基于噪声检测的总变分去噪算法

对受高斯和脉冲混合噪声污染的数字图像去噪方法进行了研究,提出了一种基于噪声检测的自适应总变分(TV)去噪算法。提出的改进算法采用两步迭代框架实现:脉冲噪点检测和全变分图像恢复。第一步中,考虑到脉冲噪声污染的像素点不包含原图像有效信息,采用一种局部统计值,即邻域像素间的随机绝对差排序值(ROAD)估计出噪点的位置;第二步中,采用L2-TV方法进行去噪处理,并对上述过程进行迭代处理,得到去噪图像。在噪点估计过程中引入脉冲噪点水平参数,这样处理的优势在于可更准确地检测出脉冲噪点;而L2-TV去噪方法可很好地去除高斯噪声,两者结合有效地解决了TV算法存在误判图像脉冲噪声为边缘而产生假边缘的问题。与现有典型去噪方法的比较实验表明,该迭代去噪算法,即TV-ROAD算法,既能够去除混合噪声,又可以保留图像细节特征。     

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。     

一种基于偏导数的滤波算法

提出了一种新的图像噪声消除算法。该方法可以快速有效地去除图像中的脉冲噪声,并保留图像的细节。该算法主要利用像素点的偏导数信息把所有的像素点分为有效的信号点和噪声点,判定的标准为:任意像素点的值如果在其邻域为最大或最小值,则认为该点是噪声点,否则就是有效点。实验结果表明,本算法去除噪声与保留细节的效果好,且运算速度较快。     

一种基于偏导数的滤波算法

提出了一种新的图像噪声消除算法。该方法可以快速有效地去除图像中的脉冲噪声,并保留图像的细节。该算法主要利用像素点的偏导数信息把所有的像素点分为有效的信号点和噪声点,判定的标准为：任意像素点的值如果在其邻域为最大或最小值,则认为该点是噪声点,否则就是有效点。实验结果表明,本算法去除噪声与保留细节的效果好,且运算速度较快。     

小波变换阈值选取的博弈与图像边缘点检测

介绍了小波变换的理论,从一维空间小波变换故障信号检测实例出发,分析应用小波变换进行信号突变点检测时,阈值选取对消除噪声和信号真实突变点检测的影响,引出小波变换阈值选取的博弈观点;通过软件编程实现小波变换和模极大阈值法图像边缘点的提取,对比选取不同阈值时边缘点图像实例的效果,进一步讨论了阈值优化的博弈结论和相关技巧;认识和应用此结论不仅可以有效减小噪声,而且可以更加准确地提取图像边缘点,实验证明效果很好.     

一种改进的自适应中值滤波算法

传统的自适应中值滤波算法,利用极值判别像素点是否为噪声点。该方法容易将边缘点误判为噪声点,将噪声点误判为信号点。本文针对这一问题,提出一种利用边缘点与噪声点的差异判别噪声点,并将噪声点分为平滑区噪声点与边缘区域噪声点,对不同类型噪声点进行不同处理。从而达到更好的抑制噪声与保护图像细节效果。     

基于平稳小波变换的铯谱和ECG信号的去噪方法

本文针对小波空间适应法在用于TOKAMAK铯谱信号以及ECG信号去噪中的缺陷,提出一种利用平稳小波变换来消除信号加性噪声的方法。对受噪声污染的信号进行多层平稳小波变换,避层估计平稳小渡变换细节信号中噪声的均方差并适当选取各层阈值．对平稳小波变换的各层细节信号进行不同的闭值处理,从而更好地抑制小波空间适应法消噪出现的Gibbs现象．较好地保持了铯谱信号和ECG信号的几何特征。     

小波变换阈值选取的博弈与图像边缘点检测

介绍了小波变换的理论，从一维空间小波变换故障信号检测实例出发，分析应用小波变换进行信号突变点检测时，阈值选取对消除噪声和信号真实突变点检测的影响，引出小波变换阈值选取的博弈观点；通过软件编程实现小波变换和模极大阈值法图像边缘点的提取，对比选取不同阈值时边缘点图像实例的效果，进一步讨论了阈值优化的博弈结论和相关技巧；认识和应用此结论不仅可以有效减小噪声，而且可以更加准确地提取图像边缘点,实验证明效果很好。     

