去除图像中高斯-脉冲噪声的有效方法

数字图像在获取和传输过程中常常会受到噪声的污染,有时会同时受到高斯噪声和脉冲噪声的污染。然而现有的去噪算法大多针对单一的高斯噪声或脉冲噪声,在处理混合噪声时无法取得令人满意的去噪效果。给出了一种去除数字图像中高斯-脉冲混合噪声的有效方法,去噪过程分为两个步骤：首先采用一种称为边界判定噪声检测的脉冲噪声检测方法检测出混合噪声中的脉冲噪声,对噪声图像作中值滤波后得到一幅受高斯噪声污染的过渡图像。然后用贝叶斯最小平方-高斯尺度混合模型对过渡图像进行滤波得到降噪后的图像。实验表明,同现有的其他去噪方法相比,该方法能够更有效地去除混合噪声。     

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。     

基于2级噪声检测的改进中值滤波算法

针对传统中值滤波算法去除高密度椒盐噪声能力的不足,提出了一种新的改进算法.该算法首先采用2级噪声检测方法对图像中的信号点和噪声点进行标识,然后对检测出的噪声点利用改进的中值滤波算法进行处理,而对信号点则保留其灰度值不变.实验结果表明,该算法能在有效去除噪声的同时很好地保留图像细节,相比于传统中值滤波及其它改进中值滤波算法,该算法获得的去噪后的图像具有更好的客观评价指标和主观视觉效果.     

一种新的基于噪声点检测的脉冲噪声去噪算法

中值滤波是广泛应用于去除脉冲噪声的一种非线性去噪方法,但是单一地使用中值滤波方法去除脉冲噪声会造成图像细节信息的丢失,从而使图像变得模糊。基于噪声点检测的脉冲噪声滤波方法可以在滤除噪声的同时有效地保持图像的细节信息。该文在此基础上提出了一种新的基于噪声点检测的脉冲噪声滤波算法,该算法在检测噪声点时用被检测点的中值滤波结果作为判定该点是否为噪声点的依据。而在滤除被检测到的噪声点时,采用的是迭代的中值滤波算法。从实验结果中可以看到,与其它中值滤波算法相比,该文的算法在去除脉冲噪声时能取得较好的效果。     

一种基于脉冲噪声检测的图像去噪方法

针对标准中值滤波在去除强噪声时存在的不足,提出一种改进的去噪方法.该方法通过多尺度窗口对图像脉冲噪声进行检测,其中判断噪声点的阈值可由图像中不同区域的灰度值自适应地调整,然后根据检测结果进行选择性滤波.该方法可以有效滤除图像中的脉冲噪声,又能较好的保持图像的边缘细节,尤其在强噪声情况下的效果更为明显.最后给出了滤波实验的仿真结果,说明了该方法的有效性.     

基于改进的简化脉冲耦合神经网络的煤矿井下图像去噪方法

针对传统图像去噪方法易使图像模糊和丢失边缘信息等问题,根据煤矿井下视频图像光度不均、噪声较大的特点,提出采用基于改进的简化脉冲耦合神经网络对煤矿井下图像进行去噪处理。对简化的脉冲耦合神经网络模型中神经元连接强度β的选取方法进行改进,使β依赖于图像像素灰度值,从而更加有效地去除椒盐噪声;对动态门限的衰减时间常数αE的选取方法进行改进,使αE依赖阈值输出的放大系数vE,减少整个模型的参数,并通过实验选取vE值。实验结果表明,与传统的中值滤波、均值滤波方法相比,基于改进的简化脉冲耦合神经网络的去噪方法不仅有效去除了矿井图像的椒盐噪声,而且很好地保持了图像的边缘等细节特征。     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB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。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而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。     

点检测下的中值滤波器图像去噪算法

在图像去噪过程中,运用已有的自适应中值滤波器去除图像椒盐噪声时,易把非噪声点误判为噪声点,使被处理图像严重失真,影响图像进一步分析。笔者在已有自适应滤波器去噪方法的基础上,针对椒盐噪声,进一步研究了点检测下的中值滤波器图像去噪算法,先对含有脉冲噪声的图像进行检测,判定是否为噪声点来选取自适应中值滤波合适的阈值。最后运用试验仿真结果和熵值对比传统方法,说明改进的算法去除图像椒盐噪声效果更优。     

