基于噪声点多级检测的自适应中值滤波算法

针对传统中值滤波算法在图像去噪过程中造成较多图像细节信息丢失的问题,提出了一种基于噪声点多级检测的自适应中值滤波算法。该算法根据像素的空间相关性,逐级检测不同空间特征的噪声点。首先根据滤波窗口中相近像素点的数量来检测空间孤立的单个噪声点;然后通过扩展邻近窗口的方式检测空间连续的两个噪声点;接着进一步增加约束条件对空间连续的三个及以上的噪声点进行检测;最后对判断为噪声的像素用滤波窗口的中值替换。此外,该算法还能通过自适应地调整像素空间相关性判别阈值来处理不同分布特征的噪声。实验结果表明,与现有中值滤波算法相比,算法在有效滤除图像噪声的同时能更好地保护图像细节信息。     

去除脉冲噪声的自适应开关中值滤波

为消除图像中的脉冲噪声,提出了自适应开关中值(ASM)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两类。对检测出的噪声点统计其个数并由此估算图像中的噪声密度,根据估计的噪声密度自适应确定滤波窗口尺寸,采用改进的中值滤波对检测出的噪声点进行处理;而信号点则保留其灰度值不予处理。对ASM滤波进行仿真实验,结果表明,它能在有效去除噪声的同时很好地保护图像细节,较传统中值滤波及其它改进中值滤波算法有更优的滤波性能。     

基于梯度的自适应椒盐噪声滤波算法

针对传统中值滤波方法不能有效保持图像细节信息和对图像适应能力差的问题,提出一种改进的椒盐噪声滤除算法。算法基于先检测、后滤波的思想,根据图像的极小梯度矩阵自适应计算噪声阈值,提高了噪声检测的准确性;为了更好地保持图像细节,对检测出的噪声像素进行多窗口中值滤波。多组去噪实验表明：所提算法对污染程度不同的图像具有良好的适应性,在滤除噪声的同时还可以有效还原图像边缘等细节信息。     

基于神经网络的图像混合滤波及融合算法研究

当图像中同时存在高斯噪声和椒盐噪声时,单一的均值滤波或中值滤波很难达到最佳滤波效果。 分析了噪声特点和各种滤波方法的优势,提出了一种基于神经网络的图像混合滤波及融合算法:首先建立概率神经网络,检测椒盐噪声和高斯噪声点,并分别利用中值滤波和均值滤波去除噪声点,然后建立径向基函数神经网络,利用训练好的径向基函数神经网络融合 2 种不同滤波的图像,输出理想的融合图像。 Matlab 仿真实验结果表明,该算法有效去除混合噪声的同时,能很好地保护图像的边缘与细节,是一种有效的方法。     

基于图像去噪的混合噪声滤波算法

传统的中值滤波和均值滤波通常被分别用来滤除椒盐噪声和高斯噪声.但是当图像同时存在高斯噪声和椒盐噪声时,单独使用哪种滤波方法都不会达到最好的去噪效果.为了能同时滤除两种不同性质的噪声,提出了一种新的自适应混合噪声滤波算法.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,使其既可以有效地减少噪声,又可以较好的保持图像的边缘细节信息,仿真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.     

一种改进型自适应加权模糊均值滤波算法

针对原有的自适应加权模糊均值AWFM滤波器对局部噪声幅度估计不足的缺点。提出了一种新的改进型自适应加权模糊均值MAWFM滤波算法。该算法采用了一种新的模糊检测方法，可以同时检测各个像素点的正负向噪声幅度，从而能够建立一种新的自适应的模糊信号空间，以适应噪声在各个图像局部的变化。实验结果表明，MAWFM滤波器比以前的AWFM滤波器及传统的中值滤波器均有较优越的性能。     

图像去椒盐噪声滤波器的研究

在图像平滑过程中,如何滤除噪声同时保护图像的细节是一个研究热点.本文提出并设计一种将十字窗和叉形窗有机结合的多窗口自适应中值滤波器(MWMF滤波器),可根据窗口内图像自身的形状,自适应地选择十字窗和叉形窗.在比较多窗口自适应中值滤波和形态滤波这两种滤波器的优缺点之后,还提出并设计了非线性组合滤波器.实验表明该滤波器滤除椒盐噪声的效果优于单独使用中值滤波或形态学滤噪,在椒盐噪声概率超过0.2时优势尤为明显.     

