新的强高斯噪声自适应滤波方法

为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络（PCNNNI）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

简化型PCNN 的混合噪声图像滤波算法研究

针对脉冲噪声和高斯噪声构成混合噪声的特点,提出了一种基于简化型脉冲耦合神经网络( Pulse Coupled Neural Network,PCNN) 滤波算法,利用了简化模型的几个技术特性,适当的选取参数,并在算法中结合了形态学方法、中值滤波和维纳滤波,该算法相对于均值滤波和中值滤波算法来说具有更好的抑制混合噪声干扰的能力,能较好地保持图像的边缘和细节信息。通过大量实验证实,应用简化型PCNN 滤波算法对滤除灰度图像所受混合噪声的效果较好。在与其他算法的比较中,该算法优于传统的滤波算法,不但能有效地滤除混合噪声,并且计算量适中,具有较好的实时性,同时随着图像受混合噪声污染程度的增大,优势更加明 显。     

有效去除图像混合噪声的方法

脉冲耦合神经网络PCNN具有良好的脉冲传播特性,可以用于图像的边缘检测;多级中值滤波是对中值滤波的改进,具有较好的保护图像细节的作用;均值滤波是一种成熟的能较好滤除图像高斯噪声的方法.该算法充分结合上述3种算法的优点,先运用PCNN算法对被混合噪声干扰的图像进行边缘检测,然后利用多级中值滤波和均值滤波方法进行滤波处理.对不同的混合噪声进行滤除的实验结果表明本文算法较中值滤波和均值滤波方法有较大提升.     

基于可变步长PCNN赋时矩阵高斯噪声滤波

提出了一种用脉冲耦合神经网络(pulse-coupled neural network,PCNN)赋时矩阵定位噪声、分类滤波并能自适应调整灰度补偿步长的高斯噪声滤波方法。使用PCNN求得含噪图像的赋时矩阵,再在滤波窗口中根据目标像素与周围像素的点火时刻关系确定噪声点,对噪声点分4类滤波:增加、减少可变灰度步长,维纳滤波和中值滤波,最后对图像维纳滤波平滑小噪声点。实验结果表明,该算法能有效去除噪声且较好保持图像的边缘细节,与同类高斯滤波方法进行峰值信噪比、信噪比改善因子比较,验证了算法的有效性。     

图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再用高斯拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性。     

基于PCNN的脉冲噪声滤波算法

鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络(PCNN)的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。     

图像椒盐噪声的自适应滤波算法研究

为有效去除严重的椒盐噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经网络的点火时刻矩阵,对受噪声污染的像素进行定位,仅对噪声像素进行类中值滤波,实现了图像细节的有效保留;根据噪声强度的估计信息,自动进行滤波次数和滤波窗口尺寸的优选,实现了图像的强自适应滤波。实验表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

一种新的基于噪声点检测的脉冲噪声去噪算法

中值滤波是广泛应用于去除脉冲噪声的一种非线性去噪方法,但是单一地使用中值滤波方法去除脉冲噪声会造成图像细节信息的丢失,从而使图像变得模糊。基于噪声点检测的脉冲噪声滤波方法可以在滤除噪声的同时有效地保持图像的细节信息。该文在此基础上提出了一种新的基于噪声点检测的脉冲噪声滤波算法,该算法在检测噪声点时用被检测点的中值滤波结果作为判定该点是否为噪声点的依据。而在滤除被检测到的噪声点时,采用的是迭代的中值滤波算法。从实验结果中可以看到,与其它中值滤波算法相比,该文的算法在去除脉冲噪声时能取得较好的效果。     

一种去除图像混合噪声的滤波算法

针对同时感染脉冲噪声和高斯噪声的混合噪声图像,以全变分去噪模型为基础,结合中值滤波技术,提出一种新的混合噪声滤波算法.该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并以改进中值滤波算法去除,然后对含有高斯噪声的图像采用自适应广义变分模型进行降噪处理.实验结果表明,该算法在有效滤除混合噪声的同时能很好地保护图像细节,为去除图像中的混合噪声提供了一种有效的途径.     

