改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

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。     

基于模糊逻辑的脉冲噪声自适应滤除

为了去除具有多个随机值的普通脉冲噪声,提出一种基于模糊逻辑的自适应去噪方法。首先,利用像素邻域梯度并结合模糊逻辑相关理论进行噪声点初步检测;然后,通过噪声直方图统计对噪声点作二次检测,排除误判的噪声点;最后,保留非噪声点,对噪声点进行自适应加权均值滤波,滤除噪声。仿真结果表明,该算法可以取得优于传统方法的去噪效果,并且能很好地保护图像的边缘和纹理信息。     

GPU实现的抑制椒盐噪声的排序滤波算法

文中提出了一种简单有效的排序滤波算法,并在GPU上实现了该算法。算法首先检测图像中的信号,如果检测的像素是信号则保留不变,否则取其邻域并对邻域内的非噪声像素排序并取中值,若中值为信号,则用它代替噪声像素灰度值;否则扩大邻域窗口,重复算法。随着图像规模的增大,在CPU上执行的时间显著增加。文中在CUDA平台上对其进行了实现。实验结果表明该算法不仅能有效地移除椒盐噪声,而且执行效率高,图像的规模越大,加速比越高,最多可提高3个数量级。     

基于局部特征的图像边缘检测

针对传统边缘检测对噪声较敏感且不能准确定位的不足,分析了图像边缘邻域像素之间的关系,提出了基于局部特征的图像边缘检测方法,建立了判断该像素点是否位于边缘上的准则函数。本方法以像素点为研究对象,检测的边缘可能为噪声点或伪边缘点,因此利用图像边缘连续性和噪声点孤立性的特点,运用形态学提取图像边缘并克服了噪声对边缘检测的影响;然后运用形态方向梯度去除伪边缘点。实验结果表明该方法能够准确地检测出图像的边缘,并克服了传统利用微分算子检测边缘的不足。     

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。     

基于相似性噪声检测的边缘保护滤波算法

为了改善受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。该算法包括3个阶段,首先,利用像素点之间的相似性来检测图像中受噪声污染的像素点;然后,将滤波窗口分为8个主要方向来确定边缘方向;最后,针对噪声点进行边缘保护滤波。实验结果表明,在噪声污染度较小的情况下,该算法不仅能准确地检测出噪声点,而且更多地保护了噪声图像的边缘部分以及非噪声点,具有良好的滤波效果。     

基于PCNN的改进脉冲噪声去噪方法

提出了一种基于噪声邻域结构分析的脉冲噪声去除方法。对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声。对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类。对邻域结构简单的噪声点采用中值滤波进行去噪;对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法。实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节。     

改进的中值滤波图像去噪方法研究

为了有效的去除图像中的脉冲噪声,提出了一种新的噪声检测与噪声去除的方法,它在充分分析了噪声的分布特性的基础上,对图像中的噪声及图像的细节进行多方向检测,进而有效的分辨出噪声像素点与非噪声像素点.同时在传统的中值滤波的基础上结合邻域均值加权的思想对检测到的图像噪声点进行处理.在Matlab上的实验结果表明,该方法能有效地检测出噪声点,同时也在一定程度上较好的保存了图像的边缘信息.     

基于量子测量算子的噪声可信度滤波

传统图像去噪方法存在失真问题,造成失真的主要原因有：(1)在去噪的过程中把噪声点的影响分散到其邻域内;(2)对相应点没有判别其是否是噪声点;(3)判别噪声点不准确,将非噪声点误判为噪声点。针对这3个主因给出相应优化方案,通过生成测量算子及噪声可信度确定噪声点及其邻域内的噪声点。仿真实验结果证明,与中值滤波方法相比,该方法具有更强的去噪能力,能够达到防失真的目的。     

彩色图像迭代自适应滤波算法

对于被脉冲噪声污染的彩色图像,基于噪声检测,提出了一种迭代自适应滤波算法。对于彩色图像的每个通道,分别运用脉冲噪声检测器,估计出噪声像素点,应用后续迭代自适应滤波算法,只对每个通道中检测出来的噪声像素点进行滤波,而对非噪声像素点保持其值不变。实验结果证明,该滤波算法滤除脉冲噪声的能力优于传统的矢量滤波算法,并且更能有效地保留图像的边缘和细节。     

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。     

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。     

基于多判别参数混合方法的散乱点云特征提取

针对以往散乱点云特征提取算法存在尖锐特征点提取不完整以及无法保留模型边界点的问题,提出了一种多个判别参数混合方法的特征提取算法。首先,对点云构建k-d tree,利用k-d tree建立点云k邻域;然后,针对每个k邻域计算数据点曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离;最后,据此四个参数定义特征阈值和特征判别参数,特征判别参数大于阈值的点即为特征点。实验结果表明,与已有算法相比,该算法不仅可以有效提取尖锐特征点,而且能够识别边界点。     

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.

     

基于邻域信息的红外与可见光图像互信息配准

基于互信息的配准方法以其自动化程度高和配准精度高的优点被广泛应用在图像配准中。文中针对红外与可见光图像配准中采用传统的互信息,仅考虑图像像素的灰度信息,而没有考虑图像像素之间空间信息的情况,提出了一种基于邻域信息的互信息配准算法。该算法充分利用图像像素之间的空间信息,在互信息计算中图像中每个像素的灰度值由其邻域像素的灰度值按照距离分配不同的权值共同得到。实验表明该算法使配准曲线更加光滑,配准过程中极值更易找出,提高了配准精度和抗噪能力。     

噪声不均条件下的模糊C均值聚类算法及应用

随着工业生产和工艺的进步,人们对产品的质量要求越来越高。为提高光缆表面瑕疵分割的效果,克服模糊C均值聚类算法对噪声敏感的不足,提出了一种新的模糊C均值聚类（FCM）的瑕疵图像分割方法。该方法一方面考虑样本的邻域像素信息,使FCM的隶属度函数中包含像素的邻域信息,另一个方面使用一种新的距离度量方式代替传统的欧式距离。利用以上两种方法来增加算法的鲁棒性,此外,通过直方图法给聚类中心赋初值,使分割效果稳定。最后,分别对CCD相机获取的光缆图像添加椒盐噪声和高斯白噪声,使用改进的FCM算法和传统的FCM算法、FCMM算法进行光缆表面瑕疵分割实验。图像和分割正确率的对比实验结果表明,使用改进的FCM算法能更好地克服噪声,精确地将瑕疵从图像上提取出来,瑕疵轮廓更为清晰,提高了光缆表面瑕疵检测的效果。