基于PCNN的脉冲噪声滤波算法

鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络(PCNN)的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。     

基于脉冲耦合神经网络的彩色图像滤波新方法

通过对脉冲耦合神经网络(PCNN)工作机理的分析,建立一个在HIS色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型.计算机仿真表明采用基于PCNN的矢量中值滤波法能够有效去除图像中的噪声,并且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性.     

一种针对彩色图像随机值脉冲噪声的矢量滤波方法

为了去除彩色图像随机值脉冲噪声,提出了一种新的矢量滤波方法。该方法对图像的平滑区域和边缘区域的滤波工作分开进行,平滑区域滤波方法将窗口分成多个区域,然后基于矢量中值和平滑区域像素的特征检测出平滑区域的信号,边缘区域的滤波是在已知信号的基础上对非信号进行矢量中值滤波。仿真实验结果表明,该方法能够有效地去除彩色图像的随机值脉冲噪声,尤其当噪声密度较高时,去噪效果明显优于传统的矢量中值滤波。     

一种彩色图像混合滤波的方法

提出了一种彩色图像混合滤波算法,对混有高斯和脉冲噪声的图像进行去噪处理。算法首先滤除受脉冲噪声污染的像素点,采用基于个数判断脉冲噪声的中值滤波算法;其次滤除受高斯噪声污染的像素点,采用对称近邻均值滤波算法。实验结果表明,与传统的中值滤波和均值滤波算法相比,该算法能够有效地去除高斯和脉冲噪声,同时能够保留更多的图像细节信息。     

基于排序差值脉冲噪声检测的彩色图像滤波方法

提出一种针对彩色图像脉冲噪声进行检测,并根据检测结果利用改进的自适应矢量中值滤波法滤除彩色图像脉冲噪声的方法。试验结果表明,该方法能够明显地减少脉冲噪声检测过程中的噪声漏判数量,有效地去除彩色图像中的脉冲噪声,滤波后不会产生新的颜色,并能较好地保持图像的边缘与细节信息。     

一种快速有效的图像脉冲噪声滤除方法

针对图像数据中脉冲噪声的特点,该文提出了一种快速有效的滤除方法。这种方法通过寻找局部极值快速确定噪声点,并对图像的所有像素做分类标记,处理的过程中只考虑标记为噪声的点,采用邻域内非噪声点的均值作为滤波输出。这样处理不会影响图像中未受噪声污染的像素,而且减少了相应的计算量,经测试,该算法的滤波性能和计算速度明显好于常用的中值滤波方法,可以快速有效地滤除脉冲噪声,具有很好的实用价值。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声，在分析脉冲耦合神经网络（PCNN）的工作机理的基础上，在PCNN中引入了点火映射图的概念，并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图，然后利用点火映射图对图像中的脉冲噪声进行定位，最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明，该方法的去噪效果优于传统方法，从而验证了该方法的有效性、合理性。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声,在分析脉冲耦合神经网络(PCNN)的工作机理的基础上,在PCNN中引入了点火映射图的概念,并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图,然后利用点火映射图对图像中的脉冲噪声进行定位,最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明,该方法的去噪效果优于传统方法,从而验证了该方法的有效性、合理性。     

一种新的彩色图像脉冲噪声滤波算法

针对嵌入式机器视觉应用系统对滤波处理算法的实际要求,提出一种改进的彩色图像矢量中值滤波算法。综合应用灰色关联分析方法和矢量中值滤波技术。首先根据灰色关联分析计算图像中各像素矢量之间相似程度来度量像素间的关联程度,即使用像素点间的灰色关联度代替常用的空间距离。其次,利用像素点间的灰色关联程度在算法中增加了噪声检测环节。通过进行对比实验,基于灰色关联分析的彩色图像滤波算法可以快速、有效地滤除图像中的脉冲噪声,对图像中边缘细节的保护效果要好于其他算法,而在计算效率方面更远高于其他算法。     

