基于细节保留的椒盐噪声自适应滤波算法

针对灰度图像中椒盐噪声的特点,提出了一种更加精确的噪声检测方法:该方法利用滤波窗口内像素点灰度值的不同,将受椒盐噪声污染的图像中像素点划分为噪声点,疑似噪声点和信号点.通过设定阈值,并参考相邻像素点的相关性来进一步区分疑似噪声点,最终建立噪声标记矩阵.对于被标记的噪声点,采用自适应滤波算法,保留更多的图像细节.仿真结果表明,该算法在除去噪声点的同时,对于边缘细节也有非常好的保护作用.     

基于浮选图像的高斯-椒盐噪声滤波算法

浮选图像采集和传输过程极易受到高斯-椒盐混合噪声的污染,严重了影响后续图像识别的精度.针对此种情况,结合多种传统滤波算法,提出一种去除高斯-椒盐混合噪声的有效算法.实验结果表明:提出的算法在去除浮选图像的混合噪声上要明显优于传统算法,且能够满足实时性需求,在滤除混合噪声上具有很好的参考价值.     

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像（噪声密度大于30%）,则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度（90%）噪声情况下与其他算法相比获得的峰值信噪比（PSNR）仍高出10 dB左右。     

基于相关度量的高椒盐噪声软阈值直方图滤波算法

利用图像邻域相关和直方图对椒盐噪声的鲁棒性,提出了一种针对高椒盐噪声图像的软阈值直方图加权滤波算法.对邻域灰度相关进行了量化分析,定义了灰度相关函数作为信号邻域相关性的度量,并将该系数作为直方图加权滤波算法的软阈值,根据像素被判定为噪声或有效信号的概率,自行调整滤波强度,减少图像滤波处理中的细节损失.仿真结果表明,对于高椒盐噪声图像,本算法在椒盐噪声滤除方面有良好的表现.     

一种基于灰色关联的去椒盐噪声滤波算法

利用灰色关联理论结合开关滤波策略的思想,提出了一种基于灰色关联的去椒盐噪声算法。算法采用开关策略,对于噪声点,选取3×3滤波窗口内的非噪声像素,利用灰色关联度计算各像素的加权值,将各非噪声像素加权后替换噪声点像素值,得到滤波图像。仿真实验证实,该算法不仅有效抑制了图像中的椒盐噪声,而且较好地保持了图像的边缘细节,滤波效果明显优于传统的滤波算法。     

快速高效去除图像椒盐噪声的均值滤波算法

针对常见滤除椒盐噪声算法需要使用阈值、运算时间长、去除噪声效果不理想等缺陷,提出了一种快速高效去除图像椒盐噪声的均值滤波算法。新算法对滤波窗口下的疑似噪声像素,有针对性地选择少数信号像素构成信号像素集合,取集合中的元素均值对疑似噪声像素进行滤波。实验结果表明,对于噪声密度为1%到99%的图像,新算法均具有良好的去除噪声能力和保持细节能力,而且整个算法耗费时间很少,因而具有较大的实用性。     

去除严重椒盐噪声的模糊加权改进算法

去除椒盐脉冲噪声是图像处理中的一个重要问题,提出了一种基于距离关系和模糊关系理论,去除严重椒盐噪声污染图像的恢复方法。该算法弥补了中值滤波在椒盐噪声概率高的情况下,滤噪能力下降快的缺点,经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果。     

基于噪声检测的高密椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度保护图像的细节信息,使得高密度噪声污染图像也能得到较好的恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于噪声检测的高密度椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度的保护图像的细节信息,使得高密度噪声污染图像也能得到较好地恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于开关二级检测的图像椒盐噪声滤波算法

鉴于开关中值滤波在椒盐噪声检测和去除方面的应用合理性,本文分别设计实现了基于信号局部差异性和基于信号方向差异性的椒盐噪声检测算法。这两种算法均属于二级噪声检测方法,且第一级检测手段都是基于灰度范围准则。两种算法的不同点主要体现在第二级检测算法上,前者基于局部差别准则,后者基于方向差别准则。在方法评价部分,首先通过分析和实验确定两种算法的最优参数设置;然后通过对不同噪声密度的测试图像去噪来评价两种算法的去噪效果。结果表明:基于方向差异性的算法比基于局部差异性的算法具有更好的性能,且两种算法的去噪效果都与噪声密度成反比。需要注意的是,这两种算法都容易将图像中的细微边缘或细节像素误判为噪声点,即在噪声的检测过程中,只能避免对图像中主要边缘和轮廓像素的误判,还无法对图像中的细微边缘和细节进行精确判定,这也是开关二级噪声滤波算法今后的主要改进方向。另外,算法效率测试结果表明两种算法具有相似的计算时间,从而验证了两者之间的算法结构相似性。     

一种快速去除高密度椒盐噪声的滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。     

基于幅度谱的椒盐噪声估计

提出了一种基于幅度谱的椒盐噪声估计方法,该方法利用图像的幅度谱随椒盐噪声密度大小的变化规律,对图像中的椒盐噪声进行了估计.通过对大量含噪图像进行实验结果表明:该方法在对椒盐噪声密度中等和较高时效果较好.     

一种改进型椒盐噪声滤波算法

针对极值中值(EM)滤波算法在去除椒盐噪声时误检率较大的问题,提出了一种改进的椒盐噪声去除算法.算法由漏检率和误检率都较低的噪声检测过程和多窗口噪声滤波过程组成,对受不同强度噪声污染图像的去噪实验表明,该方法在不同噪声率下均优于传统的中值(SM)滤波法及其一些改进方法,当噪声率达到70%时其峰值信噪比(PSNR)提高了16 dB.     

一种高效去除椒盐噪声的中值滤波方法

提出了一种基于先检测、后滤波的椒盐噪声滤除算法．将像素值为0或255附近的像素点作为疑似噪声点,其余点为信号点．信号点不做任何处理,以保留更多的图像细节．而对于疑似噪声点,首先用改进的自适应极值中值方法进行噪声检测,并将检测结果记录在一个二值矩阵flag中,其中信号点记为1,噪声点记为0．然后根据图像像素值矩阵与flag的点积进行自适应中值滤波处理．实验结果表明,不仅对真实含噪图像处理有很强的适应性,而且对噪声密度高的图像,能在有效去除椒盐噪声的同时保护图像细节．在不同噪声率下均优于标准中值（SMF）滤波法及其一些改进方法,在噪声密度为10％～90％其峰值信噪比（PSNR）平均提高6dB．     

一种高效快速的高密度椒盐噪声消除算法

本文提出了一个简单高效的消除高密度椒盐噪声的算法,在该算法中,对于图像中的每一个椒盐像素,计算以该像素为中心的窗口内非椒盐像素的平均值,并且在不同的阶段对其更新,实验结果表明,对于污染度为10％到90％的图像,本文的算法都有良好的噪声消除能力,所得到的恢复图像能够较好地保持原始图像的细节.另外,本文的算法计算时间较少,...     

改进自适应中值滤波算法研究

重点介绍了自适应中值滤波算法以及两种改进的自适应中值滤波算法.针对这3种滤波算法,对含有不同密度椒盐噪声的图像进行去噪实验.结果表明:改进算法去噪效果明显、能有效保护图像细节,PSNR保持在25 dB以上;改进算法在高密度噪声时也能得到细节较为清晰的图像,PSNR比改进前的提高17 dB以上.