快速去除椒盐噪声的蛇形扫描滤波算法

为提高椒盐噪声图像的处理速度和去噪效果,提出一种蛇形扫描滤波算法。利用OTSU算法求出椒盐噪声的阈值,在噪声分布区间内找出相邻灰度之间像素个数差异的最大值,将极值点的灰度值与OTSU算法求出的阈值进行加权平均作为信号与噪声的分割点。实验结果表明,该算法能高效、快速、准确地去除椒盐噪声,并且与中值滤波算法相比,较好地保留了原图的细节,尤其对于高密度噪声污染的图像具有更好的去噪效果。     

自适应滤波窗实现距离加权图像椒盐噪声滤除

目的 在比较几种椒盐去噪方法的滤波窗口尺寸选择策略的基础上,提出一种基于自适应滤波窗的距离加权图像椒盐噪声滤除方法。方法 首先将图像中灰度值为0或255的像素点判定为噪声点,接着对每个噪声点,在以该噪声点为中心、不断增大面积的滤波窗口序列中,寻找包含非噪声点的最小尺寸窗口。若此窗口尺寸小于预设的阈值,则使用该窗口中的非噪声点进行距离加权滤波。否则认为该噪声点位置位于图像自身灰度值为0或255的像素点区域内部,使用少数服从多数策略计算灰度恢复值。结果 将本文方法与其他7种椒盐去噪方法相比较。当图像自身包含较多灰度值为0或255的像素点时,本文方法去噪效果优于其他7种方法。当图像自身不含或较少包含灰度值为0或255的像素点时,本文方法与其他方法中的最优去噪结果效果相当。结论 本文方法不仅能够有效滤除椒盐噪声,而且适用于自身包含灰度值为0或255的像素点多的椒盐噪声图像。     

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。     

一种新的高密度椒盐噪声滤波算法

针对现有算法对高密度椒盐噪声滤波不足的问题,提出一种新的高密度椒盐噪声滤波算法。通过噪声检测将含噪图像的像素分为信号点和噪声点,对每一个椒盐像素,计算以该像素为中心的窗口内非椒盐像素中值,信号点则保持其灰度值不变直接输出,重复以上过程,直到没有噪声点被替换。实验结果表明,该算法能在有效去除椒盐噪声的同时保护图像细节,较传统中值滤波及其改进算法有更好的滤波性能。     

图像椒盐噪声的开关滤波算法综述

椒盐噪声去除是图像去噪领域的经典问题。开关滤波是一类流行的椒盐噪声去除方法。它将椒盐噪声去除过程分成噪声检测和噪声恢复两个阶段,先检测图像中的椒盐噪声点,然后仅对检测到的噪声点进行滤波恢复,保持非噪声点的灰度不变,有利于保护图像细节。在对椒盐噪声特性阐述的基础上,详细介绍了国内外近年来出现的10种开关滤波算法,分析了它们各自在噪声检测和噪声恢复上的优缺点。最后,指出了现有的开关滤波算法面临的一类新问题。     

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。     

基于城区距离的自适应加权均值滤波算法

针对传统滤波窗口不能自适应扩展以及标准均值滤波易造成图像边缘模糊的缺陷,提出一种基于城区距离的自适应加权均值滤波算法。首先,利用开关滤波思想检测出噪声点;其次,对于每一噪声点,依据城区距离扩展窗口,窗口的大小根据窗口内信号点的个数自适应地调节;最后,将窗口内足够数量信号点的灰度的加权平均值作为噪声点的灰度值,实现对噪声点的有效恢复。实验结果表明,该算法能够有效地滤除椒盐噪声,尤其对噪声密度较大的图像,去噪效果更加显著。     

基于2级噪声检测的改进中值滤波算法

针对传统中值滤波算法去除高密度椒盐噪声能力的不足,提出了一种新的改进算法.该算法首先采用2级噪声检测方法对图像中的信号点和噪声点进行标识,然后对检测出的噪声点利用改进的中值滤波算法进行处理,而对信号点则保留其灰度值不变.实验结果表明,该算法能在有效去除噪声的同时很好地保留图像细节,相比于传统中值滤波及其它改进中值滤波算法,该算法获得的去噪后的图像具有更好的客观评价指标和主观视觉效果.     

一种混合噪声滤除方法

传统的混合噪声滤除算法都存在各种不足.本文提出了一种新的基于灰度极值点检测的混合噪声去除方法.首先,该算法在保留图像特征的同时用基于噪声点检测的中值滤波消除椒盐噪声.其次,当椒盐噪声的污染程度低于某设定的阀值时,算法进入高斯噪声滤除阶段.     