基于PCNN的高斯噪声滤波

论文针对高方差的高斯噪声的特点,提出了一种先定位和去除大噪声像素,后平滑小噪声像素的滤波方法。文中采用类均值滤波方法去除大噪声像素,利用改进的PCNN平滑小噪声像素。与已有的滤波方法相比,该算法在较好地滤除噪声的同时,具有自适应和图像边缘保护能力。实验结果证实了该方法的可行性和有效性。     

基于PCNN和非线性滤波万有引力的医学图像融合

为了更好地满足现代医学临床诊断和治疗的需要,提高医学图像的融合质量,提出在提升小波变换的基础上,结合脉冲耦合神经网络（PCNN）和像素点的非线性滤波万有引力的医学图像融合方法。低频子系数采用基于区域灰度均值的融合规则;高频子系数采用自适应PCNN的融合规则,将像素的非线性滤波万有引力作为简化的PCNN模型中的链接强度,使PCNN能够自适应调节链接强度的大小,并根据点火矩阵确定高频子系数。实验结果表明,该方法得到的融合图像比其他融合方法保留了更多的边缘细节信息,各项评价指标均有所提高,有更好的融合性能。     

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。     

改进遍历过程的PCNN在图像处理中的应用

图像通常包含多个颜色相同的连通区域,针对脉冲耦合神经网络无法对它们进行分离提取的问题,提出一种改进遍历过程的脉冲耦合神经网络模型。通过引入深度优先搜索遍历算法,将不连通的多个同色区域分层激活,从而实现分离。最后针对图像噪声对新模型的影响,对其作进一步改进。以每层激活区域的大小作为图像噪声杂点判定的依据,并引入均值滤波算法来消除。实验验证了改进后的模型对图像多个同色连通区域的分离效果及噪声杂点的去除能力     

基于双层并行PCNN和粗集理论的图像融合

为了能更好地进行多传感器图像融合,提出了一种基于双层并行PCNN和粗集理论的图像融合方法。该方法首先对两幅图像去噪,将一幅图像作为主PCNN网络的输入,另一幅图像作为从PCNN网络的输入,计算每幅图像的清晰度,分别将每幅图像的清晰度矩阵送入主从PCNN网络处理,然后根据粗集理论对原始图像分类,最后生成融合图像。该方法不仅能保留原图像信息,而且得到的融合图像清晰度高、对比度大。仿真实验结果以及与其他融合算法的比较,表明该算法的有效性和优越性。     

一种强高斯噪声的图像滤波方法

针对图像中高方差的强高斯噪声特点,提出了一种图像噪声联合滤波的新方法。算法将受强高斯噪声污染的图像分为强噪声点集和弱噪声点集两部分,首先通过邻域像素强度值的变化特征,定位强噪声像素点,并采用改进的自适应均值滤波方法滤除,然后基于简化的脉冲耦合神经网络（PCNN）平滑弱噪声点像素。经实验结果验证,与已有的其他滤波方法相比,该算法在较好地滤除噪声的同时,具有良好的图像边缘保护和自适应能力。     

基于PCNN与LR的低对比度图像增强方法

图像增强是指对图像进行加工,以获得更“好”的视觉效果的一种图像处理技术。由于图像的最终接收者是人,所以评价图像“好坏”的关键在于其是否符合人类视觉系统的特性。针对低对比度图像,结合人眼视觉神经系统的感知特性,提出了一种基于PCNN与LR模型的图像增强方法。分析和仿真结果表明,该法能够较好地突出图像的边缘细节信息,明显地改善图像的视觉效果。     

一种改进的PCNN图像融合算法

针对使用小波变换及简单融合规则的图像融合算法的不足,提出了一种改进的基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）融合规则的非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）图像融合方法。对已配准待融合图像进行NSCT分解,采用改进的PCNN融合规则对Contourlet域系数进行融合,得到融合图像的NSCT系数,经逆变换重构得到融合图像。实验结果表明该算法在主观视觉和客观评价指标上都取得了较好的融合效果。