基于先验知识的椒盐噪声动态去噪算法

椒盐噪声产生于图像的传输过程,对后续图像处理有较大的干扰。虽然中值滤波类的方法被证明对椒盐噪声有不错的处理效果,但图像中边缘信息模糊严重。为此,提出了一种基于局部像素点的值关系的椒盐噪声去噪算法,该算法先用椒盐噪声的特点对噪声点定位,然后用局部像素值之间的线性关系对图像窗口滤波。用峰值信噪比与基于开关的自适应中值滤波的对比实验结果证明,使用本文的方法不但信噪比优于对比算法,而且更好地保护了图像的边缘信息。     

高密度椒盐噪声图像的二次去噪方法

针对高密度的椒盐噪声图像,提出了一种基于中值滤波和均值滤波的高效的二次去噪方法 (Two-Step Denoising Algorithm,TSDA).数值试验表明,TSDA算法在保持图像边缘的同时能高效地去除高密度的椒盐噪声,较SMF方法和NDBA(New Decision-Based Algorithm)方法在检验指标MSE、PSNR和IEF上都有较大改进.     

基于细节保留的椒盐噪声自适应滤波算法

针对灰度图像中椒盐噪声的特点,提出了一种更加精确的噪声检测方法:该方法利用滤波窗口内像素点灰度值的不同,将受椒盐噪声污染的图像中像素点划分为噪声点,疑似噪声点和信号点.通过设定阈值,并参考相邻像素点的相关性来进一步区分疑似噪声点,最终建立噪声标记矩阵.对于被标记的噪声点,采用自适应滤波算法,保留更多的图像细节.仿真结果表明,该算法在除去噪声点的同时,对于边缘细节也有非常好的保护作用.     

严重椒盐噪声污染图像的非线性滤波算法

针对灰度图像的椒盐噪声滤波问题，提出一种保细节的非线性滤波算法。利用局部统计信息，首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点3类，建立噪声标矩阵；然后再根据噪声标记矩阵的局部统计信息，将可能的噪声点细分为信号点、噪声点和不确定点3种类别，并分别采用不同的方法进行滤波，以保留更多的图像细节。结果表明，本文算法在去噪能力、自适应性以及保留细节等方面都明显比其它4种算法强，尤其是对于噪声高度污染图像的情况。     

一种基于灰色关联的去椒盐噪声滤波算法

利用灰色关联理论结合开关滤波策略的思想,提出了一种基于灰色关联的去椒盐噪声算法。算法采用开关策略,对于噪声点,选取3×3滤波窗口内的非噪声像素,利用灰色关联度计算各像素的加权值,将各非噪声像素加权后替换噪声点像素值,得到滤波图像。仿真实验证实,该算法不仅有效抑制了图像中的椒盐噪声,而且较好地保持了图像的边缘细节,滤波效果明显优于传统的滤波算法。     

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像（噪声密度大于30%）,则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度（90%）噪声情况下与其他算法相比获得的峰值信噪比（PSNR）仍高出10 dB左右。     

一种窗口自适应的去椒盐噪声滤波算法

为了有效地去除图像中的椒盐噪声,提出一种窗口自适应的滤波算法。算法先采用3×3窗口进行噪声检测,如果中心点为噪声点,则统计窗口内为非噪声点的数量。当非噪声点的数量大于2时,采用中值均值滤波算法;当非噪声点的数量小于等于2时,将窗口尺寸扩大至5×5,采用中值均值滤波算法。如果中心点为信号点,则保持原值不变直接输出。仿真实验结果证明,这种算法对不同程度椒盐噪声污染的图像具有较强的去噪能力,同时较好地保持了图像的细节。     

基于开关二级检测的图像椒盐噪声滤波算法

鉴于开关中值滤波在椒盐噪声检测和去除方面的应用合理性,本文分别设计实现了基于信号局部差异性和基于信号方向差异性的椒盐噪声检测算法。这两种算法均属于二级噪声检测方法,且第一级检测手段都是基于灰度范围准则。两种算法的不同点主要体现在第二级检测算法上,前者基于局部差别准则,后者基于方向差别准则。在方法评价部分,首先通过分析和实验确定两种算法的最优参数设置;然后通过对不同噪声密度的测试图像去噪来评价两种算法的去噪效果。结果表明:基于方向差异性的算法比基于局部差异性的算法具有更好的性能,且两种算法的去噪效果都与噪声密度成反比。需要注意的是,这两种算法都容易将图像中的细微边缘或细节像素误判为噪声点,即在噪声的检测过程中,只能避免对图像中主要边缘和轮廓像素的误判,还无法对图像中的细微边缘和细节进行精确判定,这也是开关二级噪声滤波算法今后的主要改进方向。另外,算法效率测试结果表明两种算法具有相似的计算时间,从而验证了两者之间的算法结构相似性。     

