基于灰色关联度的图像自适应中值滤波算法

研究图像去噪是图像处理中一个重要的课题。传统去除高斯噪声的方法是均值滤波,均值滤波方法模糊了图像的细节信息,中值滤波虽然能较好的保护图像的细节信息但滤除高斯噪声的效果不理想。灰色关联度能根据系统各因素间相似程度来度量因素之间的关联程度。利用灰色关联度的特性和中值滤波器的优点,提出一种基于灰色关联度的自适应中值滤波算法,算法可以根据图像像素之间的相似程度自适应地调整滤波加权系数,使滤波系数更加合理,改善原有算法的滤波性能。实验表明算法对受到高斯噪声干扰的图像进行去噪取得较好的滤波效果,同时还保护了图像的细节信息。     

改进的自适应中值滤波

均值滤波能较好的平滑图像的噪声,自适应中值滤波能较好的保存原始图像的细节和边缘。为了恢复被高密度脉冲噪声污染的图像,提出了改进的自适应中值滤波算法,新算法结合了均值滤波和自适应中值滤波两者的优点。实验结果表明,该算法能够有效地消除被污染图像中的高密度脉冲噪声,并较好地保留原始图像细节和边缘。     

基于中值的自适应均值滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声.但是当图像同时存在高斯噪声和脉冲噪声时,单独用那种滤波方法都不会达到最好的去噪效果.针对该问题,提出了一种基于中值的改进自适应加权均值滤波算法.该算法采用了一种基于自适应阈值的方法对滤波系数加以优化,使其可以更有效地减少噪声,又可以较好的保持图像的边缘细节信息.实验结果表明,该算法能较好的滤除混合噪声,且滤波效果优于传统的滤波算法.     

一种基于图像信息熵的自适应滤波算法

提出一种基于图像最小信息熵的自适应滤波算法,利用局部信息熵最小的办法估计图像中的噪声感染程度,从而自适应地确定修正后的Alpha均值滤波器中滤波窗口的大小和去掉灰度最大和最小的像素个数,然后进行滤波。实验结果表明此算法较现有的中值滤波和均值滤波器的滤波能力有显著提高,而且在图像的局部特征和细节保持方面优于现有的滤波算法,并克服了修正后的Alpha均值滤波器非自适应性的弱点。     

基于HVS特性的自适应K近邻均值滤波算法

通过充分考虑宿主图像亮度、纹理、边缘等特征,提出一种改进的图像自适应K近邻均值滤波算法。该方法首先利用基于人眼视觉特性的临界噪声阈值来确定噪声点,然后根据噪声密度自适应调整滤波窗口大小与参与滤波的像素数K值,采用自适应K近邻均值滤波对检测出的噪声点进行处理。该算法能有效去除噪声,并较好地保留图像边缘细节,仿真实验结果表明,提出算法比传统中值滤波、均值滤波和K近邻均值滤波算法有更好的去噪能力。     

改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

用于图像处理的自适应均值滤波算法

针对标准均值滤波存在的问题,提出自适应均值滤波算法。算法首先计算窗口的四阶累积量和二阶中心矩并确定噪声点阈值;然后根据窗口内噪声点个数自适应调整滤波窗口,自适应计算权值;最后对噪声点逐点滤波。该方法既能有效去除图像噪声点,又能较好保持图像细节。论文最后给出实验和分析,结果表明该方法是有效的。     

基于自适应滤波的快速广义模糊C均值聚类图像分割

快速广义模糊C均值聚类(FGFCM)在对高噪声图像进行聚类分割时,噪声容易导致聚类中心发生偏移,影响图像分割结果.为此,文中提出基于自适应滤波的快速广义模糊C均值聚类算法,用于图像分割.首先根据非局部像素的噪声概率自适应确定参数平衡因子,更准确地反映图像包含的空间结构信息.然后利用该平衡因子有效结合FGFCM中的线性加权和滤波图像与原始图像的中值滤波图像,由于得到的自适应滤波图像根据图像中像素为噪声的概率自适应确定滤波程度,因此可以提高算法对噪声的动态抑制能力.实验表明,相比模糊C均值聚类和FGFCM,文中算法在对噪声含量较高的图像进行聚类分割时,可以得到更准确的结果.     

一种改进的极值均值自适应滤波算法

为了在滤除噪声的同时保持图像细节,提出了一种新型自适应滤波算法。该算法根据图像中的某点是否为邻域极值点,将全部像素分为可疑噪声和信号两类,若中心点属于可疑噪声,将其并入信号类组成一新类,并计算其均值与信号类均值的差值,再通过与阈值比较,确定是否用信号类的中值取代原噪声图像的值。滤波窗口能根据噪声密度自适应改变大小。实验表明,该算法具有良好的滤波性能,尤其在噪声严重时,效果优于其他中值滤波算法。     

基于二级修复的多方向加权均值滤波算法

针对目前算法不能有效去除高概率的椒盐噪声并保护图像边缘和细节特征的缺点,提出了一种基于二级修复的多方向加权均值滤波算法。在噪声检测阶段,首先利用一个方差参数判断当前像素点与其邻域像素点之间的灰度差异程度,再通过将方差参数和灰度极值相结合的方法检测出图像中的椒盐噪声点。在噪声修复阶段,提出一种二级修复方法来修复噪声点的灰度值。首先利用改进的自适应中值滤波器对椒盐噪声点进行第一级噪声修复;然后利用方差参数将第一级修复后的噪声点划分为两类,并采用不同的修复方法对这两类像素点进行第二级噪声修复,一类像素点采用均值滤波器进行再修复,另外一类像素点采用多方向加权均值滤波器进行再修复。数值实验结果表明,所提算法的滤波性能和边缘保护能力均优于当下很多先进的滤波器。     

