改进椒盐去噪方法在井下图像中的应用

为了提高井下图像采集的质量,针对目前改进中值滤波算法的优缺点,提出了一种新的去除井下图像椒盐噪声的算法。该算法首先判断出图像中的噪声点和非噪声点,然后根据窗口内噪声点的密度大小自适应地确定滤波窗口的大小,并按照一定的规律赋予窗口内像素点不同的权重,最后采用加权中值方法处理图像中的噪声点。计算机模拟实验证明该方法不仅能有效地去除不同密度的椒盐噪声,而且能很好地保持图像的细节,滤波效果比已提出的中值滤波算法更好。     

去除椒盐噪声的自适应开关加权均值滤波

提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。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算法有更好的滤波性能。     

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。     

基于灰色关联系数的混合噪声滤波算法

为了有效地抑制由椒盐噪声和高斯噪声组成的混合噪声,提出一种基于灰色关联系数的混合噪声滤波算法。检测出椒盐候选噪声点,采用动态滤波窗口对椒盐候选噪声点进行分类处理,利用均值滤波后的图像信息有选择地修正受高斯噪声影响较重像素点的灰度值,对其进行高斯滤波处理。实验结果表明,该算法能有效地滤除混合噪声,提高图像的清晰度,为研究灰色关联理论滤除混合噪声提供一种有效的途径。     

图像椒盐噪声的开关滤波算法综述

椒盐噪声去除是图像去噪领域的经典问题。开关滤波是一类流行的椒盐噪声去除方法。它将椒盐噪声去除过程分成噪声检测和噪声恢复两个阶段,先检测图像中的椒盐噪声点,然后仅对检测到的噪声点进行滤波恢复,保持非噪声点的灰度不变,有利于保护图像细节。在对椒盐噪声特性阐述的基础上,详细介绍了国内外近年来出现的10种开关滤波算法,分析了它们各自在噪声检测和噪声恢复上的优缺点。最后,指出了现有的开关滤波算法面临的一类新问题。     

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.     

一种基于改进的非对称裁剪中值滤波算法

为了在各种噪声密度条件下,都能恢复椒盐噪声污染的图像并能很好地保持图像的细节,提出了一种基于改进的非对称裁剪中值滤波算法清除椒盐噪声.该方法首先对噪声点进行检测,然后基于滑动窗口中噪声点的数目来自适应改变窗口的大小,最后应用一种改进的非对称裁剪中值滤波器计算中值,结果显示该算法各项指标都要优于其它算法.实验结果表明了在各种的噪声密度条件下,该算法能较好地清除椒盐噪声,而且也能较好地保护图像细节,比现存的一些中值滤波算法清除椒盐噪声的效果更加优秀     

基于噪声检测和动态窗口的图像去噪算法

针对中值滤波算法在去除脉冲噪声时易造成图像细节丢失的问题,提出了一种基 于噪声检测和动态窗口的自适应滤波方法。首先借鉴 BDND 方法,将图像的像素初分成信号点 和疑似噪声点,以减少需要处理的像素点;然后设计一种窗口自适应的噪声检测方法对疑似噪 声点进一步检测,判断其是真噪声点还是细节点,以加强图像细节信息的保护;最后通过改进 的自适应中值滤波器滤除检测出的噪声,并融入窗口自适应控制,窗口的大小可以根据噪声情 况自适应地调整,在去除噪声的同时尽可能地保护图像细节。实验表明,该算法在噪声处理和 细节保护上要优于其他典型算法,能有效地提高图像的峰值信噪比,对于高密度噪声的图像, 也可以获得较好的去噪效果。     

一种基于纵横子窗口的去椒盐噪声算法

为了有效地去除图像椒盐噪声并且较好地保持图像的细节,提出了纵横子窗口的滤波算法。算法对噪声图像检测窗口内中心像素点进行检测,如果是噪声点,将检测窗口划分为水平和垂直方向2N个子窗口,计算子窗口内非噪声点的个数,如果为奇数,求出它们的中值;如果为偶数,求出它们的均值,然后用这些子窗口的中值、均值及中心点像素值的中值替代中心点像素值,对于非噪声点的中心点保持原值不变。仿真实验表明,算法对椒盐噪声的抑制和图像细节的保持具有较好的鲁棒性和适应性。     

改进型插值IELAD算法在图像去噪中的应用

基于视频信号处理中用于场内插值的边缘自适应平均算法(ELA)思想,提出一种针对椒盐噪声图像滤波的改进型边缘自适应平均去噪算法(IELAD)。算法在扩展横向5+5阶ELA窗口的基础上增加了纵向5+5阶ELA窗口。根据噪声点所处边缘方向,自适应地确定窗口及滤波方向进行滤波处理。实验表明IELAD算法充分利用了ELA窗口的保边特性,能够在去除椒盐噪声的同时有效地保持图像的边缘及细节信息。     

