改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.     

基于可变步长PCNN赋时矩阵高斯噪声滤波

提出了一种用脉冲耦合神经网络(pulse-coupled neural network,PCNN)赋时矩阵定位噪声、分类滤波并能自适应调整灰度补偿步长的高斯噪声滤波方法。使用PCNN求得含噪图像的赋时矩阵,再在滤波窗口中根据目标像素与周围像素的点火时刻关系确定噪声点,对噪声点分4类滤波:增加、减少可变灰度步长,维纳滤波和中值滤波,最后对图像维纳滤波平滑小噪声点。实验结果表明,该算法能有效去除噪声且较好保持图像的边缘细节,与同类高斯滤波方法进行峰值信噪比、信噪比改善因子比较,验证了算法的有效性。     

基于HVS特性的图像自适应中值滤波算法

通过考虑宿主图像亮度、纹理、边缘等特征,提出一种图像自适应中值滤波算法。该算法利用基于人眼视觉特性的临界噪声阈值确定噪声点,根据噪声密度自适应调整滤波窗口大小,采用改进的中值滤波对检测出的噪声点进行处理,从而在去除噪声的同时较好地保护图像细节。实验结果表明,该算法比传统中值滤波及其改进算法有更好的滤波性能,对于噪声污染严重的图像,滤波效果更好。     

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。     

改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

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。     

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。     

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。     

基于小数目标尺度的图像混合滤波算法

为了在有效去除可见光图像噪声的同时最大限度地保持图像的边缘、纹理等细节,将已有的目标尺度改进为小数目标尺度以便更精确地反映局部目标结构的大小,提出了基于小数目标尺度的自适应高斯滤波和基于小数目标尺度的自适应中值滤波的混合滤波算法。前者通过小数目标尺度来自适应地控制高斯核的尺度和滤波的模板大小,后者利用小数目标尺度自适应地筛选出脉冲噪声点并进行中值滤波,并弥补前者在抑制脉冲噪声方面的不足。理论分析和仿真实验结果均表明,所提出的算法不仅可以去除各种类型的点状噪声,而且在图像细节的保护和信噪比方面优于其他几类传统算法。     

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.     

基于云计算的医学图像流媒体应用研究

提出了一个包含4个自适应神经模糊推理系统和一个后处理块的网络,该网络可用于灰度图像滤波。网络中每个自适应神经模糊推理系统都是一个四输入单输出一阶Sugeno模糊推理系统。所提出的滤波方法分两步进行,首先对该网络进行优化训练,确定其参数,然后用优化后的网络对被椒盐脉冲噪声污染的图像进行噪声滤波。实验结果表明,所提出的方法在有效去除图像中椒盐脉冲噪声的同时,能够较好地保留原有图像中的边缘和细节,其滤波性能优于传统的滤波方法。     

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．     

一种针对椒盐噪声的高速自适应中值滤波算法

大数据量高清视频流在拍摄、传输等过程中可能受到干扰而产生椒盐噪声.由于其具有数据传输速度快的特点,为了确保它的实时性,进一步提高滤波算法的时间效率和计算效率,对现有的自适应中值滤波进行了改进,提出了一种高速自适应中值滤波算法.滤波过程主要分为噪声点检测和噪声去除两个阶段.其中,在噪声点检测阶段,根据椒盐噪声的极值特性,将图像的像素点分为噪声点和信号点;在噪声去除阶段,信号点保持原值,噪声点根据自适应中值进行赋值.实验结果表明,该算法相较于多种中值滤波方法具有很好的滤波作用,以及很大的速度提升.     

基于改进中值滤波的图像去噪算法

中值滤波算法是一种常见的图像去噪算法,其性能受滤波器窗口大小的影响较大,因此提出一种能够根据噪声点自动调节滤波窗口大小的改进中值滤波算法,可以有效克服中值滤波不能调整窗口大小的缺点,避免图像边缘模糊。通过利用Matlab进行仿真实验,将所提算法与中值滤波和维纳滤波算法进行对比,并计算峰值信噪比（Peak Signal to Noise Ratio,PSNR）来分析去噪结果。实验表明,与中值滤波和维纳滤波相比,改进中值滤波算法能够更加快速准确地去除图像中的噪声。因此,该改进中值滤波算法是一种有效的图像去噪算法。     

图像脉冲噪声滤波算法

针对低噪声污染图像提出了一种改进的中值滤波算法.该算法通过计算滑动窗口内的像素均值和方差,根据数理统计特性,自适应选定阈值,对符合噪声条件的像素进行初次滤除,然后采用开关中值滤波算法对不符合条件的像素再次滤波.实验结果表明,该算法既能有效地去除噪声,又能清晰地保持图像边缘,降低了传统改进型中值滤波算法对阚值的依赖性和对图像边缘细节的损害程度,且滤波性能优于一些典型改进型中值滤波算法.     

一种基于模糊推理的噪声检测及自适应滤波方法

为了在去除图像噪声的同时最大程度地保持图像细节,提出了一种基于模糊推理的噪声检测及自适应滤波方法.该方法首先利用图像的局部统计信息(ROAD)和方向Laplacian差分值,同时采用模糊推理的方法对噪声点进行检测;然后对可能的噪声点进行自适应的滤波处理,使非噪声点的原有灰度保持不变,以最大程度地保持图像的真实性;最后针对由图像中噪声分布不均产生的局部噪声密度较高和高的噪声图像而进行的模糊推理噪声检测可能引起的"误判点",设计了一种改进的滤波方案用来对其进行修正.该方案采用迭代思想来重复进行噪声定位和滤波,每次滤波只滤除较大可能的噪声点,以最大限度减小图像的模糊.实验结果表明,该方案对于不同程度的噪声,经过适当地迭代均可取得良好的去噪效果.     

一种新的图像椒盐噪声的非线性滤波算法

为了在滤除椒盐噪声的同时能很好地保持图像的边缘细节,提出了一种新颖的图像椒盐噪声非线性滤波算法。利用局部统计信息,先将图像像素点分为信号点和可能的噪声点两类。然后将可能的噪声点进一步细分为边缘点、噪声点和信号点：利用方向信息、均方差来判断是否为边缘点,利用自适应阈值的方法来判断是否为噪声点,并且对边缘点和噪声点采取不同的方法进行滤波。经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果。     

神经网络噪声检测的自适应加权均值滤波算法

针对传统滤波方法对纹理比较细腻的图像以及高噪声密度图像的处理能力欠佳的缺陷,提出了一种基于BP神经网络噪声检测的自适应加权均值滤波方法.用训练好的BP神经网络检测出图像中被椒盐噪声污染的像素并对其进行标记,对检测出的噪声点进行自适应加权均值滤波,信号点则保持不变,从而实现了对图像细节的有效保护.仿真表明了该算法滤波性能和细节保护能力均优于各种传统滤波算法.     

基于噪声检测的图像去噪算法

提出一种图像去噪算法.首先利用4个方向算子来将图像像素分类成噪声像素和信号像素,然后设计一个基于中值的、权值自适应调整的、加权类型的中值滤波器来去除和恢复检测到的噪声像素,而保留信号像素不变.实验结果表明,新的滤波算法在高效去除冲击噪声的同时还能较好地保护图像细节信息,其滤波性能胜过传统的中值滤波器及其它一些典型的和最近开发的改进型中值滤波器.