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。     

有无噪声对细胞神经网络提取图像边缘的影响

主要运用相关系数,通过对原始图像进行加躁再去噪,计算出用传统的滤波方法如均值滤波、中值滤波和维纳滤波分别对有噪声的图像进行去噪处理后,去噪图像与原始图像的相关系数,验证了去除高斯噪声用一次维纳滤波比较理想;去除椒盐噪声使用中值滤波效果较好。并在第三部分给出了对加噪的图像先进行去噪处理,再用CNN进行边缘提取的结果和对加躁图像先用cNN进行边缘提取再去噪的结果,并将这两种结果与原始图像提取边缘的结果进行比较和观察,得出以下结论：为了避免由于噪声引起的失真对图像真实信息的影响,在进行图像边缘提取之前必须先进行去噪处理再进行边缘提取。     

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。     

基于量子衍生的图像中值滤波算法

利用量子衍生思想,借鉴量子信息理论,将归一化的数字图像用量子叠加态的方式表示,分析了量子Hadamard变换的原理,提出了基于量子衍生的图像中值滤波算法。针对受不同程度椒盐噪声干扰的数字图像,分别采用3×3和5×5大小的中值滤波窗口,对传统图像中值滤波算法和量子衍生中值滤波算法进行了去噪仿真实验。从主观视觉角度和客观评价指标两方面,对算法的去噪效果进行了分析和比较。根据信噪比和边缘保持度两种评价指标,客观衡量和比较了算法处理后的结果图像与原始图像之间的灰度值差异,以及算法对图像边缘细节的保持能力。算法仿真结果表明,对相同程度椒盐噪声干扰的图像进行去噪处理时,5×5大小的量子衍生中值滤波算法去噪效果最佳。     

基于权值的中值和均值混合去噪算法

针对均值去噪算法对图像边缘定位带来困难,中值去噪算法对一些点、线、细节较多的图像去噪效果往往不理想等诸多问题,为了得到更好的去噪图像,并为后继的边缘定位等处理打下良好的基础,提出了基于权值的中值和均值混合滤波方法,该方法能在类椒盐噪声密度较大时较好的去除大量类椒盐噪声,同时较好的保留图像的边缘信息,并提高图像的信噪比.实验证明,该方法去噪性能明显优于中值滤波和均值滤波,并且算法简单,适合于高速在线检测系统.     

基于边缘检测和四点插值细分的SAR图像去噪

针对SAR图像相干斑滤波中存在的降低相干斑与有效保持细节信息这一矛盾,提出了一种基于四点插值细分的SAR图像去噪的新算法,将四点插值细分规则运用到图像去噪中,并与边缘检测相结合。先用canny算子提取图像边缘,进而通过四点插值细分方法分别对边缘图像和原始图像进行去噪,然后再对边缘信息进行边缘信息的重构,得到新的去噪图像。并通过等效视数、边缘保持指数等评价指标对去噪结果进行了评价。实验结果表明,与其他去噪方法相比,该算法在有效地去噪的同时,可有效地保留图像的边缘信息,具有较好的去噪结果。     

一种基于双边滤波和图像融合的增强方法

在系统研究可见光和红外图像融合技术的基础上,提出一种图像融合算法用以检测可见光图像中的隐含目标。为了在检测隐含目标的同时平滑图像中目标的边缘信息,采用双边滤波来去除噪声并在此基础上进行图像融合以获取图像完整信息。首先通过对图像添加噪声得到降质退化图像,然后采取双边滤波算法对降质图像进行平滑去噪,此后,再对滤波去噪后图像进行融合。结合双边滤波和图像融合方法,设计四种算法来验证双边滤波和图像融合在多源图像应用中的强大功能。研究测试了算法对可见光图像中因光线原因隐藏的人体目标检测性能。实验结果表明,该方法可以有效提高在背景图像中进行目标检测或识别的概率。     

基于噪声检测的激光光斑图像去噪方法

基于受污染图像的噪声检测,提出了一种有效的椒盐噪声图像混合滤波算法。首先利用可自适应变化的矢量窗口检测噪声,并对检测到的噪声进行分类,然后采用所提出的伪加权中值滤波和伪加权均值滤波两种算法对图像进行混合滤波,最后加入背景阈值和孤立噪点修正量对滤波后的图像进行灰度修正。提出的方法对不同椒盐噪声强度下的激光光斑图像均体现出优异的滤波性能,去噪和边缘保持性能得到了较大提高,优于传统的中值滤波、均值滤波及其一些改进算法。     

一种改进的二进小波变换图像去噪方法

本文在分析图像噪声消除与细节保持相矛盾的基础上,提出了一种改进的二进小波变换图像去噪方法。首先用自适应滤波多尺度边缘检测方法检测出图像的边缘;然后用二进小波变换去噪方法进行全局闯值去噪;最后将边缘图像嵌入到二进小波去噪后图像。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘信息。     

