共查询到16条相似文献,搜索用时 343 毫秒
1.
自适应中值-加权均值混合滤波器 总被引:7,自引:0,他引:7
为了去除图像中混入的脉冲噪声和高斯噪声,提出了一种基于自适应中值滤波和自适应加权均值滤波的混合滤波方法。该方法先将图像分为若干区域,并对每个区域进行噪声检测以实现两类噪声的分离,然后再分别采用自适应中值滤波和自适应加权均值滤波将分离出的脉冲噪声和高斯噪声去除。对这种新方法进行了计算机模拟实验。结果表明:新方法较前人提及的三种混合滤波方法具有更优的滤波性能,在有效抑制混合噪声的同时能很好地保护图像中的细节,为消除图像中的混合噪声提供了一种有效的途径。 相似文献
2.
3.
为了去除红外图像中高斯噪声的同时,更好地保持和恢复图像的纹理边缘和细节特征,提出了基于双密度复小波与系数相关性的红外图像去噪方法。该方法充分利用双密度双树复小波在图像处理上的优势:图像信息的平移不变性、图像纹理细节的多方向选择性等,基于对图像小波系数分布的假设,根据当前小波系数与其父、子小波系数的相关性,对无噪的小波系数作贝叶斯估计,以恢复无噪的红外图像,最后对去噪图像进行引导滤波,去除图像的波纹效果。实验数据显示,该方法在EPI和FSIM以及图像的视觉效果上优于部分现有算法,证明该方法在噪声去除、纹理边缘的保持和恢复上具有更好的性能。 相似文献
4.
5.
6.
《光子学报》2015,(9)
为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声,提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同,采用SUSAN算子检测出大量的特征点,特征点主要是脉冲噪声点,也可能含有小部分角点.将特征点进行排序,出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值,以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像,采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明:与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比,本文方法主观视觉效果更好,能够更好地保留图像中的边缘细节,客观评价指标峰值信噪比有较大的提高,滤除混合噪声的优势明显. 相似文献
7.
对于实际拍摄的一些图像信噪比低,噪声密度大,且含有混合噪声,而现有算法大多只能去除单一噪声的问题。针对混合噪声中含有的脉冲噪声和高斯噪声,提出基于改进中值滤波和提升小波变换去噪相结合的方法。去噪过程中,使用中值滤波器提取脉冲噪声并采用中值滤波算法滤波后,构造提升小波,采用改进阈值函数提升小波阈值去噪方法去除高斯噪声。实验结果表明,当噪声值(,)=(0.4, 20)时,采用本文去噪方法,峰值信噪比(PSNR)为34.002 1,平均绝对误差(MAE)为2.365 3。 相似文献
8.
图像在生成或传感过程中往往会受到噪声干扰,噪声干扰会给后续图像处理工作增加难度,甚至会给某些生产活动带来巨大的经济损失。结合平稳小波变换与卷积神经网络的优势,提出了一种有效的图像去噪算法。训练阶段,采用提出的算法对图像进行尺度为1的平稳小波分解后,分别把高、低频分量输入4个设计好的残差网络进行训练;在测试阶段使用小波逆变换来获得最终的预测图像。实验结果表明:在高斯白噪声水平达到σ=50时,去噪后图像的峰值信噪比(peak signal to noise ratio, PSNR)均值和结构相似性(structural similarity index method, SSIM)均值可以达到28.37 dB和0.808 0,提出的算法可以有效去除可见光图像中的高斯白噪声、自然噪声,以及遥感图像在传感过程中产生的噪声,并且在去除图像噪声的同时能较好地保留图像的边缘与纹理细节。 相似文献
9.
10.
非局部变分修复法去除高密度椒盐噪声 总被引:1,自引:0,他引:1
分析了中值滤波及其改进型算法在处理高密度椒盐噪声时效果不理想的原因,采用变分修复方法来去除高密度椒盐噪声,基于现有的全变差修复模型提出了非局部全变差修复模型。该模型利用椒盐噪声特点(均匀分布、灰度值为0或255),将噪声点看成是图像中遗失或是破损的点,首先在图像中寻找与噪声点邻域相似的区域,将相似区域的中心像素作为噪声点新的邻域然后对其插值,把图像降噪问题转化为图像修复问题,从而达到去除高密度噪声的目的。实验结果表明:该模型对噪声密度为90%的彩色和灰度图像去噪后,其峰值信噪比为22.85和28.77,在客观评价标准方面优于中值滤波及其改进型算法。该模型能有效去除高密度下的椒盐噪声并较好地恢复图像细节,为图像去除高密度噪声提供了一种新的途径。 相似文献
11.
