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。     

基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

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。     

基于脉冲耦合神经网络的声纳图像噪声抑制

为解决声纳图像中存在的高斯与脉冲噪声的同时去除问题,在简化的脉冲耦合神经网络(Pulse Coupled Neural Net-work,PCNN)模型的基础上,提出了一种结合了数学形态学与中值滤波的噪声抑制算法.首先利用PCNN输出二值图像确定噪声在图像中的位置,用数学形态学方法保持目标的完整性,然后利用中值滤波方法去除图像的脉冲噪声并对PCNN逐次迭代的输出结果进行调整去除高斯噪声.实验结果证明,方法在保持图像边缘信息的前提下,与其他方法相比获得了更好的去噪效果.     

基于多级中值滤波的严重椒盐噪声污染图像恢复

文章提出了一种用于基于多级中值滤波的严重椒盐噪声污染图像恢复的方法.该算法首先用多级中值滤波对图像进行滤波,然后用噪声定位技术将滤波后的图像像素点分为噪声和信号点两类,建立噪声标记矩阵,进而对噪声点进行噪声消除,对非噪声点保持原值不变,从而实现噪声污染图像恢复.实验结果表明,本算法对于噪声浓度大于40%的污染图像去除噪声及保留细节等方面的效果非常显著,尤其对于严重椒盐噪声污染图像.     

强椒盐噪声图像的二次自适应中值滤波算法

中值滤波是一种简单而重要的处理椒盐噪声图像的方法,但传统的中值滤波只适用于弱噪声的情况,对于强椒盐噪声并不适用.本文在中值滤波的基础上,提出了一种自适应的二次中值滤波算法,该算法具有实现过程简单,运算复杂度低,自适应性强的特点.经过实验表明:该方法对强椒盐噪声图像具有良好的处理效果,特别适用于噪声大于50%的高强度椒盐噪声图像.     

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.     

简化型PCNN 的混合噪声图像滤波算法研究

针对脉冲噪声和高斯噪声构成混合噪声的特点,提出了一种基于简化型脉冲耦合神经网络( Pulse Coupled Neural Network,PCNN) 滤波算法,利用了简化模型的几个技术特性,适当的选取参数,并在算法中结合了形态学方法、中值滤波和维纳滤波,该算法相对于均值滤波和中值滤波算法来说具有更好的抑制混合噪声干扰的能力,能较好地保持图像的边缘和细节信息。通过大量实验证实,应用简化型PCNN 滤波算法对滤除灰度图像所受混合噪声的效果较好。在与其他算法的比较中,该算法优于传统的滤波算法,不但能有效地滤除混合噪声,并且计算量适中,具有较好的实时性,同时随着图像受混合噪声污染程度的增大,优势更加明 显。     

灰度极限脉冲耦合神经网络混合噪声滤波

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。     

基于改进简化PCNN模型的椒盐噪声滤波方法

针对PCNN简化模型在图像滤波中存在的问题,首先运用反证法证明PCNN简化模型在图像椒盐噪声检测时对低亮度的椒噪声检测失效;然后采用分而治之的方法对PCNN简化模型进行了改进,得到一种改进的PCNN简化模型;最后利用改进的PCNN简化模型检测图像的污染程度,确定噪声的具体位置,自适应地确定中值滤波窗口的大小,实现图像的自适应中值滤波。实验结果表明,此方法提高了噪声检测的准确性、图像滤波的保真性,对不同密度的椒盐噪声都有较好的滤波性能。     

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     

强椒盐噪声彩色图像的改进矢量中值滤波算法

去除彩色图像噪声一直是图像预处理研究的重要内容。传统的矢量中值滤波是一种有效去除彩色图像椒盐噪声的方法,但传统的矢量中值滤波方法只适用于弱噪声的情况,对于强椒盐噪声并不适用。许多改进的矢量中值滤波被提出,但对强椒盐噪声图像效果并不好。文章在传统的矢量中值滤波的基础上,提出了改进的矢量中值滤波算法,该算法可以有效去除高强度椒盐噪声,不会产生新的颜色,很好地保持了图像边缘和细节,而且具有算法简单,自适应性强的特点。经过实验表明:该方法对于强度在10%～80%的椒盐噪声彩色图像具有良好的处理效果。     

一种基于多尺度噪声检测的图像中值滤波器

介绍了标准中值滤波与有效中值滤波的概念,提出了一种基于自适应多尺度噪声检测的中值滤波器,可用于恢复被椒盐脉冲噪声污染了的图像。滤波器将输入图像像素分为有效信号类、脉冲噪声类和恒定区域类,对各类像素采用不同的方法进行滤波处理。实验结果证明,本文算法的性能比现存的其它许多算法有了显著的提高,而且便于实现。     

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。     

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。     

基于斜率的自适应中值滤波算法

针对图像中椒盐噪声点的准确检测与去除问题,提出一种基于斜率的自适应中值滤波算法。该算法首先用n×n(n为大于或等于3的奇数)的模板作用于待检测图像的每一个像素,若当前像素的灰度值为其邻域内所有像素灰度值的极值,判断此点为准噪声点;再利用像素灰度值序列中两段子序列斜率的差值及模板区域内像素灰度值的均值自适应地判断准噪声点是否为真正的噪声点;最后对被判定为噪声的像素做中值滤波处理。与标准中值滤波方法相比,该方法加强了噪声检测的条件。实验结果表明,该算法具有较好地去除椒盐噪声和保留细节的效果。     

单一链接PCNN自适应脉冲噪声滤波

为有效滤除灰度图像中的脉冲噪声并保留图像的细节信息,提出了单一链接脉冲耦合神经网络（Single-Linking Pulse-Coupled Neural Network,SL-PCNN）模型。SL-PCNN简化了传统的PCNN参数,可自适应选取滤波阈值,SL-PCNN对原图像和反转图像进行两次点火过程即可定位出噪声点而无需进行PCNN循环,然后用中值滤波器滤除噪声。实验结果表明,在噪声强度不大于60%时,SL-PCNN的性能优于经典的脉冲噪声滤波算法;在噪声强度较大时SL-PCNN的性能优于常见的PCNN脉冲噪声滤波算法,主观及客观评价证明该算法的有效性。     

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.     

基于中值的图像除噪极值算法

针对椒盐噪声的滤除问题,提出对中值滤波的改进算法,基于中值的极值滤波法.该算法在对图像中的所有象素点进行检测和判断的基础上,根据文中定义的判别准则并充分利用中值滤波法的优点来消除噪声.仿真实验证明,该方法对于受椒盐噪声污染比较严重的图像有较好的滤波效果,与其他改进算法相比其计算量相对较小.     

强椒盐噪声下的模糊边缘自适应中值滤波算法

在图像的获取或传输过程中可能会受到一些干扰从而产生椒盐噪音,产生的噪声图像失去了一些特征要素。传统的中值滤波方法对椒盐噪音有一定的滤除作用,但当椒盐噪声的密度较大时滤波效果会变差,现有的自适应中值滤波算法对高密度下的椒盐噪声的滤除效果有了很大的提升,但仍难以保留细节。对此本文提出了一种适用于高密度椒盐噪声的自适应中值滤波改进算法,该算法将噪声点和信号点分别进行处理,之后进行模糊逻辑图像边缘检测,对模糊边缘像素点进行二次自适应中值滤波处理。该算法具有结构简单,通用性强,运行速度快等特点。实验结果表明,该算法对高密度的椒盐噪声具有很好的滤波效果。