改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.     

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。     

改进的自适应中值滤波

均值滤波能较好的平滑图像的噪声,自适应中值滤波能较好的保存原始图像的细节和边缘。为了恢复被高密度脉冲噪声污染的图像,提出了改进的自适应中值滤波算法,新算法结合了均值滤波和自适应中值滤波两者的优点。实验结果表明,该算法能够有效地消除被污染图像中的高密度脉冲噪声,并较好地保留原始图像细节和边缘。     

一种基于改进的极值中值滤波算法

提出的改进的极值中值滤波(IEM)算法是在极值中值滤波(EM)算法的基础上做了如下两点改进.首先,采用更合理的检测方法来检测噪声点,减小将信号点误判为噪声点的概率.其次,采用改进的滤波算法,解决了当噪声点个数大于像素总数一半时,传统中值滤波无能为力的问题.实验证明,当噪声密度很大时,IEM方法不仅比EM方法有更好的滤波效果,而且能够更好地保护图像细节.     

用于图像处理的自适应中值滤波

针对标准中值滤波方法存在的不足,提出自适应中值滤波方法．该方法通过噪声检测确定子图像中的脉冲噪声点及噪声干扰大小,根据噪声干扰程度选择滤波窗口的尺寸,并采用改进的中值滤波方法对检测出的噪声点进行滤波．计算机模拟实验结果表明：自适应中值滤波能在有效地去除噪声的同时,较好地保护图像细节,较标准中值滤波具有更优良的滤波性能,其滤波速度也较中值滤波具有明显优势．     

改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

基于混沌优化的自适应中值滤波

提出了用混沌优化的方法进行自适应中值滤波。该滤波是在自适应中值滤波的基础上,将混沌优化与E-中值滤波结合起来输出最佳值。仿真结果表明,这种中值滤波不仅去噪效果较好,而且对噪声污染严重的图像也能很好地保护图像的细节。     

基于中值的自适应均值滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声.但是当图像同时存在高斯噪声和脉冲噪声时,单独用那种滤波方法都不会达到最好的去噪效果.针对该问题,提出了一种基于中值的改进自适应加权均值滤波算法.该算法采用了一种基于自适应阈值的方法对滤波系数加以优化,使其可以更有效地减少噪声,又可以较好的保持图像的边缘细节信息.实验结果表明,该算法能较好的滤除混合噪声,且滤波效果优于传统的滤波算法.     

一种基于极值中值的新型滤波算法

提出了一种新的利用局部统计信息（极值）的自适应中值滤波方法－－极值中值滤波算法,该方法可以有效地去除图偈中的椒盐噪声,并保留图象的细节,本文首先给出了一个噪声判别标准,然后描述了滤波算法的执行过程,对本算法与标准中值滤波算法,以及近几年出现的几种改进型中值滤波算法进行了分析与对比,最后给出了一组实验数据,实验结果表明,与其他算法相比,本算法招待速度快,去除噪声与保留细芤的效果好。     

基于动态窗口的自适应中值滤波算法

针对中值滤波算法对于高密度噪声图像以及纹理细腻图像的边缘处理能力欠佳的缺陷,提出一种基于动态窗口的自适应中值滤波算法.新算法根据噪声点与周围信息的关联程度将噪声点滤波值进行调整,从而更好地处理图像的细节部份.新算法中的自适应策略加强了滤波算法的去噪性能,使其对于含有任意噪声密度的图像也能很好地进行噪声滤除.通过仿真分析,新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好,有效地提高图像的峰值信噪比,其去噪效果相比其他方法更加优秀.     

一种纵横窗口关联的多级中值滤波算法

针对传统中值滤波算法不能很好保护图像细节以及受较严重噪声污染时性能急剧下降的情况,提出了一种纵横窗口关联的多级中值滤波算法。算法采用开关策略,判断N×N窗口内像素点。对于噪声点,先求出以该点为中心的纵横2 N个窗口中每个窗口像素点的中值,再计算出这些中值点的中值,以替换噪声点像素值。对于非噪声点,保持原值不变,从而实现了噪声的去除。仿真结果表明,纵横窗口关联的多级中值滤波算法具有较好的细节保护能力和较强的去噪声能力。     

基于上下中值型噪声检测的自适应中值滤波器

基于噪声检测的中值滤器已广泛用于消除图像中的脉冲噪声。然而,在高噪声密度情况下,过多的像素被错误地分类,这个缺陷将会对图像滤波产生负面影响,为了克服这个缺陷,提出了一种上下中值型噪声检测器。基于这种噪声检测方法,又提出了一种自适应中值滤波算法。实验结果显示,该算法能够有效地消除脉冲噪声,并且保留了原始图像的更多细节。     

