新型红外图像脉冲噪声滤波算法

根据脉冲噪声与其邻域中图像灰度之间的明显差异性,提出一种新的基于交叉视觉皮质模型(ICM)的神经网络脉冲噪声滤波器算法.这种交叉视觉皮质模型(ICM)迭代运算次数少,执行速度快.并与中值滤波器、全方位结构元约束层叠滤波器、全方位结构元形态闭-开最小、开-闭最大滤波器等现有的非线性滤波器进行实验比较, 证明该方案有更好的降噪性能, 更重要的是比这些方案更有效地保持了红外图像的高频细节信息,对于红外图像的后期处理和识别打下了很好的基础.     

基于e1范数的新型脉冲噪声数字滤波器

旨在研究非线性数字滤波器设计问题.基于稳健统计理论和双边滤波思想,首先提出稳健的图像复原统一框架,并由此导出一种数字滤波器的统一设计框架,简洁地建立了非线性数字滤波器与最优能量泛函框架之间的理论联系.基于统一设计框架,随后提出了一种新型脉冲噪声滤波器,即双边e^1滤波器.双边e^1滤波器赋予噪声点的权重相对于图像信息的权重接近于零,更好地抑制了噪声点对滤波过程的影响,比中值滤波器具有更为鲁棒的滤波机制.实验结果验证了双边e^1滤波器抑制脉冲噪声的有效性.     

基于交叉视觉皮质模型二值图像形态学算法

交叉视觉皮质模型(ICM)的神经元受到二值图像中背景信息的激发并将点火信息在神经网络中并行传播,根据ICM具有相似神经元同步激发从而产生脉冲输出的特性,研究和实现了图像形态学的腐蚀、膨胀和骨架化.实验结果表明,利用ICM对二值图像处理的结果等同于数学形态学中的处理结果,且较传统数学形态学中的处理效率平均快3～5倍.     

有效滤除高强度图像混合噪声的方法

传统的交叉视觉皮质模型(ICM)对单一噪声的去除具有良好的性能.为了扩展ICM在图像降噪领域的应用,提高降噪能力,提出一种基于邻域连接的NL-ICM.针对传统ICM存在的局限性,在神经元的构造上引入双边滤波的思想,通过扩展神经元的连接输入、引入连接权重、设计脉冲阈值实时计算函数,并为神经元设计像素更新规则.实验结果表明,该模型能够较好地去除图像中的混合噪声.     

基于l~1范数的新型脉冲噪声数字滤波器

旨在研究非线性数字滤波器设计问题。基于稳健统计理论和双边滤波思想,首先提出稳健的图像复原统一框架,并由此导出一种数字滤波器的统一设计框架,简洁地建立了非线性数字滤波器与最优能量泛函框架之间的理论联系。基于统一设计框架,随后提出了一种新型脉冲噪声滤波器,即双边l1滤波器。双边l1滤波器赋予噪声点的权重相对于图像信息的权重接近于零,更好地抑制了噪声点对滤波过程的影响,比中值滤波器具有更为鲁棒的滤波机制。实验结果验证了双边l1滤波器抑制脉冲噪声的有效性。     

基于SPCNN和Nagao滤波的图像去噪

为了更好地滤除椒盐噪声,提出如下方法:首先借鉴非线性模板和模板匹配的思想,改进了Nagao滤波器;再利用简化脉冲耦合神经网络模型,提出一种定位噪声点的方法;最后将两者结合用于恢复被椒盐噪声污染的图像.实验证实,采用本文算法恢复图像的主客观效果均优于标准中值滤波、自适应中值滤波、中子集型中值滤波、简化脉冲耦合神经网络滤波,且当噪声密度大范围变化时仍然具有较好效果.     

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。     

基于噪声检测的彩色图象脉冲噪声滤波

文章提出了具有细节保持能力的自适应彩色图像脉冲噪声滤波器,称为细节保持滤波器。新方法对图像中噪声像素进行检测,仅对噪声像素进行有序滤波而对非噪声像素则保持其原值不变,并根据图像噪声情况自适应地选择滤波窗口。从而,有效地滤除随机彩色脉冲噪声、保持图像边缘与细节,其性能优于经典的矢量中值滤波器（ＶＭＦ）、方向一距离滤波器（ＤＤＦ）、距离一幅度矢量滤波器（ＤＭＶＦ）等非线性滤波器。     

