一种新的基于脉冲噪声点检测的自适应中值滤波算法

传统的中值滤波算法在去除脉冲噪声时会造成图像细节信息的丢失,从而使图像变得模糊,提出一种新的基于脉冲噪声点检测的自适应中值滤波算法.该算法先检测出脉冲噪声点,采用自适应窗口对噪声点进行中值滤波.仿真实验表明,与传统中值滤波相比,这种新算法很好地保留了图像的细节,提高了峰值信噪比.     

一种改进的脉冲噪声的检测与滤除算法

依据脉冲噪声特点以及图像的像素关联性,提出了一种改进的脉冲噪声检测与处理算法。该算法首先依据脉冲噪声与其邻域多数像素在强度上具有明显差异的特点检测出疑似脉冲噪声点,然后再利用4个方向模板进一步区分疑似脉冲噪声点,最终建立脉冲噪声标记矩阵。之后,对检测到的脉冲噪声,提出了一种改进的加权中值滤波算法,该算法仅利用滤波窗口内的有效信号对窗口中心像素进行加权中值滤波,其中,加权系数的确定不仅依赖于像素间的灰度关联性,而且还依赖于像素间的位置关联性。实验结果表明,本文算法不仅可以准确检测和有效滤除图像中的脉冲噪声,而且还可以较好地保护图像中的细节。     

一种改进的数字图像中值滤波算法

利用选点滤波的方式 ,提出了一种改进的中值滤波算法 ,该算法能有效地滤除图像中的随机脉冲噪声 ,还能保持图像很好的清晰度且比较容易用硬件实现。     

应用中值滤波法消除高密度椒盐噪声算法

中值滤波被广泛应用于消除图像的椒盐噪声,对于图像中的每一个噪声像素,用3×3窗口内非噪声像素平均值代替该噪声像素,然后将其更新为非噪声像素,使它能够立即参与后面相邻噪声像素的均值计算,这样不需要迭代过程和改变窗口尺寸,改进的中值滤波就能滤除高密度椒盐噪声。实验结果表明：本文的算法能有效地消除噪声,较好地保持原始图像的细节;计算时间少,具有较大的实用价值。     

基于中值滤波和维纳滤波的图像混合噪声滤波研究

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与维纳滤波的图像去噪算法。该算法首先检测出脉冲噪声点,并对脉冲噪声点进行中值滤波处理,然后用维纳滤波滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和维纳滤波好得多。     

一种改进的方向加权中值滤波算法

为了去除图像中的随机值噪声,提出一种改进的中值滤波算法。基于图像每个像素的截断阈值,判别其是否为噪声像素,将判别结果用于修改方向加权中值滤波算法(DWM)的滤波器权重。仿真实验结果表明,对于去除图像中密度大于40%的随机值脉冲噪声,该算法比DWM算法具有更高的峰值信噪比,去噪效果较好。     

一种改进的自适应中值滤波方法

非线性滤波方法中中值滤波因其有效的噪声抑制技术,得到广泛应用。针对传统的自适应中值滤波易将高频信号点误分为噪声点,同时容易模糊图像细节的问题,提出一种改进的自适应中值滤波方法。在进行噪声点检测时,引入了最小集合距离测度,有效地避免了将高频信号误判为噪声。实验结果表明,该方法在检测正确率、降噪和保留细节方面都优于改进前的算法。     

高噪声率下一种改进的极值型中值滤波算法

在对极值中值滤波算法进行研究与分析的基础上,提出一种在高噪声环境下改进的极值型中值滤波算法,该算法在原有算法的基础上提出如下改进:去除窗口中的全部噪声点,只对由信号点组成的有序序列取中值,并以该值作为输出值.实验表明,该方法滤波效果比较理想.     

彩色图像的中值滤波算法的改进与应用

在分析彩色图像噪声的来源和滤波的一般方法的基础上,提出了一种基于矢量中值滤波算法的改进方法.该算法集中了线性均值滤波和非线性矢量中值滤波两种方法的优点,在一定的程度上降低了运算复杂度.实验结果表明,尤其是在噪声密度非常大的情况下可以有效地去除椒盐噪声,该方法具有一定的实用价值.     