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。     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

基于二级修复的多方向加权均值滤波算法

针对目前算法不能有效去除高概率的椒盐噪声并保护图像边缘和细节特征的缺点,提出了一种基于二级修复的多方向加权均值滤波算法。在噪声检测阶段,首先利用一个方差参数判断当前像素点与其邻域像素点之间的灰度差异程度,再通过将方差参数和灰度极值相结合的方法检测出图像中的椒盐噪声点。在噪声修复阶段,提出一种二级修复方法来修复噪声点的灰度值。首先利用改进的自适应中值滤波器对椒盐噪声点进行第一级噪声修复;然后利用方差参数将第一级修复后的噪声点划分为两类,并采用不同的修复方法对这两类像素点进行第二级噪声修复,一类像素点采用均值滤波器进行再修复,另外一类像素点采用多方向加权均值滤波器进行再修复。数值实验结果表明,所提算法的滤波性能和边缘保护能力均优于当下很多先进的滤波器。     

基于小波阈值和全变分模型的图像去噪

针对小波阈值函数去噪不彻底并且造成图像边缘模糊的问题,提出一种自适应小波阈值和全变分模型相结合的去噪方法。利用小波变换的时频域特性将含噪图像分解得到各维度小波系数,对低频小波系数利用全变分模型去噪,对于高频系数根据不同分解尺度选择不同的最佳阈值去噪,克服了统一阈值的不足,增强了算法的自适应性。理论分析和仿真实验结果表明,所提方法兼顾了小波变换和全变分模型的去噪优点,在有效去除噪声的同时更完整地保留了图像的边缘和细节信息,有较高的结构相似度和峰值信噪比。     

用噪声检测算法改进理想低通滤波器

针对图像去噪算法存在滤除噪声与保留图像边缘细节之间的矛盾,提出了一种使用基于分数阶微分梯度的随机噪声检测算法来提高理想低通滤波器的去噪性能的方法。首先,使用不同方向的分数阶微分梯度模板与含噪声图像进行卷积,计算出图像在不同方向上的分数阶微分梯度;然后,依据预先设定的阈值获得不同方向的分数阶微分梯度检测图,将在所有选定方向上梯度都发生跳变的像素点判定为噪声点;最后,只对图像中被检测出的噪声点用理想低通滤波器进行滤波,可使图像在去除噪声和保留图像细节两方面同时获得较优的效果。实验结果表明,所提算法不仅可以获得更好的视觉效果,而且去噪后图像的峰值性噪比(PSNR)表明去噪后的图像更接近原始图像,使用理想低通滤波器获得的最大PSNR为29.0893dB,所提算法获得的最PSNR为34.7027dB。将分数阶微积分用于图像去噪,为提高图像去噪性能提供了一个新的研究方向。     

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。     

基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法

针对煤电厂炉膛火焰图像含有脉冲噪声和高斯噪声混合含噪图像的特点,提出了中值滤波和小波变换相结合的火焰图像去噪方法。首先采用自适应权重中值滤波方法对火焰图像去噪,然后再对去噪后的图像进行小波分解,分解后对不同子带采用不同的滤波方法进行有效滤波。实验结果表明,该方法不仅能够有效地滤除图像噪声,提高火焰图像的质量,而且在边缘保持能力上比传统的去噪方法要好。     

带结构检测的非局部均值图像去噪算法

针对非局部均值(NL-Means)图像去噪算法有大量结构残留的问题,提出一种带结构检测的NL-Means滤波算法。首先使用一个结构分析器对噪声图像进行预处理,突出图像中的细节信息,然后利用边缘检测的结果调节NL-Means算法相似性度量,为了保留图像的边缘内容让具有相似边缘内容的像素能够获得更大的权,而边缘内容不相似邻域有较小的权（或为零）。实验结果表明：该算法提高了NL-Means算法的去噪能力,滤波后的图像结构相似度更高,改善了图像的视觉质量。     

结合加权核范数与全变分的图像二级去噪

为提升图像去噪后的视觉感受,提出一种加权核范数最小化（WNNM）结合全变分（TV）的二级图像降噪方法。首先对含噪图像进行TV基础去噪,其次用噪声图像与基础去噪结果图做差分运算,并对差分后的结果自适应维纳滤波,然后将滤波后图像与基础TV降噪图像叠加,利用块匹配做相似补丁收集,最后运用加权核范数最小化进行二次去噪,得到最终降噪图像。通过与原WNNM、三维块匹配去噪（BM3D）、漏斗自相似非局部去噪（FNLM）方法对比,该方法不仅对平滑区域有较优的降噪效果,同时处理了漏斗自相似非局部去噪与BM3D在高噪声情况下带来花斑与假条纹状况,并且使结构纹理信息最大化相似。