基于像素点聚类分离的滤波算法

为了提高受随机值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。对噪声图像进行初步滤波,分辨出图像中比较明显的噪声;根据图像局部像素点的相似性和噪声点的孤立性,计算出噪声图像的相关矩阵;运用模糊C均值聚类算法对所求相关矩阵进行迭代聚类,分离出噪声点和正常像素点;对噪声点进行中值滤波。实验结果表明,与传统算法相比,该算法能更好地滤除噪声点,保护了更多的图像细节,具有良好的滤波效果。     

一种冗余小波变换的心电信号噪声消除方法

平稳小波变换去除心电信号噪声较好抑制了小波空间适应法消噪产生的伪Gibbs现象,但其重建过程相对复杂。提出对受噪声污染的心电信号移位一次,将移位信号及原信号分别进行正交小波变换阈值去噪,以它们的平均作为去噪结果。实验表明可以获得与平稳小波变换相同的去噪效果,但算法实现更简单快速。     

基于差分分层噪声检测的开关中值滤波算法

为了精确地检测出图像中的脉冲噪声并滤除,提出了一种差分分层噪声检测的开关中值滤波算法。该算法对噪声检测窗口内像素点按灰度值大小排序,通过差分方法划分出高、低阶噪声块和信号块3部分。当待测像素点属于信号块时视其为信号点;否则,视其为可能噪声点。利用可能噪声点与信号块中与其灰度值最临近的信号点的灰度的差定义了梯度函数,在梯度函数的基础上定义了用于对可能噪声点进行二次检测的模糊隶属函数,对滤波方法进行模糊加权,得到一种加权滤波方法。实验结果证明了该算法对脉冲噪声有很强的抑制作用。     

基于排序跳变点的脉冲噪声检测与滤除算法

提出了一种简单的判断脉冲噪声点的算法。该算法先将滤波窗口内的像素值按照大小排序,然后找到排序后像素值的两个最大跳变点,如果此跳变点发生在靠近最大值或最小值处,并且跳变幅度超过文中实验得出的域值,就可以根据窗口中心像素值的位置,即它在两个跳变点所确定的范围之内还是之外,将其判为信号点或噪声点,最后用判断出的信号点对噪声点进行恢复。实验结果表明,该算法能够几乎准确地判断出噪声点与信号点,从而达到了更好的去噪效果。     

Removal of impulse noise in color images based on convolutional neural network

A new denoising framework based on deep convolutional neural network for suppressing impulse noise in color images is proposed in this paper. The proposed framework consists of two modules: noise detection and image reconstruction, both of which are implemented by a deep convolutional neural network. First, a noise classifier network is trained to detect random-valued impulse noise in a color image, which not only can detect the noisy color vector pixels but also can further identify the corrupted channels of each noisy color pixel. Then, a sparse clean color image is computed by replacing the values of noisy channels with 0 and keeping other noise-free channels unchanged. Finally, the sparse clean color image is fed to another denoiser network to reconstruct the denoised image. Experimental results show that the proposed denoiser outperforms other state-of-the-art methods clearly in both performance measure and visual evaluation.     

基于svc和wavelet-transform的图像脉冲噪声自适应新滤波器

利用小波变换Wavelet Transform可以检测信号奇异点的原理,提出了一种基于WT的脉冲噪声检测方法,并把这一方法与支持向量分类器SVC脉冲噪声检测方法相结合,提出了一种改进的SVC图像脉冲噪声滤波器。实验表明,这一改进的SVC脉冲噪声滤波器的滤波效果比原先的SVC滤波器有明显的改善。     