一种椒盐噪声点的检测算法技术研究

针对中值滤波算法虽然能够在很大程度上改善噪声带来的影响,但是使图像边缘变得模糊这一问题,提出了一种检测椒盐噪声的新算法。使用该算法对图像进行噪声检测后再对噪声点进行中值滤波能够有效地去除椒盐噪声。实验证明该算法具有明显的去噪能力,且当椒盐噪声比较严重时,也能够取得较好的滤波效果。     

一种多模板的混合滤波乘性噪声图像去噪算法

提出了一种计算简单的去除图像乘性噪声的自适应混合算法,它通过事先定义一组实现简单的具有不同特性、不同大小窗口的中值和均值滤波器组,根据图像不同区域特征选择不同滤波器进行滤波.该算法能有效地利用空间滤波的特性,且便于硬件实现.实验结果表明,与现有的自适应去噪算法相比,该算法不但计算简单,而且在噪声抑制和细节保留方面综合平衡较好.     

针对合成孔径雷达图像的新型LOG边缘检测算法

传统LOG边缘检测算法对合成孔径雷达图像进行边缘检测时,对噪声敏感,同时也易损坏部分低强度边缘。针对这一问题,提出了一种新型的 LOG边缘检测算法,首先采用双边滤波和自适应中值滤波来代替传统LOG算子中的高斯滤波,再计算平滑后图像的拉普拉斯,最后提取运算后的零交叉点作为图像的边缘。仿真实验表明,本文方法在脉冲噪声环境下具有显著的去噪效果,而且能较好地保护边缘,提高了检测精度,相对传统LOG算法具有更好地检测效果。     

Classifier-augmented median filters for image restoration

Developed in this paper is a new approach that augments a fuzzy classifier to determine whether or not the operating pixel, centered in the sliding window, should be involved with the impulse noise filtering process. Owing to the inclusion of the fuzzy K-nearest neighbor (K-NN) scheme, any central operating pixel that is not noise corrupted can be effectively detected and then left unchanged. Thus, the unnecessary pixel replacement can be avoided and the details and signal structure of the image will be best retained. If the center point is found to be noise corrupted, the proposed classifier-augmented median filter facilitates the filtering action only on a subset of pixels, which are not noise contaminated in the window. Due to this impulse pixel exclusion, the biased estimation caused from impulses can be eliminated and, thus, obtains a better estimation of the center pixel. Experimental results showed that this new approach largely outperformed several existing schemes for image noise removal.     

噪声概率快速估计的自适应椒盐噪声消除算法

提出一种可识别噪声概率自动调节滤波窗口的自适应椒盐噪声消除算法。对非理想椒盐噪声污染图像随机区域进行变窗口中值滤波,将结果与滤波前比对获得噪声点数,滤波区域即按此点数排序。然后取每种滤波窗口下的中间三组数据,该数据平均加权获取图像噪声概率初估计,对初估计平均加权即得图像噪声概率。滤波前首先采用阈值法排除明显噪声点,剩余像素中再以离窗口中心像素距离平方的倒数为权值估计中心像素。最后由噪声概率按照T-S模糊规则对不同模型的输出估计值进行融合。实验证明,与传统中值滤波等算法相比,该算法具有噪声自动估计和自适应窗口调节能力,滤波后标准均方差可减少20%以上,速度可提高一倍多。     

A novel learning-based switching median filter for suppression of impulse noise in highly corrupted colour images

A novel switching median filter integrated with a learning-based noise detection method is proposed for suppression of impulse noise in highly corrupted colour images. Noise detection employs a new machine learning algorithm, called margin setting (MS), to detect noise pixels. MS detection is achieved by classifying noise and clean pixels with a decision surface. MS detection yields very high detection accuracy, i.e. a zero miss detection rate and a fairly low over detection rate for a wide range of noise levels. After noise detection, a new filter scheme called the noise-free two-stage (NFTS) filter is triggered. NFTS corrects the noise pixels using the median of the noise-free pixels in two stages. The results of experiments have demonstrated that the MS based NFTS (MSN) filter is superior to the support vector machine and neural network for denoising highly corrupted images, in terms of noise suppression and detail preservation.     

Switching vector median filters based on non-causal linear prediction for detection of impulse noise

A new group of switching vector filters based on the non-causal linear prediction for the detection of impulse noise from colour images is presented. The proposed filters utilise the non-causal linear prediction coefficients obtained from the block-by-block autocorrelation function to find prediction vector pixel value at the centre of the filter window. Thirteen prediction coefficients are selected from the autocorrelation matrix obtained from a block of an image, and these coefficients are used to predict all pixels in that block. The difference between the predicted pixel and the original decides whether the pixel is corrupted with impulse noise. Extensive simulation experiments indicate that the new vector filters outperform the other vector filters currently used to eliminate impulse noise from colour images.     

