一种去除图像混合噪声的快速PGF滤波

1.引言在图像处理的预处理阶段中,噪声的滤除往往非常重要。高斯滤波和中值滤波是最常用的滤波方法。其中高斯滤波对滤除高斯噪声非常有效,但会损坏图像的边缘信息,从而使图像变得模糊起来。而中值滤波能很好地滤除脉冲噪声,却对消除高斯噪声则效果不佳。两者共同的缺陷是对滤波窗口中所有邻域像素都采用一致的处理,从而会引入误差,损坏图像的边缘和细节。于是能快速地滤除混合噪声,又能保护好图像边缘信息的自适应滤波方法成为图像滤波中主要的研究热点。     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

自适应投票快速中值滤波算法研究

中值滤波是图像处理中常用的滤波方法,其优点是能有效滤除图像中的噪声像素,同时还有一定的保持图像边缘的效果;其缺点是滤波速度慢、图像边缘细节保持效果不理想。在分析中值滤波及其改进算法的基础上,提出了自适应投票快速中值滤波算法（AVMF）。该算法一方面利用图像噪声的特征自适应筛选出需要滤除的噪声像素,另一方面利用滤波窗口的中值元素的特点以及滤波窗口移动的特性,采用完全不排序的投票法快速计算中值。使用Lena图像对AVMF算法进行测试实验,实验结果表明：AVMF同多种中值滤波改进算法比较,不仅能有效滤除噪声和较好地保留图像边缘细节,而且极大地提高了滤波处理速度。     

一种强高斯噪声的图像滤波方法

针对图像中高方差的强高斯噪声特点，提出了一种图像噪声联合滤波的新方法。算法将受强高斯噪声污染的图像分为强噪声点集和弱噪声点集两部分，首先通过邻域像素强度值的变化特征，定位强噪声像素点，并采用改进的自适应均值滤波方法滤除，然后基于简化的脉冲耦合神经网络（PCNN）平滑弱噪声点像素。经实验结果验证，与已有的其他滤波方法相比，该算法在较好地滤除噪声的同时，具有良好的图像边缘保护和自适应能力。     

一种基于脉冲噪声检测的图像均值滤波方法

论文提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用均值滤波方法滤除脉冲噪声的方法。该方法首先采用串行方式,对含有脉冲噪声的图像进行逐点检测,其中判断噪声点的阈值可自适应地调整。采用窗口长度自适应调整和选择性取样的均值滤波方法,对检测到的噪声点进行逐点滤除。该方法既可有效地滤除脉冲噪声,又可以较好地保持图像边缘细节,对图像的后续处理有很好的价值。论文最后给出了实验滤波结果,说明了该方法的有效性。     

基于改进脉冲噪声检测的新型滤波算法*

通过分析脉冲噪声图像的数值特征,为了快速和准确地滤除图像脉冲噪声并能很好地保持图像的细节,提出了基于改进脉冲噪声检测的灰度图像和彩色图像非线性自适应滤波算法。该算法首先通过改进的噪声检测方法把图像中的噪声点标志在噪声标志矩阵中,然后采用改进中值滤波方法并有限制地自适应调整滤波窗口对灰度图像中的脉冲噪声给予有效滤除。在此基础之上,分别采用该方法对彩色图像的三个RGB子图像进行单独滤波,然后利用通道融合技术得到最终的彩色滤波图像。经过实验仿真并与国内外相关文献提出的算法相比,本方法不仅思想简单、快速、易于实现     

基于12个方向的方向加权滤波法去除随机值脉冲噪声

为了解决方向加权中值滤波方法的不足,提出了一种新的基于12个方向的方向加权滤波法滤除图像中的随机值脉冲噪声。这种方法在脉冲检测阶段是利用当前像素与邻域12个方向像素的不同识别噪声,然后在噪声滤除阶段选取合适的加权值去除噪声。实验结果表明,该方法从主客观两方面验证了在滤除噪声率较高或较低的噪声时对保护图像细节方面的效果有所提高,并且提高了程序运行效率。     

自适应中值滤波算法滤除医学图像脉冲噪声

实现了一种滤除医学图像脉冲噪声的自适应中值滤波算法,用均方根误差和噪声对原图像的毁坏程度两个客观评价指标对该算法及传统均值、中值滤波方法进行了比较与评价。根据设定条件检测滤波窗口中心像素是否为脉冲噪声,采取滤波窗口自适应的算法来滤除脉冲噪声,去除了传统中值滤波对所有像素均用中值代替的弊端,减少了不必要的图像细节损失。基于MATLAB的仿真实验表明,对于较大密度的脉冲噪声,该算法在有效抑制噪声的同时,能较好地保护边缘和细节信息。该算法已应用于虚拟内窥镜系统中,取得了令人满意的效果。     

自适应控制迭代的随机值脉冲噪声滤波

定义了一种更接近实际噪声情况的随机值脉冲噪声模型,针对随机值脉冲噪声的滤除提出一种自适应控制迭代次数的滤波算法。算法包括噪声检测、噪声滤除、误检像素修正和迭代控制四个步骤,对固定值脉冲噪声和随机值脉冲噪声均能有效滤除。与中值滤波算法进行实验比较,在滤除随机值脉冲噪声时,该算法滤波后图像细节信息保护较好,且滤波过程无需设定迭代参数,自适应性强。     

