一种基于脉冲噪声检测的图像均值滤波方法

论文提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用均值滤波方法滤除脉冲噪声的方法。该方法首先采用串行方式,对含有脉冲噪声的图像进行逐点检测,其中判断噪声点的阈值可自适应地调整。采用窗口长度自适应调整和选择性取样的均值滤波方法,对检测到的噪声点进行逐点滤除。该方法既可有效地滤除脉冲噪声,又可以较好地保持图像边缘细节,对图像的后续处理有很好的价值。论文最后给出了实验滤波结果,说明了该方法的有效性。     

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。     

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。     

用于图像处理的自适应中值滤波

针对标准中值滤波方法存在的不足,提出自适应中值滤波方法．该方法通过噪声检测确定子图像中的脉冲噪声点及噪声干扰大小,根据噪声干扰程度选择滤波窗口的尺寸,并采用改进的中值滤波方法对检测出的噪声点进行滤波．计算机模拟实验结果表明：自适应中值滤波能在有效地去除噪声的同时,较好地保护图像细节,较标准中值滤波具有更优良的滤波性能,其滤波速度也较中值滤波具有明显优势．     

一种基于脉冲噪声检测的中值滤波方法

提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用中值滤波滤除脉冲噪声的方法。该方法将含有脉冲噪声的子图像样本空间,通过核函数映射成为高维空间中的一个超球体,计算该球体半径R及对应的球心向量a。对于测试样本,比较其到超球体球心的距离d与球体半径R两者之间的关系,若两者差的绝对值小于某一阈值,则不存在噪声,反之存在噪声。采用中值滤波方法,对检测到的噪声点进行滤除。与其他算法相比,提出的算法对噪声的判断更加准确,滤除噪声的方式更加合理,适用的图像范围更加广泛,具有更好的滤波性能。     

有效去除图像混合噪声的方法

脉冲耦合神经网络PCNN具有良好的脉冲传播特性,可以用于图像的边缘检测;多级中值滤波是对中值滤波的改进,具有较好的保护图像细节的作用;均值滤波是一种成熟的能较好滤除图像高斯噪声的方法.该算法充分结合上述3种算法的优点,先运用PCNN算法对被混合噪声干扰的图像进行边缘检测,然后利用多级中值滤波和均值滤波方法进行滤波处理.对不同的混合噪声进行滤除的实验结果表明本文算法较中值滤波和均值滤波方法有较大提升.     

自适应控制迭代的随机值脉冲噪声滤波

定义了一种更接近实际噪声情况的随机值脉冲噪声模型,针对随机值脉冲噪声的滤除提出一种自适应控制迭代次数的滤波算法。算法包括噪声检测、噪声滤除、误检像素修正和迭代控制四个步骤,对固定值脉冲噪声和随机值脉冲噪声均能有效滤除。与中值滤波算法进行实验比较,在滤除随机值脉冲噪声时,该算法滤波后图像细节信息保护较好,且滤波过程无需设定迭代参数,自适应性强。     

图像脉冲噪声的自适应长距离相关迭代滤波法

提出一种基于局部极值噪声检测的自适应长距离相关迭代滤波算法.该算法首先采用局部极值法进行噪声检测,然后在一定的搜寻范围内计算信号点与噪声点的背景均方误差值,并以该背景均方误差值为基础采用自适应加权法进行滤波,最后将这一滤波过程进行迭代计算.实验结果表明,该算法滤波效果优于传统的滤波算法,它可以有效地去除图像中的脉冲噪声,并较好地保持图像细节信息,在噪声密度很大的情况下也表现出很好的滤波性能.     

改进的中值滤波图像去噪方法研究

为了有效的去除图像中的脉冲噪声,提出了一种新的噪声检测与噪声去除的方法,它在充分分析了噪声的分布特性的基础上,对图像中的噪声及图像的细节进行多方向检测,进而有效的分辨出噪声像素点与非噪声像素点.同时在传统的中值滤波的基础上结合邻域均值加权的思想对检测到的图像噪声点进行处理.在Matlab上的实验结果表明,该方法能有效地检测出噪声点,同时也在一定程度上较好的保存了图像的边缘信息.     

一种改进的脉冲噪声滤波方法

由于数字图像在生成与传输过程中容易受到脉冲噪声的污染,往往造成后续处理难以为继。为了改善图像质量,需要对图像进行去噪处理。针对传统中值滤波及其它非线性滤波方法在去除图像脉冲噪声时存在的不足,本文提出了一种改进的去噪方法:在滤波之前进行一次脉冲噪声检测,确定受到噪声污染的像素点,并进行记录标识;然后根据检测结果进行改进的中值滤波:只对判断为噪声点的像素进行处理,不仅考虑了标准中值,也分情况利用了中值的前一个值和中值的后一个值的信息。实验表明,改进方法不仅在滤除脉冲噪声方面相比其他非线性滤波有很大改进,而且它可以更好地保护图像的细节特性,对图像的后续处理有很好的价值。     

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。     

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。     

基于局部空间像素特征的自适应加权滤波算法

提出了一种新的基于局部空间像素特征的椒盐噪声自适应加权滤波算法。该算法首先对含噪图像逐点进行噪声检测,把所有像素分为含噪像素点和信号像素点;然后采用自适应加权滤波方法,对检测到的噪声点进行滤波,滤波权重由确定的数学公式来确定,自适应于滤波窗内临近像素的局部特征。实验结果表明,该算法不仅可以有效地除去椒盐噪声,又可以较好地保持图像边缘细节,尤其在噪声密度较大时,效果明显优于传统的中值滤波算法。     

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。     

面向彩色手术显微图像的去噪算法改进

对于要求高保真的彩色手术显微图像,去除采集过程中引入的脉冲噪声是一项非常重要的任务。将自适应矢量中值滤波方法应用于彩色图像去噪,其效果非常理想。该方法可根据噪声干扰的情况自动选择滤波窗口的大小。先对图像各区域进行噪声检测,如果为非噪声区域,则不进行滤波;如果为噪声区域,则根据各区域受噪声污染状况自动确定滤波窗口尺寸。实验显示,采用自适应矢量中值滤波能有效滤除彩色显微图像的噪声,并能较好地保护边缘和细节,其性能较一般的矢量中值滤波方法有明显优势。     

利用几何结构检测去除图像中的随机值脉冲噪声

尽管中值滤波以及各种改进方法是去除图像中随机值脉冲噪声的有效方法,然而,大多数去噪方法存在门限值选取困难和对图像边缘纹理结构过平滑的缺点。针对这一问题,提出了一种基于几何结构的用于检测和去除随机值脉冲噪声的新方法。该方法首先利用图像的直方图分布来估计脉冲噪声的噪声率;然后进一步基于噪声率和细节图像的直方图分布,自适应地确定两个分类门限;最后利用两个门限,将细节图像中的像素分成‘未被污染点’、‘待定点’和‘噪声点’。其中‘待定点’主要由边缘和纹理区像素和噪声像素构成,为区分其属性,还引入了几何结构检测方法。基于各像素点的类型,细节图像被用于修正中值滤波的结果。实验结果表明,该新方法在去除脉冲噪声的同时,还很好地保留了图像的边缘结构。与已有的方法相比,具有明显的优势。