去除红外图像中脉冲噪声的双边加权中值滤波

针对现有方法在去除红外图像的脉冲噪声时,未能有效保持图像的边缘细节和纹理结构,提出了基于统计检测的双边加权中值滤波算法。算法根据脉冲噪声的取值和分布特征,用最小和最大像素值以及统计规律进行噪声检测;对检测出来的噪声像素,以多尺度的方式、自适应地用双边加权系数对邻域中的无噪像素和已经去噪处理的像素进行频次加权,然后取它们的中值作为当前噪声像素的估计值。其中双边加权系数自适应于距离邻近度与灰度相似度。实验结果表明,相对于部分现有方法,所提方法去噪所得的EPI和SSIM值更高,去噪图像的视觉效果更佳。     

基于改进脉冲噪声检测的新型滤波算法*

通过分析脉冲噪声图像的数值特征,为了快速和准确地滤除图像脉冲噪声并能很好地保持图像的细节,提出了基于改进脉冲噪声检测的灰度图像和彩色图像非线性自适应滤波算法。该算法首先通过改进的噪声检测方法把图像中的噪声点标志在噪声标志矩阵中,然后采用改进中值滤波方法并有限制地自适应调整滤波窗口对灰度图像中的脉冲噪声给予有效滤除。在此基础之上,分别采用该方法对彩色图像的三个RGB子图像进行单独滤波,然后利用通道融合技术得到最终的彩色滤波图像。经过实验仿真并与国内外相关文献提出的算法相比,本方法不仅思想简单、快速、易于实现     

基于局部能量的改进开关中值滤波

针对脉冲噪声感染的图像,借鉴开关滤波的思想,提出了一种新的改进算法。该算法通过分析Max-min噪声检测算子的图像灰度局部极值点的误判缺陷,在极值检测的基础上,增加了由局部能量信息为判别依据的第二级噪声检测过程,实现了对噪声的精确检测。同时,在去除噪声时只利用信号点参与中值滤波,并让噪声点逐步转化为信号点,减少了噪声在邻域的传播。实验表明,该算法对脉冲噪声具有很好的噪声滤除和细节保护能力,与传统中值滤波及其他开关滤波算法相比,该算法具有更优的滤波性能,即使是在噪声密度较高的情况下,也能取得令人满意的效果。     

一种新型噪声检测中值滤波算法

本文提出了一种基于噪声检测的迭代中值滤波算法。该算法首先检测出噪声点,然后利用信号点对噪声点滤波。其中,噪声检测方法改进了Minmax方法。经过实验仿真并与其他滤波算法进行比较表明,该算法可以有效地去除图像中的脉冲噪声并且保留原图像的细节。     

中子集型自适应中值滤波器

消除脉冲噪声通常采用中值滤波算法。尽管有许多中值滤波方法做了很大改进,但是,在噪声密度较高的情况下,图像滤波的结果仍然不能令人满意,因此,提出了一种新型中值算法。首先对滤波窗口中的像素进行分类,然后确定其中多元素子集的中子集,并且根据多元素子集的个数来决定是进行滤波还是扩大滤波窗口。最后,在仿真中,将该算法分别和几种中值滤波算法在数值和视觉上进行比较,实验结果显示,该算法能够有效地降低脉冲噪声并且保留了原始图像的更多细节。     

基于上下中值型噪声检测的自适应中值滤波器

基于噪声检测的中值滤器已广泛用于消除图像中的脉冲噪声。然而,在高噪声密度情况下,过多的像素被错误地分类,这个缺陷将会对图像滤波产生负面影响,为了克服这个缺陷,提出了一种上下中值型噪声检测器。基于这种噪声检测方法,又提出了一种自适应中值滤波算法。实验结果显示,该算法能够有效地消除脉冲噪声,并且保留了原始图像的更多细节。     

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。     

基于支持向量机的改进中值滤波算法

对椒盐噪声的特点以及标准中值滤波算法存在的不足,提出一种基于支持向量机的改进中值滤波算法. 该算法首先对噪声图像进行中值滤波,并对滤波后图像去模糊化,然后用支持向量机分类确定去模糊化后图像中灰度值为最大值或最小值的像素点是否为噪声点,最后通过支持向量机回归预测将噪声点恢复为原始信号. 仿真实验及仿真结果分析表明该算法可以有效地去除椒盐噪声,且有较高的峰值信噪比.     

新的强高斯噪声自适应滤波方法

为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络（PCNNNI）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

图像椒盐噪声的自适应滤波算法研究

为有效去除严重的椒盐噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经网络的点火时刻矩阵,对受噪声污染的像素进行定位,仅对噪声像素进行类中值滤波,实现了图像细节的有效保留;根据噪声强度的估计信息,自动进行滤波次数和滤波窗口尺寸的优选,实现了图像的强自适应滤波。实验表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。