The foreground detection algorithm combined the temporal–spatial information and adaptive visual background extraction

Visual background extraction algorithm, which utilises a global threshold to complete the foreground segmentation, cannot adapt to illumination change well. It will easily choose the wrong pixels to initialise the background model, resulting in the emergence of the ghost in the beginning of detection. In order to address these problems, this article proposes an improved algorithm based on pixel’s temporal–spatial information to initialise the background model. First of all, the pixels in video image sequences and their neighbourhood pixels are used to complete background model initialisation in the first five frames. Second, the segmentation threshold is adaptively obtained by the complexity of background that uses the spatial neighbourhood pixels. Finally, the background model of the neighbourhood pixels is updated by a dynamic update rate which is gained by calculating the Euclidean distance between pixels. Experimental results and comparative study illustrate that the improved method can not only increase the accuracy of target detection by reducing the impact of illumination change effectively but also eliminate the ghost quickly.     

基于改进高斯混合模型的运动物体的图像检测

传统的高斯混合模型在RGB色彩空间只对孤立像素建模,检测结果不够准确,存在拖影现象,检测到的运动物体内部容易出现空洞.针对这些问题,本文提出了一种改进的高斯混合模型.该方法从更符合人眼视觉特性的HSV色彩空间对中心像素和周边像素构成的向量进行建模,改善了原算法的性能;利用彩色分割算法提取连通区域,充分地利用了运动物体的彩色信息,并基于Phong物体光照模型进行了阴影抑制,提高了传统高斯混合模型检测的准确性.实验结果表明,与传统高斯混合模型相比,本算法能更精确地检测出运动物体,对光照变化和阴影具有鲁棒性.     

基于引导因子与曲率惩罚模型的图像修复算法

目的 解决当前图像修复方法主要通过待修复像素点的法向量来确定修复过程,无法保证其修复顺序从破损区域的周边至中心进行,导致修复图像中存在块效应和不连续效应等问题。方法 将引导因子与曲率惩罚模型相结合,设计新的图像修复方法。利用破损区域的中心像素点与其他任意待修复像素点之间的距离来构造引导因子,并将其与置信度项以及数据项结合,形成优先权模型,用于选取优先修复块。利用待修复块的梯度特性对其平滑度进行判断,以明确该待修复块对应的最优匹配块的搜索范围,使其通过最小绝对差平方和（SSD）函数来搜索最优匹配块,从而将最优匹配块中像素点扩散填充至待修复块。最后,基于像素点间的等照度线曲率来建立曲率惩罚模型,以更新置信度项,从而实现图像的修复。结果 测试数据表明,与已有修复方案相比,所提算法可以更好地兼顾修复质量与效率。结论 所提方案具有较好的修复质量,可用于损坏面积较大图像的复原。     

随机中心聚集半色调算法

目的由误差扩散半色调算法得到的二值图像存在明显的规律性纹理,针对该问题提出随机中心聚集半色调算法。方法利用蓝噪声半色调阈值矩阵算法生成随机均匀分布的种子点,采用三角网生长算法构建Delaunay三角网格,在确定三角网像素成员后,根据像素点在三角形区域内的分布位置得到该位置像素的阈值,最后通过将连续调图像与阈值矩阵的阈值比较得到半色调图像。结果同误差扩散算法相比,提出的方法可以减少半色调图像的人工纹理,图像视觉效果较好。结论文中算法可以改善半色调图像质量,实验结果证明了该方法的有效性。     

基于亚像素边缘的摄像机标定板特征提取算法

目的在视觉测量领域,摄像机的标定精度是最终测量精确度的决定性因素,为了提高标定板特征的提取精度,提出一种基于亚像素边缘的提取方法。方法针对圆点标定板,首先采集标定板图像,对图像进行处理,获取像素级别边缘,然后以边缘像素点为中心,取3×3的数字窗口计算梯度方向,在梯度方向上进行像素点灰度的双曲正切拟合,获取亚像素级别边缘,最后对亚像素边缘按照圆形进行拟合,求得圆心坐标。结果实验表明算法的分辨率达到0.03个像素,精度可达0.1个像素。结论该算法具有稳定可靠,精度高,运算速度快等特点,能够应用于图像拼接和分割,特征提取和摄像机标定等领域。