是噪声点,是图像本身像素,还是图像背景像素,然后选用相应加权有向或无向平滑模板对待处理像素进行平滑处理.实验仿真结果表明,加权有向平滑滤波算法既能有效地滤除灰度图像中的噪声,又能很好保护图像的边缘和细节,弥补了常用空域平滑滤波算法不能兼顾去噪和保持图像细节的不足.  相似文献   

10.
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。  相似文献   

11.
In this paper a new fuzzy filter for the removal of random impulse noise in digital grayscale image sequences is presented. The filter consists of different noise detection and filtering steps, in which the fuzzy set theory is used. This noise detection is based both on spatial and on temporal information and has the aim to prevent the filtering of noise free image pixels. The filtering of the detected noisy pixels is finally performed in a motion compensated way. Experimental results show that our method outperforms other state-of-the-art filters in terms of the peak-signal-to-noise ratio as well as visual quality.  相似文献   

12.
In this paper a new approach to the problem of impulsive noise reduction in color images is presented. The basic idea behind the new image filtering technique is the maximization of the similarities between pixels in a predefined filtering window. The improvement introduced to this technique lies in the adaptive establishing of parameters of the similarity function and causes that the new filter adapts itself to the fraction of corrupted image pixels. The new method preserves edges, corners and fine image details, is relatively fast and easy to implement. The results show that the proposed method outperforms most of the basic algorithms for the reduction of impulsive noise in color images.  相似文献   

13.
针对传统中值滤波算法不能很好地保护图像细节以及受严重噪声污染时性能急剧下降的情况,提出了一种新型的自适应模糊中值滤波算法。通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系数,利用此模糊滤波系数对滤波方法进行加权,得到一种加权中值滤波器。通过对小窗口内的灰度值不等于最大灰度值和最小灰度值的像素点的检测自适应调整窗口大小,对超过设定的最大窗口的情况,噪声点的灰度值用四个相邻的已处理的像素点灰度值的均值进行替换。仿真结果表明,新算法具有较好的细节保护能力和较强的去除噪声能力。  相似文献   

14.
一种有效的自适应加权中值滤波算法   总被引:2,自引:0,他引:2       下载免费PDF全文
针对传统中值滤波算法的优缺点,提出了一种基于相似度函数的自适应加权中值滤波算法。该算法首先通过噪声检测确定图像中的噪声点,然后根据窗口内噪声点的个数自适应地调整滤波窗口的尺寸,再根据相似度大小,巧妙地将滤波窗口内各个像素点按一定的规律自适应地分组并赋予每组像素点相应的权重,最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。计算机模拟实验结果表明:该算法既能有效地滤除噪声,又能较好地保护图像细节,滤波性能比传统中值滤波算法更理想。  相似文献   

15.
去除椒盐噪声的自适应开关加权均值滤波   总被引:5,自引:2,他引:3       下载免费PDF全文
提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。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算法有更好的滤波性能。  相似文献   

16.
蒋敏  孙懋珩 《计算机仿真》2007,24(9):187-190
均值滤波或中值滤波只对某一种噪声有较好的滤波效果,为了克服单一滤波的缺陷与不足,提出一种分类滤波的去噪新方法.该方法先判断像素点是否需要滤波处理;再对需要处理的像素点按噪声特点进行分类,然后采用一种基于模糊隶属度的加权裁剪均值滤波方法滤除平坦噪声,采用中值滤波滤除孤立噪声.实验证明此方法可以抑制对所有像素点的同一滤波处理而造成的图像边缘细节模糊,而且对滤除多种不同类型的噪声有较好效果.  相似文献   

17.
As a typical type of noise in many image related applications, pep and salt (PAS) type noise reduces the quality of the image seriously. Median filter and its variations[1—3] are the earliest filtering algorithms for filtering this type of noise, with the drawback that filtering is performed to all of the pixels in the image, which leads to a severe blur of the filtered image. To tackle this problem, Sun and Neuval[4], and Florencio et al.[5] pre-sented a switch median filtering method whic…  相似文献   

18.
为了在滤除椒盐噪声的同时能很好地保持图像的边缘细节,提出了一种新颖的图像椒盐噪声非线性滤波算法。利用局部统计信息,先将图像像素点分为信号点和可能的噪声点两类。然后将可能的噪声点进一步细分为边缘点、噪声点和信号点:利用方向信息、均方差来判断是否为边缘点,利用自适应阈值的方法来判断是否为噪声点,并且对边缘点和噪声点采取不同的方法进行滤波。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。  相似文献   

19.
张倩 《工矿自动化》2014,(12):57-60
首先对伪中值滤波算法进行了改进:噪声检测过程融入像素点灰度值、几何距离等因素,实现噪声点从图像像素点中的逐步分离;采用加权滤波的方法滤除噪声。其次对改进非局部均值滤波算法的先验信息获取方法进行了改进:对噪声图像进行提升小波变换,采用一种新型阈值函数选择低频分解系数,对高于阈值的系数进行重构得到参考图像,计算参考图像的相似度权值并将其作为改进非局部均值滤波算法的先验信息。最后基于2种改进算法提出了一种红外图像滤波方法,即依次采用改进伪中值滤波算法和基于先验信息的改进非局部均值滤波算法对红外图像进行滤波处理,然后将其与参考图像进行融合,以修正被过度滤波的图像。实验结果表明,该方法针对高密度噪声的红外图像有较好的滤波效果。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号