自适应中值滤波算法滤除医学图像脉冲噪声

实现了一种滤除医学图像脉冲噪声的自适应中值滤波算法,用均方根误差和噪声对原图像的毁坏程度两个客观评价指标对该算法及传统均值、中值滤波方法进行了比较与评价。根据设定条件检测滤波窗口中心像素是否为脉冲噪声,采取滤波窗口自适应的算法来滤除脉冲噪声,去除了传统中值滤波对所有像素均用中值代替的弊端,减少了不必要的图像细节损失。基于MATLAB的仿真实验表明,对于较大密度的脉冲噪声,该算法在有效抑制噪声的同时,能较好地保护边缘和细节信息。该算法已应用于虚拟内窥镜系统中,取得了令人满意的效果。     

用于图像恢复的基于SVR的自适应新滤波器的研究*

提出了一种用SVR回归器识别脉冲噪声的思想,并将其应用于图像滤波和恢复,形成了用于对脉冲噪声进行滤波的SVR自适应滤波器。这种滤波器在滤波时,先用SVR对待识别像素作噪声识别,再对含噪声的像素作中值滤波。用SVR作噪声识别时,先对滤波窗口作SVR回归,通过待识别像素回归距的大小判断其是否含有噪声。在进行SVR回归时,使用鲁棒的Huber损失函数。由于更充分地利用了待识别像素点的局部背景信息,这种滤波器提高了脉冲噪声识别的正确率。实验表明,在保留原图像的细节信息方面,其滤波效果要优于基于SVC的中值滤波器。     

基于四分法噪声检测的开关中值滤波算法

为了精确的检测出图像中的脉冲噪声并滤除,提出一种差分四分法的开关中值滤波算法.该算法对噪声检测窗口内像素按灰度值大小排序,通过差分方法划分出高、低阶信号块和高,低阶噪声块4部分.当待测像素属于高,低阶信号块时视其为信号点,否则,根据噪声块与信号块内像素比例关系确定其为噪声点或可能噪声点,若为可能噪声点,则扩展检测窗口重新检测.对于噪声点,基于其邻域噪声密度自适应的确定滤波窗口,取滤窗内信号点的中值作为滤波输出.实验证明该算法对脉冲噪声有很强的抑制作用.     

一种基于噪声拓扑结构的滤波算法

基于脉冲噪声的特点,提出了一种新的非常有效的脉冲噪声的滤波算法。该算法将滤波过程分为两步进行,即第1步对图像的脉冲噪声点进行标识,第2步再对标识的噪声点进行滤波。在第1步这中,充分考虑到脉冲噪声的特点,主要利用了噪声的拓扑连通性;在第2步时,利用噪声点周围非噪声点的信息,来对噪声点进行修复。最后进行了仿真试验,并与传统中值滤波算法和开关中值滤波算法进行了比较,试验表明,在信噪比和细节保留方面,该算法要明显优于它们,特别是对高强度的脉冲噪声也有比较好的效果。     

一种改进的自适应中值滤波方法

提出了一种改进的自适应中值滤波算法,以有效地去除图像中的脉冲噪声,并保留图像细节。在进行噪声点检测时,引入了最小集合距离测度,有效地避免了将高频细节信号误判为噪声。采用最小无污染点集合的中值恢复噪声点,消除了其邻域噪声点的影响。通过与RAMF、NASMF等方法的比较实验表明,新算法噪声检测的正确率高、降噪与保留细节效果好, 尤其对含噪声密度高的图像的处理效果优势更为明显。     

A novel adaptive SVR based filter ASBF for image restoration

In this paper, a novel adaptive filter ASBF based on support vector regression (SVR) is proposed to preserve more image details and efficiently suppress impulse noise simultaneously. The main idea of the novel filter ASBF here is to employ a SVR based impulse detector to judge whether an input pixel is contaminated or not by impulse noise. If this case happens, a median filter is employed to remove the corresponding impulse noise. This judgment procedure is executed by regressing the filter window of an input pixel using SVR and then judging the input pixel by its regression distance. Huber loss function is used in SVR regression, due to its excellent robustness capability. The distinctive advantage of the filter ASBF over the latest Support Vector Classifier (SVC) based filter is that no training for the original noise-free image is required in our approach, which is well in accordance with our visual judgment way. Experimental results for benchmark images demonstrate that our filter ASBF here outperforms the extensively-used median-based filters and the SVC based filter.