提出了基于混沌粒子群优化的图像Contourlet阈值去噪方法.该方法在Contourlet变换域内利用混沌粒子群算法来确定最优阈值,再通过软阈值函数去噪,且不需要噪音方差等先验信息.实验结果表明:该方法与小波Bayeshrink阈值、基于粒子群的小波阈值、Contourlet自适应阈值等去噪方法相比,能有效地去除高斯白噪音和椒盐噪音的混合噪音,提高峰值信噪比,并较好地保留图像的细节和纹理,从而明显地改善了图像的视觉效果. 相似文献
12.
13.
14.
为同时滤除图像中的椒盐噪声和高斯噪声,提出了一种基于小波变换的混合噪声自适应滤除算法,该算法首先采用中值滤波去除椒盐噪声,然后借助边缘检测算子区将图像为分边缘与非边缘区域,进一步对非边缘区域引入改进的均值滤波器,有效削弱高斯噪声的同时保护图像边缘细节,既初步削弱高斯噪声又保护了边缘,最后采用改进的小波阈值滤波算法,对不同的小波系数采用不同的阈值函数,通过线性回归得到各最优阈值关系式。实验结果表明,该混合噪声自适应滤除算法能有效滤除椒盐噪声和高斯噪声,在图像主观质量和客观质量上均取得了较好的效果,能提高去噪图像峰值信噪比0.5~2.0 dB。 相似文献
15.
本文提出了一种整数递推广义交叉校验算法.在对遥感图像做小波变换后,统计子带中小波系数的幅值分布,进行同值小波系数合并运算,然后通过整数优化递推加速广义交叉校验计算过程,减少相邻阈值下广义交叉校验函数的冗余计算.在对多幅遥感图像仿真实验中,当噪音标准差为10~30时,整数递推-广义交叉校验算法耗时仅为广义交叉校验算法的2%至0.5%,且保证了去噪效果一致,能有效提高图像PSNR0.66 dB至6.03 dB.此外,广义交叉校验算法耗时随噪音增大及遥感图像尺寸增长而迅速升高,整数递推-广义交叉校验算法耗时则相对平稳. 相似文献
16.
A wavelet-based method for improving signal-to-noise ratio and contrast in MR images 总被引:7,自引:0,他引:7
Alexander ME Baumgartner R Summers AR Windischberger C Klarhoefer M Moser E Somorjai RL 《Magnetic resonance imaging》2000,18(2):169-180
Magnetic resonance (MR) images acquired with fast measurement often display poor signal-to-noise ratio (SNR) and contrast. With the advent of high temporal resolution imaging, there is a growing need to remove these noise artifacts. The noise in magnitude MR images is signal-dependent (Rician), whereas most de-noising algorithms assume additive Gaussian (white) noise. However, the Rician distribution only looks Gaussian at high SNR. Some recent work by Nowak employs a wavelet-based method for de-noising the square magnitude images, and explicitly takes into account the Rician nature of the noise distribution. In this article, we apply a wavelet de-noising algorithm directly to the complex image obtained as the Fourier transform of the raw k-space two-channel (real and imaginary) data. By retaining the complex image, we are able to de-noise not only magnitude images but also phase images. A multiscale (complex) wavelet-domain Wiener-type filter is derived. The algorithm preserves edges better when the Haar wavelet rather than smoother wavelets, such as those of Daubechies, are used. The algorithm was tested on a simulated image to which various levels of noise were added, on several EPI image sequences, each of different SNR, and on a pair of low SNR MR micro-images acquired using gradient echo and spin echo sequences. For the simulated data, the original image could be well recovered even for high values of noise (SNR approximately 0 dB), suggesting that the present algorithm may provide better recovery of the contrast than Nowak's method. The mean-square error, bias, and variance are computed for the simulated images. Over a range of amounts of added noise, the present method is shown to give smaller bias than when using a soft threshold, and smaller variance than a hard threshold; in general, it provides a better bias-variance balance than either hard or soft threshold methods. For the EPI (MR) images, contrast improvements of up to 8% (for SNR = 33 dB) were found. In general, the improvement in contrast was greater the lower the original SNR, for example, up to 50% contrast improvement for SNR of about 20 dB in micro-imaging. Applications of the algorithm to the segmentation of medical images, to micro-imaging and angiography (where the correct preservation of phase is important for flow encoding to be possible), as well as to de-noising time series of functional MR images, are discussed. 相似文献