Class Noise vs. Attribute Noise: A Quantitative Study

Real-world data is never perfect and can often suffer from corruptions (noise) that may impact interpretations of the data, models created from the data and decisions made based on the data. Noise can reduce system performance in terms of classification accuracy, time in building a classifier and the size of the classifier. Accordingly, most existing learning algorithms have integrated various approaches to enhance their learning abilities from noisy environments, but the existence of noise can still introduce serious negative impacts. A more reasonable solution might be to employ some preprocessing mechanisms to handle noisy instances before a learner is formed. Unfortunately, rare research has been conducted to systematically explore the impact of noise, especially from the noise handling point of view. This has made various noise processing techniques less significant, specifically when dealing with noise that is introduced in attributes. In this paper, we present a systematic evaluation on the effect of noise in machine learning. Instead of taking any unified theory of noise to evaluate the noise impacts, we differentiate noise into two categories: class noise and attribute noise, and analyze their impacts on the system performance separately. Because class noise has been widely addressed in existing research efforts, we concentrate on attribute noise. We investigate the relationship between attribute noise and classification accuracy, the impact of noise at different attributes, and possible solutions in handling attribute noise. Our conclusions can be used to guide interested readers to enhance data quality by designing various noise handling mechanisms.     

彩色图像矢量滤波技术综述

彩色图像滤波是彩色图像处理的最基本的研究领域之一。彩色图像滤波技术可以分成标量滤波法和矢量滤波法两大类。其中,标量滤波法只是早期的滤波方法。大量的研究表明,矢量滤波法比标量滤波法更加有效,因为它更能保护彩色图像的光谱特性。为使人们对彩色图像矢量滤波技术及其应用有个系统的了解,该文首先全面地总结了彩色图像矢量滤波的基本理论和方法,并跟踪该领域的最新进展,同时分析介绍了彩色图像矢量滤波技术的一些典型应用;然后对彩色图像矢量滤波技术进行了分类,并对每种类型的滤波算法中经典和目前最常用的算法做了详细的介绍和阐述;接着结合笔者对该领域的研究,提出了一些新的研究方法;最后,对于一些有代表性、经常使用的矢量滤波算法,以冲击噪声为例,给出了其视觉上的滤波效果和客观的评估数据。     

种子像素滤波法去除随机脉冲噪声

为了在去除图像高密度随机脉冲噪声的同时最大程度地保护图像边缘和细节,提出一种新方法。该方法首先利用图像局部灰度相似性,提取种子像素;然后只对种子像素进行开关中值滤波,去除误判的种子像素,采用自适应变窗口尺寸;最后利用种子像素先探测漏选的种子像素,接着重构非种子像素。实验结果表明,与其他方法相比,该方法是综合性能最优之一。     

相似邻居数目图像脉冲噪声滤波算法

为了去除图像随机脉冲噪声的同时保留边缘,提出一种新方法。该方法首先利用图像局部灰度相似性来构造相似邻居数目图,一个像素的相似邻居数目在窗口内最大或数值较大,才可能认为是没有受到噪声干扰的像素。根据噪声密度不同采用不同方法检测。实验结果表明,阈值能适应性不同图像类型,滤波结果优于大部分已有算法,且算法复杂度低于大部分改进的中值滤波算法。     

基于功率谱收敛的低压电力载波信道中的噪声检测与建模

在低压电力线载波信道中,复杂的噪声特性是阻碍低电压电力线载波通信广泛应用的主要原因之一,因此,准确的噪声模型对于设计和优化电力线通信系统具有重要意义;为了得到更加准确的噪声模型,给出一种等效背景噪声和功率谱收敛算法;通过对多组拟合参数的求解,并以归一化理论和噪声特性为基础,实现功率谱收敛算法对准确噪声模型的搭建;通过低压电力线信道噪声分析,得出功率谱收敛算法能够收敛,功率谱收敛值0.535%,表明噪声模型可以准确地反映实际噪声特性,验证了功率谱收敛算法在噪声模型中应用的可行性。     

一种新的线性混合滤波器

提出一种新的滤波器,称为线性混合滤波器（简称为LMF）,它适用于恢复被一类混合噪音（即一致脉冲噪音与高斯噪音）污染的数字图像。当混合噪音强度在一定范围内变化时,它具有自动调节机制。与若干已知的同类滤波器相比,LMF的速度更快,具有简单而统一的控制参数计算公式,而不是关于参数的选取范围。而且从实验结果可见,用LMF时峰值信噪比得到提高,均方误差得到降低。     

CCD扫描噪声建模及自适应滤波算法

为去除图像因扫描引入的电荷耦合器件(CCD)噪声,提出一种基于变窗口的自适应滤波算法。分析CCD主要噪声：散粒,固有和输出噪声的噪声特性,建立CCD扫描噪声模型,根据噪声和边缘处理方式的不同设计了局部和全局自适应滤波器。实验结果表明,该算法具有较好的信噪分离能力,在充分抑制噪声的同时,很好地保持了边缘,提高对比度,视觉效果良好。     

一种高效稳健的差分视频噪声估计算法

提出了一种高效稳健的白噪声方差估计算法，算法首先对连续的两帧视频进行差分运算以获得更多的亮度平坦区域，进而在差分图像和原始图像中以一定的准则寻找亮度平坦块，最终从这些平坦块中估计出噪声的方差。大量的实验结果表明，本文算法不仅在低噪声水平和高噪声水平时保持了良好的估计准确性，而且对于图像含有大量纹理信息以及图像含有极少平坦块的情况，也给出了准确的估计结果，表现出了良好的稳健性。