广义多级混合噪声图像滤波

本文在传统的线性、非线性滤波技术的基础上,提出了一种新的滤波器结构——广义多级混合滤波器。并导出了滤波算法。对受加性噪声(高斯噪声、均匀噪声和脉冲噪声)和信号相关噪声干扰的图像,它具有良好的噪声抑制能力,且有效地保持图像边缘和细节。在噪声图像的均匀区域,它几乎具备最优的滤波性能;在图像边缘区域,它的性能可以与FIR-中值混合滤波相媲美。而且,现有的多级中值滤波、Wiener-中值滤波、中值均值混合滤波、非线性均值滤波和排序统计滤波等都是它的特殊情况。     

一种改进的n维空间递归滤波算法

基于递归运算准则,本文提出了一种n维空间非线性滤波器的改进算法。该算法利用像素点的周边信息完成对噪声点的识别与修复。此n维空间滤波器可以递归地分解到更低一维空间,本文主要分析了这种改进的滤波算法在二维空间信号消噪处理中的性能。仿真结果表明,与中值滤波和Peak-and-Valley滤波算法比较,该算法在信噪比和图像细节保留方面具有更大的优势,并且在有高强度的脉冲噪声时也能达到较为理想的滤波效果。     

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。     

用于图像恢复的基于SVR的自适应新滤波器的研究*

提出了一种用SVR回归器识别脉冲噪声的思想,并将其应用于图像滤波和恢复,形成了用于对脉冲噪声进行滤波的SVR自适应滤波器。这种滤波器在滤波时,先用SVR对待识别像素作噪声识别,再对含噪声的像素作中值滤波。用SVR作噪声识别时,先对滤波窗口作SVR回归,通过待识别像素回归距的大小判断其是否含有噪声。在进行SVR回归时,使用鲁棒的Huber损失函数。由于更充分地利用了待识别像素点的局部背景信息,这种滤波器提高了脉冲噪声识别的正确率。实验表明,在保留原图像的细节信息方面,其滤波效果要优于基于SVC的中值滤波器。     

图像去噪混合滤波方法

传统均值滤波和中值滤波对高斯型噪声和椒盐型噪声有着不同的滤波特性。实际滤波时，由于图像往往会受到两种不同性质噪声的同时干扰，因此，单独采用中值滤波或均值滤波都不会达到最好的去噪效果，为了能同时对两种不同性质的噪声进行滤除，现提出了一种新的混合滤波算法，该算法首先利用局部阈值把受高斯型噪声污染的像素和受脉冲型噪声污染的像素区别开来，然后对受高斯噪声污染的像素采用均值滤波算法，而对受椒盐噪声污染的像素则采用中值滤波算法进行去噪。仿真结果证明，该方法更具有实用性和有效性。     

The solutions of equation-based noise detector for an adaptive median filter

Techniques of noise detection have been widely applied in impulse noise reduction. However, the phenomenon of pixel misclassification is very obvious in high noise density. In order to improve pixel identification, in this paper, the new noise detector is proposed. Based on solutions of equations, an estimated block of every 8×8 block of a noise image is generated. Then, according to relationships between these noise blocks and their estimated blocks, corrupted and uncorrupted pixels are identified. During image filtering, a noise-detection-based adaptive median algorithm is presented. Experimental results show that the proposed filter can well reduce the impulse noise and preserve more details of original images.     

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。     

Image enhancement using deep-learning fully connected neural network mean filter

Improving the quality of a noisy image is important for image applications. Many novel schemes pay great efforts in the removal of impulse noise. Most of them restore noisy pixels only by using the neighboring noise-free pixels, but the relationship between a noisy image and its noise-free one, which denotes the clean image not corrupted by noise, is ignored. So the reconstruction quality cannot be further improved. In this study, we employ a deep-learning fully connected neural network (FCNN) to select top N candidates of neighboring un-corrupted pixels for the restoration of a center noisy pixel in an analysis window. Hence, the mean value of the gray levels of these top N pixels is computed and employed to replace the noisy pixel, yielding the noisy pixel being restored. The experimental results reveal that the proposed deep-learning FCNN mean filter can remove impulse noise effectively in corrupted images with different noise densities.

     

去除图像中高斯-脉冲噪声的有效方法

数字图像在获取和传输过程中常常会受到噪声的污染,有时会同时受到高斯噪声和脉冲噪声的污染。然而现有的去噪算法大多针对单一的高斯噪声或脉冲噪声,在处理混合噪声时无法取得令人满意的去噪效果。给出了一种去除数字图像中高斯-脉冲混合噪声的有效方法,去噪过程分为两个步骤：首先采用一种称为边界判定噪声检测的脉冲噪声检测方法检测出混合噪声中的脉冲噪声,对噪声图像作中值滤波后得到一幅受高斯噪声污染的过渡图像。然后用贝叶斯最小平方-高斯尺度混合模型对过渡图像进行滤波得到降噪后的图像。实验表明,同现有的其他去噪方法相比,该方法能够更有效地去除混合噪声。