基于堆栈滤波器和Hopfield神经网络的边界检测法

提出了一种基于堆栈滤波器和Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,采用较小滤波窗口的堆栈滤波器优化估计的图象象素点之间的灰度梯度,再根据这些灰度梯度的优化估计值计算及确定Ｈｏｐｆｉｅｌｄ神经网络的权重矢量,Ｈｏｐｆｉｅｌｄ神经网络收剑时输出图象的边界。相对于基于堆栈滤波器边界检测法,该方法对堆栈滤波器的优化训练速度大大提高,所需内存大为减少,而相对于基于Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,该方法又     

基于差分的细节保留自适应滤波算法

本文研究如何在滤波的同时实现细节的保留，提出一种基于差分的细节保留自适应滤波算法。该算法利用噪声点的灰度不一致性，通过差分来区分象素点，针对不同类别的象素点进行自适应处理。实验结果表明，该算法在去除脉冲和高斯噪声的同时，能很好地保留图像的细节。     

一种新型的自适应模糊中值滤波算法

针对传统中值滤波算法不能很好地保护图像细节以及受严重噪声污染时性能急剧下降的情况,提出了一种新型的自适应模糊中值滤波算法。通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系数,利用此模糊滤波系数对滤波方法进行加权,得到一种加权中值滤波器。通过对小窗口内的灰度值不等于最大灰度值和最小灰度值的像素点的检测自适应调整窗口大小,对超过设定的最大窗口的情况,噪声点的灰度值用四个相邻的已处理的像素点灰度值的均值进行替换。仿真结果表明,新算法具有较好的细节保护能力和较强的去除噪声能力。     

自适应差分滤波在减摇鳍加载系统中的应用

设计了一种自适应差分滤波器渡除减摇鳍加载系统中的噪声。利用一阶差分对原始数据的噪声点进行识别与纠正。自适应地调整差分滤波器的检测阈，在严重冲击干扰时．经自适应差分处理之后。再采用算术均值滤波法进行平滑处理．实际应用的结果表明该算法可有效地抑制减摇鳍加载系统的噪声干扰。     

先验自适应中值滤波图像增强算法

通过分析传统中值滤波与自适应中值滤波算法的特点,提出了先验自适应中值滤波算法。该算法的思路是先对噪声进行检测与标识,再构造噪声标识矩阵,根据中值滤波算法原理在取中值时排除邻域内噪声点的灰度值。该算法避免了过度滤波,在保证滤波效果的前提下提高了滤波效率。     

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。     

基于直方图的图象去噪滤波器

滤除图象噪声时，虽然利用的先验知识越多，其滤波效果越好，但是一般情况下，由于只能得到一幅被污染的图象，无法获得这些先验知识，因而滤波效果较差。为了解决该问题，提出了一种去除图象中椒盐噪声的新型滤波器。该滤波器首先给出了一种有效的估计原图象直方图的方法，进而利用估计直方图的信息来进行滤波；然后对滤波窗口中的像素进行一种排除最大和最小灰度值的操作，以滤除椒盐噪声点。实验表明，该方法滤波效果优于传统的滤波器和其他模糊滤波器，特别是当噪声概率超过0．3时，这种优势尤为明显。     

一种航空照片中的小目标识别方法

提出了一种能够从具有复杂背景的航空照片中识别出小目标的模式识别方法。此方法先对图象进行二值化，其中二值化所需的门限值是通过对图象的灰度直方图进行形态滤波并结合小波变换而得到的，然后从二值图象中提取出各非零区域，接下来对原始图象中与这些区域位置对应的灰度区域进行第二次门限化，最后对各小二值图象块进行平移、尺度和旋转不变性变换，求出每个变换图象块的ｎ阶几何矩做为其不变性特征输入ＢＰ网完成各目标的识别。     

图象椒盐噪声的非线性自适应滤除

为了在滤除图象椒盐噪声的同时能很好地保持图象的细节,提出了一种新颖的图象椒盐噪声非线性自适应滤除算法。该方法首先在噪声图象的滤波窗口中去除具有最大和最小灰度值的象素,然后求取剩余象素的均值,计算出该均值与对应的象素灰度值的差值,再通过与阈值相比较,确定是否用求得的均值代替原噪声图象的灰度值。阈值由图象的灰度分布自适应地确定,该算法与已发表的同类算法相比,具有更好地滤波性能,尤其在噪声严重时,其效果明显优于传统的中值滤波算法。     

基于二级修复的多方向加权均值滤波算法

针对目前算法不能有效去除高概率的椒盐噪声并保护图像边缘和细节特征的缺点,提出了一种基于二级修复的多方向加权均值滤波算法。在噪声检测阶段,首先利用一个方差参数判断当前像素点与其邻域像素点之间的灰度差异程度,再通过将方差参数和灰度极值相结合的方法检测出图像中的椒盐噪声点。在噪声修复阶段,提出一种二级修复方法来修复噪声点的灰度值。首先利用改进的自适应中值滤波器对椒盐噪声点进行第一级噪声修复;然后利用方差参数将第一级修复后的噪声点划分为两类,并采用不同的修复方法对这两类像素点进行第二级噪声修复,一类像素点采用均值滤波器进行再修复,另外一类像素点采用多方向加权均值滤波器进行再修复。数值实验结果表明,所提算法的滤波性能和边缘保护能力均优于当下很多先进的滤波器。     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