去除严重椒盐噪声的模糊加权改进算法

去除椒盐脉冲噪声是图像处理中的一个重要问题,提出了一种基于距离关系和模糊关系理论,去除严重椒盐噪声污染图像的恢复方法。该算法弥补了中值滤波在椒盐噪声概率高的情况下,滤噪能力下降快的缺点,经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果。     

基于浮选图像的高斯-椒盐噪声滤波算法

浮选图像采集和传输过程极易受到高斯-椒盐混合噪声的污染,严重了影响后续图像识别的精度.针对此种情况,结合多种传统滤波算法,提出一种去除高斯-椒盐混合噪声的有效算法.实验结果表明:提出的算法在去除浮选图像的混合噪声上要明显优于传统算法,且能够满足实时性需求,在滤除混合噪声上具有很好的参考价值.     

噪声密度不敏感的随机采样椒盐噪声滤波算法

中值滤波系列算法在处理被不同密度椒盐噪声污染的细节图像和平坦图像时,降噪性能不一致。本文借鉴开关中值滤波和压缩感知的思想,提出了随机采样滤波算法去除椒盐噪声。算法以噪声检测为基础,将被椒盐噪声污染的图像分为疑似噪声像素和信号像素,随机采样仅对信号像素采样。然后,利用正交匹配追踪算法重构出被污染前的图像,替代了中值滤波对噪声像素的估计。由于随机采样滤波基于压缩感知理论,对稀疏信号的重构具有最少测量次数的条件,因此随机采样点的数量具有一定的浮动空间,表现为对噪声密度不敏感。以被不同噪声密度污染图像的纹理、平坦局部区域进行验证,实验表明,当噪声密度在一定范围内变化时,算法可以实现对噪声密度不敏感。在高密度噪声污染的情况下,相较于中值滤波系列算法,随机采样滤波算法具有更好的细节保留能力和滤波能力。对标准测试图像进行了全局滤波,不同噪声密度具有一致的滤波效果,与自适应滤波算法相比,随机采样滤波算法在处理包含密集边缘特征的区域时更具备优势。      

基于噪声检测的高密椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度保护图像的细节信息,使得高密度噪声污染图像也能得到较好的恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于噪声检测的高密度椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度的保护图像的细节信息,使得高密度噪声污染图像也能得到较好地恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于二级检测的椒盐噪声滤除算法

针对目前算法不能适用于含不同密度椒盐噪声的图像去噪,提出了一种基于噪声点极值特性和方向差异性的开关型噪声滤波器。检测阶段,采用极值法检测噪声,并计算噪声密度,当噪声密度低于阈值时进行基于噪声点方向差异性的二次检测,否则直接进行滤波;滤波阶段,根据局部噪声密度选择递归或非递归窗口,进行除去窗内噪声点的加权均值滤波。实验结果表明本文算法滤波性能和细节保护都优于传统中值滤波和一些改进算法。     

一种图像椒盐噪声自适应滤除方法

在已有极值中值的滤波算法的基础上,提出一种自适应滤波算法.该算法对于不同椒盐噪声密度采用不同滤波方法,在噪声密度较低时,采用同时考虑灰度差值和空间距离的自适应权重函数进行滤波,在噪声密度较大时,扩大滤波窗口进行改进的中值滤波.实验证明,该算法在滤除椒盐噪声能力、细节保护能力方面均有较大提高.     

摄像机标定中总体最小二乘法抗噪性的研究

为了降低摄像机标定中图形加性噪声给标定精度带来的不良影响,提出了基于总体最小二乘法的摄像机标定方法。由于总体最小二乘法具有消除或降低噪声的功能,本文将其用于求解单应性矩阵,既提高了单应性矩阵的精度,又为摄像机内外参数和畸变系数的精确测量提供了理论依据。在此基础上借助OpenCV函数库获取图形中角点高精度坐标的功能,在Visual C＋＋环境下实现了对摄像机的标定。数值实验和实际标定实验均表明,提出的标定方法具有更高的精度和抗噪声能力。     

基于Matlab的椒盐噪声滤波算法研究与实现

介绍了图像去噪流程,研究了图像椒盐噪声处理中的两种算法,均值滤波算法和中值滤波算法,详细阐述了两种算法的基本原理和实现方法,在Matlab环境下利用两种算法对图像进行去噪处理,并对去噪结果进行比较、分析,实验结果表明两种算法都能有效滤除图像中的椒盐噪声,中值滤波算法在保护图像细节方面要优于均值滤波算法。     

一种快速去除高密度椒盐噪声的滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。