基于图像受噪程度的改进模糊加权均值滤波

根据高斯噪声密度大、噪声强度的波动范围宽,其污染图像不仅每一个像素灰度级都会受影响,而且即使是同一灰度级受污染的程度也会不同的特点和传统的图像模糊滤波算法在图像细节保护方面上的不足,提出基于图像受噪程度的改进模糊加权均值滤波算法,该算法根据图像各像素点的受噪程度,得到首次滤波图像和原图像估计直方图,根据该直方图确定模糊隶属度函数,然后对首次滤波图像中灰度小于25的像素点进行模糊加权均值滤波,该算法在不需要期望图像和高斯噪声方差的情况下能有效地去除噪声,同时能够很好地保护图像细节信息。     

基于粗集的图像混合噪声滤波算法

实际应用中图像常受到不同类型噪声的同时干扰,为解决混合噪声图像的去噪问题,提出了一种基于粗集的图像滤波算法.该算法将粗集理论应用到图像滤波中,利用粗集理论的等价关系分离出不同噪声点及非噪声点,根据图像被污染的情况,选取不同的去噪策略对噪声进行滤除.实验结果表明,该算法在抑制混合噪声时性能优于传统中值滤波、均值滤波等方法,同时也能较好地保护细节信息.     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

Speckle reduction of ultrasound images based on Rayleigh-trimmed anisotropic diffusion filter

A novel method is proposed to reduce speckle in ultrasound images. Based on the assumption of Rayleigh distribution of speckle, a Rayleigh-trimmed filter is first proposed to estimate the relative standard deviations of local signals and the results are used to determine the parameter that controls an alpha-trimmed mean filter for suppressing the primary noise. Then the anisotropic diffusion is subsequently applied to further reduce noise while enhancing features and structures in the original image. We also extend the proposed method to three-dimensional space by introducing time as one additional dimension. The proposed method effectively utilizes the statistical characteristics of speckle and the two-step despeckling algorithm reduces speckle significantly while retaining important features. The effectiveness of the proposed method is well demonstrated by experiments on both simulated and real ultrasound images.     

椒盐图像的方向加权均值滤波算法

椒盐噪声是造成图像污染的主要因素之一,椒盐去噪是图像去噪领域的研究热点。方向加权中值滤波算法计算噪声点滤波输出时存在一定的问题,比如,未排除近邻噪声点的干扰,对方向的估计不准确,对局部灰度特性刻画不完整等。为此,提出一种方向加权均值滤波算法。此算法先根据方向灰度差异和灰度极值判断检测噪声点,然后根据对局部窗口噪声强度的估计自适应地选择递归或非递归滤波窗口的加权灰度均值作为滤波输出。仿真实验结果表明,提出的算法与现有的两种方向加权中值滤波算法相比,PSNR普遍提高了2~3dB和5~6dB,噪声密度高时提高的幅度更加明显;速度提高了接近10倍和30倍。     

一种用于中值滤波的改进均值划分算法

图像滤波是很多图像处理算法在图像预处理阶段采用的处理措施,而中值滤波不仅能够有效地去除图像中的噪声,而且可以保持图像的边缘细节,从而成为首选的图像滤波方法.由于中值滤波需要使用排序操作,其计算时间复杂度较高,而且在滤波窗口较大时,导致图像滤波耗费较长的时间,不能满足海量、高分辨率图像实时滤波处理的需求.在研究中值滤波基础上,提出一种改进的基于均值划分的快速中值滤波算法,实验表明,该算法可以有效地降低图像中值滤波的时间消耗,特别是在大尺度图像中,当滤波窗口较大时,能够显著降低图像滤波时间,同时,能够与传统中值滤波保持一致的效果,进一步增强了大尺度图像实时处理能力.     

一种新型的自适应模糊中值滤波算法

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。     

Image enhancement using deep-learning fully connected neural network mean filter

Improving the quality of a noisy image is important for image applications. Many novel schemes pay great efforts in the removal of impulse noise. Most of them restore noisy pixels only by using the neighboring noise-free pixels, but the relationship between a noisy image and its noise-free one, which denotes the clean image not corrupted by noise, is ignored. So the reconstruction quality cannot be further improved. In this study, we employ a deep-learning fully connected neural network (FCNN) to select top N candidates of neighboring un-corrupted pixels for the restoration of a center noisy pixel in an analysis window. Hence, the mean value of the gray levels of these top N pixels is computed and employed to replace the noisy pixel, yielding the noisy pixel being restored. The experimental results reveal that the proposed deep-learning FCNN mean filter can remove impulse noise effectively in corrupted images with different noise densities.

     

基于自适应堆滤波的边界检测

从被噪声干扰的图象中提取边界是图象测试与分析的关键之一。通常需要先滤除图象中的噪声，再用边界检测算子求出边界。本文介绍了一种边界直接检测法，即将边界检测与噪声滤波相结合，它是基于自适应堆滤波的边界检测法。首先非线性堆滤波器用于求出图象某象素点邻域内的灰度最大值与最小值的最优估计，然后以此两估计值之差代替原象素点灰度值。最后对之二值化求出边界。本文根据最小平均绝对误差准则，采用自适应方法求解堆滤波器。这种方法类似于线性自适应滤波器的ＬＭＳ方法，先任设一初始堆滤波器，利用期望图象与合噪声图象对堆滤波器进行迭代训练，最后求出最优化的自适应堆滤波器。文章最后给出了采用自适应堆滤波法求取图象边界的试验结果，表明这种方法可以有效地抑制各种分布的噪声干扰。