一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

图像去噪算法的研究

主要针对图像的高斯噪声和椒盐噪声的去噪算法进行研究,分别使用到中值滤波、均值滤波和维纳滤波三种滤波算法。实验结果表明中值滤波对于椒盐噪声有更好的去噪效果;维纳滤波对高斯噪声有明显的作用,相比中值滤波和均值滤波,维纳滤波对高斯噪声有很好的抑制效果,与此同时,维纳滤波却容易丢失边缘信息且对椒盐噪声几乎没有去噪作用。     

图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再用高斯拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

一种基于小波变换图像去噪的方法

提出了一种基于图像软阈值小波变换的高斯白噪声消除法。该算法根据含噪声图的特点,把信号分成信号象素与可能噪声象素两类,对于可能是噪声的象素,采用图像的小波软阈值去噪方法进行滤波,而对信号象素不产生影响,且能保留更多的图像细节。文中也给出了标准中值滤波,自适应维纳滤波算法和小波软阈值去噪的算法进行比较实验,结果表明用小波软阈值去噪的算法处理高度污染高斯白噪声的图像能力明显强于标准中值滤波,稍微优于自适应维纳滤波算法,且能够比较好保留图像的细节部分。     

一种新的基于自适应神经网络模糊推理系统的图像滤波器

提出了一种新的基于自适应神经网络模糊推理系统的去除噪声算法。该算法是一个结合了中值滤波、维纳滤波和自适应神经网络模糊推理系统的综合滤波器。噪声点通过算法被准确地估计出来,自适应神经网络模糊推理系统的参数通过训练得到,训练可以通过简单的计算机合成图像来进行。将含噪声的图像、中值滤波后的图像和维纳滤波后的图像作为系统的三个输入,通过一个固定阈值来判断像素点是否为噪声点作为系统的输出,如果判断是噪声点,则通过中值滤波来进行去噪处理,如果判断是非噪声点,则灰度值保持不变。算法的特点就是在能够保持好线条、边缘、细节和纹理的同时,很好地去除噪声点。仿真实验表明,算法可以对噪声污染的图像进行有效的重建,同时不会扭曲图像中的有用信息。     

基于自适应滤波的噪声图像边缘检测方法

研究图像边缘优化检测问题,针对传统边缘检测算法对噪声处理能力欠佳的缺陷,提出一种自适应中值滤波与形态学处理相结合的噪声图像边缘检测AMM算法。首先根据噪声像素点与相邻像素点的关联程度采用自适应中值滤波算法对图像进行去噪处理,保护图像的细节信息;然后运用改进的Canny算子对图像进行边缘检测,提取图像的边缘信息;最后对提取的边缘进行形态学处理,得到清晰的图像边缘。仿真结果对比表明,与目前常用的方法相比,AMM算法具有较强的抗噪鲁棒性,能较清晰地提取出图像的边缘,降低噪声对图像边缘的影响。     

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。     

一类未知噪声模型的图像去噪方法

图像中包含噪声不仅会降低图像质量,而且严重影响后续相关算法的有效性。高效稳健的去噪方法对于各类信号处理非常重要。为了改善实际夜间远程拍摄图像的质量,引入五种图像降噪方法。首先在合理推导噪声模型的基础上,引入Kalman滤波器去除夜空图像背景噪声：然后分别进行中值滤波、均值滤波、维纳滤波和无参估计的均值漂移算法去除实际夜空图像噪声;最后分析比较五种去噪方法,并给出不同算法的信噪比与峰值信噪比。实验结果：五种降噪方法虽不同程度地降低了夜空图像噪声影响,但均值漂移算法较好地保持了图像有用信息和边缘特征,而且算法不需考虑噪声模型。结论：均值漂移算法展示出在这一类未知噪声模型的夜空背景降噪中的优势。     

基于混合滤波的遥感图像去噪

基于均值滤波和中值滤波的互补性，应用混合滤波方法对SPOT遥感图像进行去噪处理，并与标准均值算法、标准中值算法以及改进的中值算法进行比较。结果表明：混合滤波方法能够有效去除椒盐噪声和高斯噪声，保留图像的纹理信息，提高图像的清晰度。     

基于PCNN的脉冲噪声滤波算法

鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络(PCNN)的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。     

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。     

一种基于脉冲噪声检测的图像去噪方法

针对标准中值滤波在去除强噪声时存在的不足,提出一种改进的去噪方法.该方法通过多尺度窗口对图像脉冲噪声进行检测,其中判断噪声点的阈值可由图像中不同区域的灰度值自适应地调整,然后根据检测结果进行选择性滤波.该方法可以有效滤除图像中的脉冲噪声,又能较好的保持图像的边缘细节,尤其在强噪声情况下的效果更为明显.最后给出了滤波实验的仿真结果,说明了该方法的有效性.     

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.     

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。     

利用几何结构检测去除图像中的随机值脉冲噪声

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。     

SAR图像斑点噪声的滤波方法研究

针对SAR图像的斑点噪声,分析斑点噪声的模型,给出一种改进的加权中值滤波和增强Lee滤波相结合的去噪方法流程,并用VC++实现这一方法流程。通过实例验证表明该方法流程能有效去除SAR图像中的斑点噪声和保持图像边缘信息。     

一种改进的边缘保持类滤波方法

西戈玛滤波是一种边缘保持类滤波方法,传统的西戈玛滤波在去除噪声的同时,虽然在一定程度上保持了图像的边缘,但是对于图像的弱边缘,还存在一定的问题。结合梯度倒数加权平均的思想,提出西戈玛＋梯度倒数滤波方法,对于图像的非噪声点,采用梯度倒数加权平均进行灰度值的计算,在去除噪声的同时,更能够保持图像的边缘细节。实验结果表明,该西戈玛＋梯度倒数滤波方法具有较好的边缘保持效果。