多邻域中值滤波算法在医学图像中的应用

目的:克服现有的滤波算法在噪声检测与噪声滤除上的缺陷,进一步提高去噪性能.方法:提出了多邻域中值滤波算法,对噪声检测和噪声滤除的方法分别进行改进.算法用邻域中的灰度极值进行噪声检测,对检测出来的可疑噪声,用邻域的中值作进一步的噪声检测.对噪声像素,在其邻近的9个邻域中分别求出信号像素的中值,然后用所有中值的中值作为噪声像素新的灰度.结果:基于医学图像的实验结果证明,相对于现有的算法,所提出的算法的去噪图像更加清晰,去噪结果的PSNR和SSIM值更高.结论:所提出的算法在彻底去除噪声的同时,很好地保持了图像的纹理边缘和细节,相对于现有的滤波算法,具有更好的去噪性能.     

一种消除脉冲噪声的迭代自适应中值滤波方法

基于脉冲噪声的特点提出了一种新的滤波方法——迭代自适应中值滤波方法(Iterative Adaptive Median Filter,IAMF)。本方法根据被脉冲噪声污染的图像的特征,建立相应的权重函数,并结合迭代算法进行噪声消除,处理后的图像不但能够较好地保留细节信息,而且能够保持良好的清晰度。此外,在IAMF滤波过程中,由于噪声点不参与计算,从而有效避免了图像中噪声点对正常像素的影响,同时也提高了运算速度。试验结果进一步证明:当噪声率超过0.5时,该方法的优越性尤为突出,噪声率超过0.9时,图像处理效果仍比较理想。     

一种基于极值的自适应中值滤波改进算法

提出了一种基于极值的自适应中值滤波改进算法,该方法可以有效地保护图像细节,并去除图像中的椒盐噪声.首先利用椒盐噪声的分布给出疑似噪声的判断标准,然后根据噪声密度自适应地确定滤波窗口大小,再采用一种新的算法进行滤波,最后将本算法与其他几种滤波算法进行对比,实验结果表明,本算法优于其他中值滤波算法.     

一种新的脉冲噪声图像恢复方法

为消除图像中的脉冲噪声, 提出一种窗口自适应开关中值滤波方法. 利用BP神经网络将图像中的每个像素点分类为信号点或噪声点, 再采用改进的中值滤波器对检测后的图像进行滤波处理. 根据噪声检测结果, 滤波器自适应调整窗口大小并选择性取样, 逐点滤波消除图像中的噪声. 该方法在抑制脉冲噪声、 保护图像细节方面均优于以往基于中值滤波的法, 即使在图像遭受70%噪声污染的极端情况下, 仍能得 到很好恢复.     

基于序列图像的高密度脉冲噪声去除新方法

针对受脉冲噪声污染大(大于50%)的图像,提出运用多幅序列图像的点对点噪声检测算法.首先利用MMEM算法判断噪声点与非噪声点,再把非噪声点拷贝到输出图像,通过实验得出了噪声密度与所需要图像幅数之间的关系.通过噪声密度判别公式的引入,实现对噪声图像的自适应处理,实验显示该方法优于传统滤波算法.     

基于簇检测的地震数据脉冲噪声压制方法

地震记录中常伴有脉冲噪声干扰,严重影响地震数据分析的后续工作。这些噪声常表现为聚集状态,持续时间长,将其称之为脉冲噪声簇。使用中值滤波器进行脉冲噪声簇压制会大大损坏有效信号,而改进的决策中值滤波器不能有效的区分出脉冲噪声簇。因而,提出一种基于簇检测的脉冲噪声压制方法,首先使用长短时平均值比法(short-term average/long-term average, STA/LTA)对噪声进行判别和检测,然后进行同一脉冲噪声簇判别,以解决噪声的漏检问题,最后结合中值滤波器,自适应的伸缩滤波窗口对脉冲噪声簇进行滤波。合成和真实数据实例表明,相比于其他方法,本文方法可有效压制脉冲噪声簇,并使得有效信号损坏程度最小。     

基于阈值法的带钢表面缺陷图像脉冲噪声去除

在板带钢表面缺陷图像脉冲噪声去除的研究中,结合脉冲噪声的特点以及带钢表面缺陷图像的特点,提出了一种基于阈值的开关中值滤波方法.该方法通过设定阈值判断滤波窗口中心像素点是否为噪声点,并对噪声点进行中值滤波.通过大量的仿真实验证明该方法简单可行,在噪声去除和保护细节方面都取得了明显优于传统滤波方法的效果,而且在噪声污染不太大的情况下具有普遍适用性,有一定的工程应用价值,且研究过程也体现了对图像进行考察的重要性.