自适应滤波窗实现距离加权图像椒盐噪声滤除

目的 在比较几种椒盐去噪方法的滤波窗口尺寸选择策略的基础上,提出一种基于自适应滤波窗的距离加权图像椒盐噪声滤除方法。方法 首先将图像中灰度值为0或255的像素点判定为噪声点,接着对每个噪声点,在以该噪声点为中心、不断增大面积的滤波窗口序列中,寻找包含非噪声点的最小尺寸窗口。若此窗口尺寸小于预设的阈值,则使用该窗口中的非噪声点进行距离加权滤波。否则认为该噪声点位置位于图像自身灰度值为0或255的像素点区域内部,使用少数服从多数策略计算灰度恢复值。结果 将本文方法与其他7种椒盐去噪方法相比较。当图像自身包含较多灰度值为0或255的像素点时,本文方法去噪效果优于其他7种方法。当图像自身不含或较少包含灰度值为0或255的像素点时,本文方法与其他方法中的最优去噪结果效果相当。结论 本文方法不仅能够有效滤除椒盐噪声,而且适用于自身包含灰度值为0或255的像素点多的椒盐噪声图像。     

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。     

椒盐噪声图像的非局部平均滤波算法

针对非局部平均(NLM)方法对椒盐噪声图像滤波效果较差的问题,通过引入噪声检测结果扩展NLM方法去除图像中椒盐噪声。在噪声检测阶段,利用图像的两个极值Lmin和Lmax把图像像素点分为非噪声点和噪声点。在滤波阶段,非噪声点的灰度值保持不变。对于噪声点,如果以该噪声点为中心的自适应滤波窗口内均为噪声点,则认为该噪声点位于图像自身灰度值为Lmin或Lmax的区域内,使用两个极值的统计结果进行恢复。否则,采用改进的NLM方法滤除噪声。构造联合噪声检测模板避免噪声点对相似权计算的干扰,噪声点的恢复值由非噪声点的灰度值加权平均得到。此外,采用迭代滤波策略对高密度噪声图像噪声点进行恢复。相关去噪实验结果证实了算法去噪的有效性,不足之处是算法的时间复杂度较高。     

一种去除椒盐噪声的自适应极值中值滤波算法

针对椒盐噪声的特点,为了更好地滤除图像中的椒盐噪声同时又能较好地保护图像细节,提出一种自适应极值中值滤波算法。该算法通过对窗口内的非噪声点的检测自适应调整窗口大小,使用Max-Min算子作为噪声检测器,通过设置合理的阈值对灰度值等于极大值或者极小值的窗口中心的像素点进行噪声识别,减小将信号点误判为噪声点的概率,然后将检测出的噪声点用窗口内信号点的中值代替,而信号点保持不变直接输出。同时对超过设定的最大窗口的情况,窗口中心的像素点的灰度值用4个相邻的已处理的像素点灰度值的均值进行替换。实验仿真结果证明了该算法滤除椒盐噪声的有效性,在噪声较大时,去噪效果更明显。     

基于城区距离的自适应加权均值滤波算法

针对传统滤波窗口不能自适应扩展以及标准均值滤波易造成图像边缘模糊的缺陷,提出一种基于城区距离的自适应加权均值滤波算法。首先,利用开关滤波思想检测出噪声点;其次,对于每一噪声点,依据城区距离扩展窗口,窗口的大小根据窗口内信号点的个数自适应地调节;最后,将窗口内足够数量信号点的灰度的加权平均值作为噪声点的灰度值,实现对噪声点的有效恢复。实验结果表明,该算法能够有效地滤除椒盐噪声,尤其对噪声密度较大的图像,去噪效果更加显著。     

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。     

椒盐图像的方向加权均值滤波算法

椒盐噪声是造成图像污染的主要因素之一,椒盐去噪是图像去噪领域的研究热点。方向加权中值滤波算法计算噪声点滤波输出时存在一定的问题,比如,未排除近邻噪声点的干扰,对方向的估计不准确,对局部灰度特性刻画不完整等。为此,提出一种方向加权均值滤波算法。此算法先根据方向灰度差异和灰度极值判断检测噪声点,然后根据对局部窗口噪声强度的估计自适应地选择递归或非递归滤波窗口的加权灰度均值作为滤波输出。仿真实验结果表明,提出的算法与现有的两种方向加权中值滤波算法相比,PSNR普遍提高了2~3dB和5~6dB,噪声密度高时提高的幅度更加明显;速度提高了接近10倍和30倍。     

基于阈值的数字图像去噪的算法研究

提出了一种基于阈值的数字图像去噪算法。该算法根据椒盐噪声的特点,通过设置阈值,当待处理像素点的灰度值与该点周围像素点的均值的差小于阈值时,该像素点不作处理,否则就用该点周围像素点的均值代替该点的值。同时,研究分析了图像去噪最佳阈值与图像的平均值、方差、熵以及复杂度之间的关系,以便为快速寻找最佳阈值提供理论根据。实验仿真表明,与其他去噪算法相比,该算法既能较好地去除噪声,同时不会使图像变得模糊。     

自适应线性预测图像椒盐噪声去除方法

针对灰度图像中的椒盐噪声,提出了一种基于自适应权值与线性预测方法相结合的噪声去除方法。用椒盐噪声模型确定图像中的噪声点,以及噪声点所在滤波窗口内的噪声密度,在密度较小时利用设计的权值函数进行加权平均计算,以达到去噪声的目的;在噪声密度较大时,利用线性预测方法预测噪声点所在位置的灰度值,以实现去噪。对于非噪声点像素则不做处理,较好地保持了图像的细节。实验结果表明,与同类方法相比,此方法有良好的去噪性能。     

图像去噪算法的研究

主要针对图像的高斯噪声和椒盐噪声的去噪算法进行研究,分别使用到中值滤波、均值滤波和维纳滤波三种滤波算法。实验结果表明中值滤波对于椒盐噪声有更好的去噪效果;维纳滤波对高斯噪声有明显的作用,相比中值滤波和均值滤波,维纳滤波对高斯噪声有很好的抑制效果,与此同时,维纳滤波却容易丢失边缘信息且对椒盐噪声几乎没有去噪作用。