基于支持向量机的椒盐噪声去除方法

针对自然图像中相邻像素的相关性及其椒盐噪声的特点,提出了一种基于支持向量机的椒盐噪声消除方法。该方法应用支持向量机的学习机制对图像灰度曲面进行最佳拟合,并从训练样本中提取支持向量与相应的决策函数,最后根据决策函数在拟合曲面上进行噪声像素点的灰度值预测,从而恢复噪声点的原始信号。通过与传统的中值滤波和均值滤波进行实验对比,提出的方法可有效地去除椒盐噪声,同时最大限度地保留图像的细节信息,尤其对高密度椒盐噪声图像的处理效果更为理想。     

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.     

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     

基于噪声分析的椒盐噪声降噪处理方法

针对传统的中值滤波降噪方法不能有效去除图像中的椒盐噪声,提出基于噪声分析的椒盐噪声降噪处理方法。算法根据椒盐噪声仅仅改变图像部分像素值为0和255、其余像素并未改变的特点,首先判断图像的噪声点和信号点,针对噪声点,统计邻域中信号的个数,然后根据信号的个数决定采用某个邻域的中值去代替噪声点,从而达到去除椒盐噪声的目的。仿真实验表明,该算法能有效去除图像的椒盐噪声并较好地保留图像的边缘细节信息。     

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.     

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。     

基于支持向量机的NSCT域自适应图像水印算法

为进一步提升支持向量机水印算法鲁棒性,提出基于支持向量机的NSCT域自适应图像水印算法。主要思想是根据图像自身特征生成自适应嵌入水印序列,利用模糊核聚类和支持向量机对NSCT低频系数进行分类,选取适合嵌入水印的低频系数,然后利用支持向量机建立NSCT邻域系数的关系模型,自适应完成水印嵌入。算法具有良好的不可感知性、安全性,并通过嵌入自适应水印达到全盲水印检测。实验结果表明,提出算法对高斯噪声、椒盐噪声、低通滤波、中值滤波、均值滤波、JPEG、旋转、平移和尺寸缩放有很强的鲁棒性。     

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。     

基于极值的椒盐噪声滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保护图像细节,提出一种基于极值的椒盐噪声滤波改进算法.算法首先进行噪声检测,将灰度值为0和255附近的像素点,且不构成5像素或以上直线的点作为噪声点,其余点作为信号点;然后进行噪声滤波,为了保护图像中的边缘、细节或细线,信号点不做任何处理,而对噪声点使用梯度法进行处理.Matlab仿真实验结果表明,新算法不仅能有效滤除椒盐噪声,在保护细节方面也取得了优于传统中值滤波算法的效果.     

基于LS-SVR的图像噪声去除算法研究

通过对最小二乘支持向量机(Least squares support vector regression, LS-SVR)滤波特性的分析, 给出了LS-SVR用于图像滤波的卷积模板构造方法, 解决了LS-SVR在应用中需要求解的问题, 在此基础上, 提出了基于LS-SVR的开关型椒盐噪声滤波算法. 滤波算法中以Maximum-minimum算子作为椒盐噪声检测器, 利用滤波窗口内非噪声点构成LS-SVR的输入数据, 使用事先构造出的LS-SVR滤波算子, 对滤波窗口进行简单的卷积运算, 实现了被椒盐噪声污染点数据的有效恢复. 实验表明, 本文提出的方法具有较好的细节保护能力和较强的噪声去除能力.     

一种简单的椒盐噪声滤波算法

文章提出了一种基于先定位、后滤波思想的椒盐噪声滤除算法。该算法根据噪声特点,将图像像素分为信号像素或可能的噪声像素两种类别,对于可能的噪声像素,采取去噪中值滤波算法进行滤波,而对于信号像素则不做任何处理,以保留更多的图像细节。文中给出了标准的中值滤波算法、极值中值滤波算法和该文的算法的比较实验,结果表明,该文算法对噪声高度污染图像的去噪能力明显比其它两种算法强,且能较好地保留图像细节。     

一种去除椒盐噪声的自适应极值中值滤波算法

针对椒盐噪声的特点,为了更好地滤除图像中的椒盐噪声同时又能较好地保护图像细节,提出一种自适应极值中值滤波算法。该算法通过对窗口内的非噪声点的检测自适应调整窗口大小,使用Max-Min算子作为噪声检测器,通过设置合理的阈值对灰度值等于极大值或者极小值的窗口中心的像素点进行噪声识别,减小将信号点误判为噪声点的概率,然后将检测出的噪声点用窗口内信号点的中值代替,而信号点保持不变直接输出。同时对超过设定的最大窗口的情况,窗口中心的像素点的灰度值用4个相邻的已处理的像素点灰度值的均值进行替换。实验仿真结果证明了该算法滤除椒盐噪声的有效性,在噪声较大时,去噪效果更明显。     

基于量子衍生的图像中值滤波算法

利用量子衍生思想,借鉴量子信息理论,将归一化的数字图像用量子叠加态的方式表示,分析了量子Hadamard变换的原理,提出了基于量子衍生的图像中值滤波算法。针对受不同程度椒盐噪声干扰的数字图像,分别采用3×3和5×5大小的中值滤波窗口,对传统图像中值滤波算法和量子衍生中值滤波算法进行了去噪仿真实验。从主观视觉角度和客观评价指标两方面,对算法的去噪效果进行了分析和比较。根据信噪比和边缘保持度两种评价指标,客观衡量和比较了算法处理后的结果图像与原始图像之间的灰度值差异,以及算法对图像边缘细节的保持能力。算法仿真结果表明,对相同程度椒盐噪声干扰的图像进行去噪处理时,5×5大小的量子衍生中值滤波算法去噪效果最佳。     

一种基于直方图的加权均值滤波方法

根据图像直方图的特点,针对椒盐噪声,提出了一种基于直方图的加权均值滤波方法。该方法首先通过寻找局部极值确定噪声点,并对图像的所有像素做分类标记。处理过程中只考虑标记为噪声的点,以噪声图像的直方图函数作为滤波器的权值,最后将领域内非噪声点的加权均值作为滤波输出。实验结果表明该方法优于中值滤波方法。