一种新的彩色图像脉冲噪声滤波算法

针对嵌入式机器视觉应用系统对滤波处理算法的实际要求,提出一种改进的彩色图像矢量中值滤波算法。综合应用灰色关联分析方法和矢量中值滤波技术。首先根据灰色关联分析计算图像中各像素矢量之间相似程度来度量像素间的关联程度,即使用像素点间的灰色关联度代替常用的空间距离。其次,利用像素点间的灰色关联程度在算法中增加了噪声检测环节。通过进行对比实验,基于灰色关联分析的彩色图像滤波算法可以快速、有效地滤除图像中的脉冲噪声,对图像中边缘细节的保护效果要好于其他算法,而在计算效率方面更远高于其他算法。     

基于极值的椒盐噪声滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保护图像细节,提出一种基于极值的椒盐噪声滤波改进算法.算法首先进行噪声检测,将灰度值为0和255附近的像素点,且不构成5像素或以上直线的点作为噪声点,其余点作为信号点;然后进行噪声滤波,为了保护图像中的边缘、细节或细线,信号点不做任何处理,而对噪声点使用梯度法进行处理.Matlab仿真实验结果表明,新算法不仅能有效滤除椒盐噪声,在保护细节方面也取得了优于传统中值滤波算法的效果.     

一种基于直方图的加权均值滤波方法

根据图像直方图的特点,针对椒盐噪声,提出了一种基于直方图的加权均值滤波方法。该方法首先通过寻找局部极值确定噪声点,并对图像的所有像素做分类标记。处理过程中只考虑标记为噪声的点,以噪声图像的直方图函数作为滤波器的权值,最后将领域内非噪声点的加权均值作为滤波输出。实验结果表明该方法优于中值滤波方法。     

基于像素点聚类分离的滤波算法

为了提高受随机值脉冲噪声污染的图像的滤波效果,提出了一种新的滤波算法。对噪声图像进行初步滤波,分辨出图像中比较明显的噪声;根据图像局部像素点的相似性和噪声点的孤立性,计算出噪声图像的相关矩阵;运用模糊C均值聚类算法对所求相关矩阵进行迭代聚类,分离出噪声点和正常像素点;对噪声点进行中值滤波。实验结果表明,与传统算法相比,该算法能更好地滤除噪声点,保护了更多的图像细节,具有良好的滤波效果。     

一种有效的自适应加权中值滤波算法

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。     

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。     

基于局部直方图的加权均值滤波器

针对受椒盐噪声不同程度污染的灰度图像滤波问题,提出了一种基于局部直方图的加权均值滤波算法。该算法针对椒盐噪声特点,对含噪图像进行噪声检测,建立噪声标记矩阵;对标记为信号的像素不做处理,标记为噪声的像素依据其邻域像素污染程度采取不同窗口尺寸的加权均值滤波,像素权值由噪声点所在区域的局部直方图确定。对不同噪声率污染的测试图像仿真结果表明,该算法在有效抑制噪声的同时能较好地保持图像的细节信息。最后,通过与中值滤波和其他一些改进算法的滤波效果比较,证明了该算法的有效性。     

一种基于噪声检测的图像去噪算法

针对标准中值滤波算法去噪能力不强的问题,提出一种基于噪声检测的图像去噪算法。通过原图像与4个方向核的卷积,将像素点分为噪声点和信号点,直接输出信号点,而只处理噪声点。若信号点所在的最小邻域中存在信号点,则利用该点进行中值滤波;否则,继续扩大邻域范围。实验结果表明,该算法不仅能有效去除图像噪声,而且能较好地保护边缘,提高恢复图像的清晰度。     

基于2级噪声检测的改进中值滤波算法

针对传统中值滤波算法去除高密度椒盐噪声能力的不足,提出了一种新的改进算法.该算法首先采用2级噪声检测方法对图像中的信号点和噪声点进行标识,然后对检测出的噪声点利用改进的中值滤波算法进行处理,而对信号点则保留其灰度值不变.实验结果表明,该算法能在有效去除噪声的同时很好地保留图像细节,相比于传统中值滤波及其它改进中值滤波算法,该算法获得的去噪后的图像具有更好的客观评价指标和主观视觉效果.     

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.     

基于噪声分析的椒盐噪声降噪处理方法

针对传统的中值滤波降噪方法不能有效去除图像中的椒盐噪声,提出基于噪声分析的椒盐噪声降噪处理方法。算法根据椒盐噪声仅仅改变图像部分像素值为0和255、其余像素并未改变的特点,首先判断图像的噪声点和信号点,针对噪声点,统计邻域中信号的个数,然后根据信号的个数决定采用某个邻域的中值去代替噪声点,从而达到去除椒盐噪声的目的。仿真实验表明,该算法能有效去除图像的椒盐噪声并较好地保留图像的边缘细节信息。