椒盐图像的方向加权均值滤波算法

椒盐噪声是造成图像污染的主要因素之一,椒盐去噪是图像去噪领域的研究热点。方向加权中值滤波算法计算噪声点滤波输出时存在一定的问题,比如,未排除近邻噪声点的干扰,对方向的估计不准确,对局部灰度特性刻画不完整等。为此,提出一种方向加权均值滤波算法。此算法先根据方向灰度差异和灰度极值判断检测噪声点,然后根据对局部窗口噪声强度的估计自适应地选择递归或非递归滤波窗口的加权灰度均值作为滤波输出。仿真实验结果表明,提出的算法与现有的两种方向加权中值滤波算法相比,PSNR普遍提高了2~3dB和5~6dB,噪声密度高时提高的幅度更加明显;速度提高了接近10倍和30倍。     

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。     

一种有效去除脉冲噪声的新方法

提出了一种新的滤波方法。首先从原噪声图像和其中值滤波图像得到细节图像。通过使用一种新的噪声检测方法得到另一幅图像,使其只保留细节图像中的噪声。通过这个图像,可以更加准确地检测出污染图像中的噪声。对噪声图像中的每个像素,相应滤波器输出为原像素灰度值和窗中像素中值的线性组合。当前像素是一个脉冲的可能性越大,滤波过程中对它改变的就越多。与其它的中值类滤波方法相比,该方法不仅可以有效地去除噪声,而且更好地保留了图像细节。     

Image enhancement using deep-learning fully connected neural network mean filter

Improving the quality of a noisy image is important for image applications. Many novel schemes pay great efforts in the removal of impulse noise. Most of them restore noisy pixels only by using the neighboring noise-free pixels, but the relationship between a noisy image and its noise-free one, which denotes the clean image not corrupted by noise, is ignored. So the reconstruction quality cannot be further improved. In this study, we employ a deep-learning fully connected neural network (FCNN) to select top N candidates of neighboring un-corrupted pixels for the restoration of a center noisy pixel in an analysis window. Hence, the mean value of the gray levels of these top N pixels is computed and employed to replace the noisy pixel, yielding the noisy pixel being restored. The experimental results reveal that the proposed deep-learning FCNN mean filter can remove impulse noise effectively in corrupted images with different noise densities.

     

Dissimilar pixel counting based impulse detector for two-phase mixed noise removal

Mixed noise is a challenging noise model due to its statistical complexity. A new two-phase denoising method based on an impulse detector using dissimilar pixel counting is proposed in this paper. This method consists of two stages: detection and filtering. For the detection phase, average difference scheme is proposed to distinguish whether two neighboring pixels are similar or not, and then the number of dissimilar pixels is compared with a threshold to locate the outlier point in noisy image. An iterative framework is used for detection accuracy with the least numbers of iteration. For the filtering phase, an extended trilateral filter is used to remove the mixture of Gaussian and impulse noise, which are treated differently depending on the guidance matrix from the detection phase. Extensive experimental results demonstrate that the proposed method exhibits better noise detection capability and outperforms many existing two-phase mixed noise removal methods in both quantitative evaluation and visual quality.

     

基于GF（28）域相似函数的椒盐噪声滤波算法

针对数字图像采集及处理过程中广泛存在的椒盐噪声,基于GF（2⁸）有限域,提出一种具有噪声点精确检测能力的改进型噪声滤波算法。根据图像相邻像素相关性,构建了GF（2⁸）域上的相似函数,并据此提出了GF（2⁸）域上的图像自适应椒盐噪声检测算子,可对噪声点准确定位;结合中值滤波算法完成数字图像的椒盐噪声自适应滤除。实验表明提出算法对噪声点定位准确,在图像的恢复和保护图像细节方面对比其他算法有较大提高,对强噪声污染图像的恢复也有较好效果。     

基于差分分层噪声检测的开关中值滤波算法

为了精确地检测出图像中的脉冲噪声并滤除,提出了一种差分分层噪声检测的开关中值滤波算法。该算法对噪声检测窗口内像素点按灰度值大小排序,通过差分方法划分出高、低阶噪声块和信号块3部分。当待测像素点属于信号块时视其为信号点;否则,视其为可能噪声点。利用可能噪声点与信号块中与其灰度值最临近的信号点的灰度的差定义了梯度函数,在梯度函数的基础上定义了用于对可能噪声点进行二次检测的模糊隶属函数,对滤波方法进行模糊加权,得到一种加权滤波方法。实验结果证明了该算法对脉冲噪声有很强的抑制作用。     

基于GF（28）域相似函数的椒盐噪声滤波算法

针对数字图像采集及处理过程中广泛存在的椒盐噪声,基于GF（2⁸）有限域,提出一种具有噪声点精确检测能力的改进型噪声滤波算法。根据图像相邻像素相关性,构建了GF（2⁸）域上的相似函数,并据此提出了GF（2⁸）域上的图像自适应椒盐噪声检测算子,可对噪声点准确定位;结合中值滤波算法完成数字图像的椒盐噪声自适应滤除。实验表明提出算法对噪声点定位准确,在图像的恢复和保护图像细节方面对比其他算法有较大提高,对强噪声污染图像的恢复也有较好效果。     

利用灰色绝对关联分析的中值滤波方法研究

针对灰色图像中的椒盐噪声,提出了一种利用绝对灰色关联度分析方法区分噪声与非噪声,并结合中值滤波进行去噪的算法。将[n×n]（[n]为大于或等于3的奇数）模板中的像素组合成两组序列,利用灰色绝对关联分析法,计算出这两组序列的相似关联度,从而判断当前像素是否为噪声。对于被判定为噪声的像素,进行中值滤波处理,以实现去噪;对于非噪声像素则不作处理,从而较好地保留了图像的细节。实验结果表明,与同类方法相比较,此方法有良好的去噪效果。