椒盐噪声图像的非局部平均滤波算法

针对非局部平均(NLM)方法对椒盐噪声图像滤波效果较差的问题,通过引入噪声检测结果扩展NLM方法去除图像中椒盐噪声。在噪声检测阶段,利用图像的两个极值Lmin和Lmax把图像像素点分为非噪声点和噪声点。在滤波阶段,非噪声点的灰度值保持不变。对于噪声点,如果以该噪声点为中心的自适应滤波窗口内均为噪声点,则认为该噪声点位于图像自身灰度值为Lmin或Lmax的区域内,使用两个极值的统计结果进行恢复。否则,采用改进的NLM方法滤除噪声。构造联合噪声检测模板避免噪声点对相似权计算的干扰,噪声点的恢复值由非噪声点的灰度值加权平均得到。此外,采用迭代滤波策略对高密度噪声图像噪声点进行恢复。相关去噪实验结果证实了算法去噪的有效性,不足之处是算法的时间复杂度较高。     

The Nonlinear Prefiltering and Difference of Estimates Approaches to Edge Detection: Applications of Stack Filters

The theory of stack filtering, which is a generalization of median filtering, is used in two different approaches to the detection of intensity edges in noisy images. The first approach is a generalization of median prefiltering: a stack filter or another median-type filter is used to smooth an image before a standard gradient estimator is applied. These prefiltering schemes retain the robustness of the median prefilter, but allow resolution of finer detail. The second approach, called the Difference of Estimates (DoE) approach, is a new formulation of a morphological scheme [Lee et al., IEEE Trans. Robotics Automat. RA-3, Apr. 1987, 142-156, Maragos and Ziff, IEEE Trans. Pattern Anal. Mach. Intell. 12(5), May 1990.] which has proven to be very sensitive to impulsive noise. In this approach, stack filters are applied to a noisy image to obtain local estimates of the dilated and eroded versions of the noise-free image. Thresholding the difference between these two estimates yields the edge map. We find, for example, that this approach yields results comparable to those obtained with the Canny operator for images with additive Gaussian noise, but works much better when the noise is impulsive. In both approaches, the stack filters employed are trained to be optimal on images and noise that are "typical" examples of the target image. The robustness of stack filters leads to good performance for the target image, even when the statistics of the noise and/or image vary from those used in training. This is verified with extensive simulations.     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

基于改进Canny算法的噪声图像边缘检测

针对传统Canny边缘检测算法对噪声图像的去噪效果不佳,以及双阈值需要预先设定的问题,提出了一种基于改进Canny算法的噪声图像的边缘检测。首先构建自适应高斯滤波器对曲度算子进行改进,得到优化的二值边缘图;然后基于最大类间方差法构建了灰度梯度映射函数,确定最佳的双阈值;最后对二值边缘图进行双阈值检测以及边缘连接。实验结果表明,改进算法与现有Canny算法相比,在不同类型噪声和不同浓度噪声的环境下,改进算法提高了对噪声图像边缘检测的性能,其中PSNR值平均提高了1.9%,MSE值平均降低了1.6%,且具有自适应性强、运行效率高的优点。     

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数（ANDD）的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。     

利用小波系数的相关性提取噪声图像边缘

首先，对噪声图像作多层次小波分解，得到对应的多个层次的小波系数，并利用相邻各层次小波系数的相关性质构建滤波器；然后，利用该滤波器对平滑小波系数进行滤波操作，去除噪声影响，得到滤波图像；最后，对滤波图像阈值化以得到噪声图像的边缘图．实验表明，该方法比传统的图像边缘提取方法具有更好的抗噪性能。     

一种倒数加权的窗口自适应邻域图像滤波算法

对于叠加了白噪声的图像,提出一种倒数加权的窗口自适应邻域图像滤波算法.算法首先利用自适应邻域统计的概念在以每个滤波点为中心的滤波窗口内,为其建立参与滤波的自适应邻域像素集合,随后对纳入自适应邻域的像素进行倒数加权作为滤波结果.仿真和对比实验的结果显示,提出的算法在性能上超过了传统的中值滤波和窗口自适应邻域滤波算法.它能在有效抑制加性白噪声的同时,完好地保持图像的边界和细节信息,并且滤波后的图像获得了良好的视觉效果.     

基于HVS特性的自适应K近邻均值滤波算法

通过充分考虑宿主图像亮度、纹理、边缘等特征,提出一种改进的图像自适应K近邻均值滤波算法。该方法首先利用基于人眼视觉特性的临界噪声阈值来确定噪声点,然后根据噪声密度自适应调整滤波窗口大小与参与滤波的像素数K值,采用自适应K近邻均值滤波对检测出的噪声点进行处理。该算法能有效去除噪声,并较好地保留图像边缘细节,仿真实验结果表明,提出算法比传统中值滤波、均值滤波和K近邻均值滤波算法有更好的去噪能力。     

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。