图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再用高斯拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

基于粗集的图像混合噪声滤波算法

实际应用中图像常受到不同类型噪声的同时干扰,为解决混合噪声图像的去噪问题,提出了一种基于粗集的图像滤波算法.该算法将粗集理论应用到图像滤波中,利用粗集理论的等价关系分离出不同噪声点及非噪声点,根据图像被污染的情况,选取不同的去噪策略对噪声进行滤除.实验结果表明,该算法在抑制混合噪声时性能优于传统中值滤波、均值滤波等方法,同时也能较好地保护细节信息.     

图像噪声滤波的研究方法及进展

图像噪声滤波作为图像处理的前端,直接影响后续图像处理的各个环节。介绍的图像噪声滤波的方法主要有空间域去噪、变换域去噪及几种新兴的图像噪声滤波方法,在分析了各种算法优点和缺点的基础上,对图像降噪的最新研究方向进行了展望。     

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。     

改进的中值滤波去噪算法应用分析

去噪处理是图像处理中较为重要的环节。中值滤波是抑制图像的噪声的一个行之有效的办法,选择适当大小的中值滤波窗口可以在最大限度地保持图像精度的基础上去除图像噪声。在对中值滤波去噪算法的适用性特点进行研究的基础上,进一步做了中值滤波去噪的改进算法的应用实现研究,同时对其他去噪算法,如均值滤波、低通滤波的小波变换进行实验分析研究,并对实验结果做了相应的比较。     

基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法

针对煤电厂炉膛火焰图像含有脉冲噪声和高斯噪声混合含噪图像的特点,提出了中值滤波和小波变换相结合的火焰图像去噪方法。首先采用自适应权重中值滤波方法对火焰图像去噪,然后再对去噪后的图像进行小波分解,分解后对不同子带采用不同的滤波方法进行有效滤波。实验结果表明,该方法不仅能够有效地滤除图像噪声,提高火焰图像的质量,而且在边缘保持能力上比传统的去噪方法要好。     

有无噪声对细胞神经网络提取图像边缘的影响

主要运用相关系数,通过对原始图像进行加躁再去噪,计算出用传统的滤波方法如均值滤波、中值滤波和维纳滤波分别对有噪声的图像进行去噪处理后,去噪图像与原始图像的相关系数,验证了去除高斯噪声用一次维纳滤波比较理想;去除椒盐噪声使用中值滤波效果较好。并在第三部分给出了对加噪的图像先进行去噪处理,再用CNN进行边缘提取的结果和对加躁图像先用cNN进行边缘提取再去噪的结果,并将这两种结果与原始图像提取边缘的结果进行比较和观察,得出以下结论：为了避免由于噪声引起的失真对图像真实信息的影响,在进行图像边缘提取之前必须先进行去噪处理再进行边缘提取。     

Bayes理论和邻域平均法在图像去噪中的应用

去噪处理是图像处理中较为重要的环节。针对加噪后的图像的直方图进行分析,依据最小错误率贝叶斯决策和均值滤波理论,提出一种基于均值滤波和最小错误率贝叶斯决策的去噪方法。首先对加入噪声后的图像直方图进行统计,从中估计出服从分布的不同类别参数,对图像中每一像素点进行判断是否为噪声,对噪声点进行基于均值滤波的处理。通过试验,取得了良好的效果。     

基于均值滤波和小波变换的图像去噪技术研究

采用均值滤波和小波变换相结合的图像去噪方法是先将含噪图像进行小波分解,在小波域中,选取适当的阈值对小波系数进行处理,然后对图像信号进行局部重构至第一层,并采用不同的模板对第一层的各细节子图像进行均值滤波,最后将低频近似图像与均值滤波后高频细节图像合成得到去噪后的图像。这种方法与全局Donoho软、硬阈值小波去噪方法和Birge-Massart策略软、硬阈值小波去噪方法相比,其去噪效果更为明显。它在降低了图像的噪声的同时,又尽可能地保留图像的细节,且图像更加平滑。仿真实验证明,该方法是一种有效的图像去噪方法。     

基于均值滤波和小波变换的图像去噪技术研究

采用均值滤波和小波变换相结合的图像去噪方法是先将含噪图像进行小波分解,在小波域中,选取适当的阈值对小波系数进行处理,然后对图像信号进行局部重构至第一层,并采用不同的模板对第一层的各细节子图像进行均值滤波,最后将低频近似图像与均值滤波后高频细节图像合成得到去噪后的图像.这种方法与全局Donoho软、硬阔值小波去噪方法和Birge-Massart策略软、硬阈值小波去噪方法相比,其去噪效果更为明显.它在降低了图像的噪声的同时,又尽可能地保留图像的细节,且图像更加平滑.仿真实验证明,该方法是一种有效的图像去噪方法.