一种基于中值滤波的图像去噪算法

由于图像噪声会对后续的图像处理结果产生影响,所以在对图像进行其他处理前应先对图像去噪。针对传统中值滤波器在去除均匀分布椒盐噪声时效果并不理想,设计出一种自适应阈值中值滤波器。分别用两种滤波器进行图像去噪实验,通过对比去噪后图像的信噪比、峰值信噪比以及视觉效果发现:较之传统的中值滤波器,新的自适应中值滤波器能更有效地去除椒盐噪声并减少图像失真。     

一种改进的自适应中值滤波算法

针对未知脉冲噪声强度的退化图像的去噪,提出了一种新的自适应中值滤波算法,该算法主要基于以下两点：（1）根据模糊数学里的模糊度理论及随机脉冲噪声本身的去噪特点,提出了模糊指标的概念,并通过反向二阶拟合来获得噪声的强度信息;（2）引入了反映图像边缘信息的Prewitt梯度算子,并通过实验来得到合适的梯度阚值,以更好地保持图像的边缘等细节信息.通过将该算法与传统的中值滤波、基于排序阈值的开关中值滤波以及Sorin Zoican提出的改进的中值滤波进行的对比实验表明,该算法对噪声的强度有很好的估计,不仅提高了噪声去除的自适应性,尤其对含噪声多的图像的处理效果更为理想.     

一种改进的自适应中值滤波算法

传统的自适应中值滤波算法,利用极值判别像素点是否为噪声点。该方法容易将边缘点误判为噪声点,将噪声点误判为信号点。本文针对这一问题,提出一种利用边缘点与噪声点的差异判别噪声点,并将噪声点分为平滑区噪声点与边缘区域噪声点,对不同类型噪声点进行不同处理。从而达到更好的抑制噪声与保护图像细节效果。     

中子集型自适应中值滤波器

消除脉冲噪声通常采用中值滤波算法。尽管有许多中值滤波方法做了很大改进,但是,在噪声密度较高的情况下,图像滤波的结果仍然不能令人满意,因此,提出了一种新型中值算法。首先对滤波窗口中的像素进行分类,然后确定其中多元素子集的中子集,并且根据多元素子集的个数来决定是进行滤波还是扩大滤波窗口。最后,在仿真中,将该算法分别和几种中值滤波算法在数值和视觉上进行比较,实验结果显示,该算法能够有效地降低脉冲噪声并且保留了原始图像的更多细节。     

一种基于空间距离加权的自适应矢量中值滤波器

矢量中值滤波器(vectormedian filter,VMF)是一种经典和高效的矢量滤波器,主要用于消除彩色图像中的脉冲噪声,但它没有考虑在滤波器窗口内各个像素由于位置的不同而对滤波效果产生的不同的影响。根据人类视觉感知,在一个滤波器窗口中,即使二个像素具有相同的颜色值,其中离中心像素较近的像素应当对中心像素影响较大,而距离较远的像素对中心像素影响较小。基于此,试图将空间距离对滤波效果的影响量化,提出了一个基于心理距离的加权公式,并结合传统的矢量中值滤波器VMF,构造出了一种新的基于空间距离加权的自适应矢量中值滤波器。实验表明,新的矢量中值滤波器,在抑制脉冲噪声、色调保持、细节或边缘保护方面,胜过传统的VMF和其他几个基本的典型矢量滤波器。     

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。     

基于自适应窗口的裁剪中值滤波方法

基于决策的非对称裁剪中值滤波方法(MDBUTMF)能有效复原被高密度椒盐噪声污染的彩色图像,然而该方法采用固定大小的滤波窗口并利用均值替代中心像素,因此导致算法鲁棒性较低,对部分图像滤波失效.针对该问题,提出了一种基于自适应窗口的裁剪中值滤波方法,通过增加对单色区域的判断,有效解决了已有算法对单色区域滤波失效的问题,使得新方法具有较高的鲁棒性和实用性;并采用自适应窗口解决了MDBUTMF采用单一3× 3窗口易导致滤波效果差的问题.实验数据表明,与经典的多种矢量以及标量的中值滤波方法相比,提出的裁剪中值滤波方法不仅具有较高的PSNR,而且具有较低的MAE和NCD,在抑制椒盐噪声的同时能有效保护图像的色调和细节.