基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

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。     

单一链接PCNN自适应脉冲噪声滤波

为有效滤除灰度图像中的脉冲噪声并保留图像的细节信息,提出了单一链接脉冲耦合神经网络（Single-Linking Pulse-Coupled Neural Network,SL-PCNN）模型。SL-PCNN简化了传统的PCNN参数,可自适应选取滤波阈值,SL-PCNN对原图像和反转图像进行两次点火过程即可定位出噪声点而无需进行PCNN循环,然后用中值滤波器滤除噪声。实验结果表明,在噪声强度不大于60%时,SL-PCNN的性能优于经典的脉冲噪声滤波算法;在噪声强度较大时SL-PCNN的性能优于常见的PCNN脉冲噪声滤波算法,主观及客观评价证明该算法的有效性。     

灰度极限脉冲耦合神经网络混合噪声滤波

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。     

图像椒盐噪声的自适应滤波算法研究

为有效去除严重的椒盐噪声、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神经网络的点火时刻矩阵,对受噪声污染的像素进行定位,仅对噪声像素进行类中值滤波,实现了图像细节的有效保留;根据噪声强度的估计信息,自动进行滤波次数和滤波窗口尺寸的优选,实现了图像的强自适应滤波。实验表明,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。     

一种改进的自适应中值滤波算法

在图像的平滑处理过程中,如何在噪声滤除的同时保护图像的细节一直是人们研究的热点问题。针对这一问题,在Hwang和Haddad提出的一种自适应中值滤波算法(ranked-order based adaptive median filter,RAMF)的基础上,提出了一种改进的自适应中值滤波算法。该算法在以下3方面做了改进:①对可疑噪声点实行噪声二次检测;②对高密度噪声区的噪声点利用滤窗内的信号点进行滤波;③对低密度噪声区的噪声点根据滤窗内图像的纹理走向进行滤波。仿真实验结果表明,该算法的滤波效果理想。     

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。     

改进遍历过程的PCNN在图像处理中的应用

图像通常包含多个颜色相同的连通区域,针对脉冲耦合神经网络无法对它们进行分离提取的问题,提出一种改进遍历过程的脉冲耦合神经网络模型。通过引入深度优先搜索遍历算法,将不连通的多个同色区域分层激活,从而实现分离。最后针对图像噪声对新模型的影响,对其作进一步改进。以每层激活区域的大小作为图像噪声杂点判定的依据,并引入均值滤波算法来消除。实验验证了改进后的模型对图像多个同色连通区域的分离效果及噪声杂点的去除能力     

新的强高斯噪声自适应滤波方法

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。     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性。     

基于改进伪中值滤波和非局部均值滤波的红外图像滤波方法

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。     

一种基于模糊决策的开关矢量中值滤波方法

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。     

A fuzzy filter for the removal of random impulse noise in image sequences

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.     

基于PGF检测的改进彩色图像滤波方法

针对彩色图像中的噪声污染问题,提出一种改进的开关自适应矢量滤波方法。通过对噪声图像进行同组滤波器检测得到滤波窗口内满足检测条件的噪声像素个数,当满足条件的像素个数较少时,直接对检测出的噪声进行矢量中值滤波,当满足条件的像素个数较多时,采用改进的自适应矢量中值滤波器进行2次检测后再滤波。实验结果表明,该方法能提高噪声检测的准确性,并能更好保护滤波的细节。     

基于可变步长PCNN赋时矩阵高斯噪声滤波

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。     

一种基于PCNN的指纹特征提取算法

具有生物背景的脉冲耦合神经网络具有自适应提取指纹特征的特性,基于此,首次提出了一种指纹图像特征提取的新方法一一自适应耦合神经网络点火统计图的,此图不仅包含了指纹图像的灰度特征,还包含相邻像素之间的几何位置信息。此方法具有运算速度快及对旋转、平移、尺度不变性,是许多指纹特征提取算法不具备的优点。最后给出了部分实验的结果,以验证该方法的有效性．     

基于灰度密度和四方向的随机脉冲噪声检测

提高检测正确率的同时降低漏检率和错检率是脉冲噪声检测过程中的难点。提出了两阶段的检测方法,第一阶段,根据窗口中心点的灰度密度小于某阈值检测噪声,分5次迭代,对每次检测到的噪声进行中值滤波,滤波图像作为下一次检测的输入图像;第二阶段,用窗口4个方向检测噪声,并根据MAD值自适应设定阈值。以512×512的Lena和Boat为测试对象,添加10%至50%的随机脉冲噪声进行仿真实验,结果表明,随着噪声密度的增加,错检数都稳定在较低值,漏检数保持在理论上的低值。     

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GF（28）域相似函数的椒盐噪声滤波算法

针对数字图像采集及处理过程中广泛存在的椒盐噪声,基于GF（2⁸）有限域,提出一种具有噪声点精确检测能力的改进型噪声滤波算法。根据图像相邻像素相关性,构建了GF（2⁸）域上的相似函数,并据此提出了GF（2⁸）域上的图像自适应椒盐噪声检测算子,可对噪声点准确定位;结合中值滤波算法完成数字图像的椒盐噪声自适应滤除。实验表明提出算法对噪声点定位准确,在图像的恢复和保护图像细节方面对比其他算法有较大提高,对强噪声污染图像的恢复也有较好效果。     

椒盐噪声图像的非局部平均滤波算法

针对非局部平均(NLM)方法对椒盐噪声图像滤波效果较差的问题,通过引入噪声检测结果扩展NLM方法去除图像中椒盐噪声。在噪声检测阶段,利用图像的两个极值Lmin和Lmax把图像像素点分为非噪声点和噪声点。在滤波阶段,非噪声点的灰度值保持不变。对于噪声点,如果以该噪声点为中心的自适应滤波窗口内均为噪声点,则认为该噪声点位于图像自身灰度值为Lmin或Lmax的区域内,使用两个极值的统计结果进行恢复。否则,采用改进的NLM方法滤除噪声。构造联合噪声检测模板避免噪声点对相似权计算的干扰,噪声点的恢复值由非噪声点的灰度值加权平均得到。此外,采用迭代滤波策略对高密度噪声图像噪声点进行恢复。相关去噪实验结果证实了算法去噪的有效性,不足之处是算法的时间复杂度较高。