PCNN与数学形态学在图像处理中的等价关系

揭示了有生物学依据的脉冲耦合神经网络(PCNN)与数学形态学之间的本质关系，并以颗粒分析为例进行了具体的分析，得到了文中提出的PCNN颗粒分析方法完全等价于一定结构元素下的数学形态学方法的结论．研究表明，PCNN进行图像处理时用到的脉冲并行传播特性完全等同于数学形态学中一定结构元素下的腐蚀运算，从而为数学形态学与PCNN之间的研究架起了桥梁．     

基于PCNN和遗传算法相结合的新型混凝土桥梁裂缝检测方法

针对混凝土桥梁裂缝对比度低、裂缝图像噪声干扰强等难题,提出了基于脉冲耦合神经网络(PCNN)和遗传算法相结合的混凝土桥梁裂缝检测新算法(GA-PCNN)。该算法首先利用遗传算法优化裂缝PCNN模型参数,然后通过改进的最小对数误差适应度函数区分裂缝与背景,当适应度值大小几乎无变化时,停止分割图像,最后通过连通域去噪算法滤除残余噪声,实现裂缝的自动检测。比较GA-PCNN、PCNN和基于熵和动态阈值算法对裂缝图像的分割效果,并绘制PR曲线和ROC曲线评价分割质量,经计算GA-PCNN算法的PR和ROC曲线下面积为90.6%和91.6%,分别高于PCNN算法10.1%和6.8%、基于熵和动态阈值6.5%和6.7%。试验的结果表明：GA-PCNN新算法分割效果好且去噪能力强,该算法能准确地提取混凝土桥梁裂缝特征。     

一种新的全变分块匹配声呐图像降噪算法研究

乘性斑点噪声广泛存在于声呐图像中,严重影响图像质量,该噪声服从瑞利分布 特性。为此,结合基于全变分算法与三维块匹配图像降噪算法(BM3D)设计思路,提出了一种新 的全变分块匹配声纳图像降噪算法。首先对含噪声呐图像利用 2-范数进行块匹配分组;其次由 于声呐图像模糊、纹理细节信息较少等特点,用全变分算法对分组后的图像块进行滤波降噪; 最后对滤波后的图像块进行加权聚类得到降噪后图像。经过实验结果显示,该算法相对于经典 的 Lee 滤波、Frost 滤波、BM3D 和全变分算法有更好的降噪效果。     

铁谱图像典型磨粒自动提取方法研究

为了提高铁谱分析自动化程度,结合脉冲耦合神经网络（PCNN）和数学形态学,提出了一种铁谱图像典型磨粒自动提取方法。利用综合色距函数将彩色铁谱图像三通道问题转化为单通道问题,使分割问题简化;利用简化PCNN间接实现铁谱图像分割,并采用数学形态学对获得的二值图像进行处理;运用数学形态学中连通域提取算法自动提取图像中的典型磨粒。实验结果表明：与其他方法相比,该方法能快速有效地分割铁谱磨粒图像,并实现铁谱图像中典型磨粒的自动提取。     

基于改进的中值滤波和数学形态学的图像边缘检测

针对受到噪声干扰的图像边缘检测的不理想,提出一种基于改进的中值滤波和数学形态学结合的边缘检测方法。该算法首先对噪声图像用改进的中值滤波进行去除噪声处理,然后利用数学形态学进行边缘检测。利用Matlab软件进行仿真,结果证明该算法与一般的算法相比较能够有效地抑制噪声,保护边缘细节,提高边缘检测的精确度,具有更好的边缘提取效果、边缘连续性和光滑性。     

基于改进简化PCNN模型的椒盐噪声滤波方法

针对PCNN简化模型在图像滤波中存在的问题,首先运用反证法证明PCNN简化模型在图像椒盐噪声检测时对低亮度的椒噪声检测失效;然后采用分而治之的方法对PCNN简化模型进行了改进,得到一种改进的PCNN简化模型;最后利用改进的PCNN简化模型检测图像的污染程度,确定噪声的具体位置,自适应地确定中值滤波窗口的大小,实现图像的自适应中值滤波。实验结果表明,此方法提高了噪声检测的准确性、图像滤波的保真性,对不同密度的椒盐噪声都有较好的滤波性能。     

改进的形态学运算在声纳图像生成中的应用

声纳技术应用日益广泛,已成为海洋测量的重要工具,而去除噪声处理是对声纳图像进行正确判读的前提,本文采用了改进的形态学算法减少声纳图像中噪声的影响,对图像进行预处理,采用Matlab图形图像处理工具对处理的算法进行仿真的方式,从而使处理效果达到最佳。