边缘保留的图像滤波方法

传统的高斯滤波在去除图像噪声的同时产生了边缘模糊的问题。本文通过对传统高斯滤波算法的改进，不仅考虑距离的影响，而且还考虑图像灰度值的影响。尤其是当邻域间像素的距离近并且灰度值相似时，则它们对结果有较大的影响。实验结果表明该方法在滤除图像噪声的同时又能保留图像边缘。     

强噪声下改进Canny算法的边缘检测

针对传统边缘检测算法抗噪性较差、易受噪声影响、误判率高和漏判等问题,提出一种强噪声环境下对传统Canny边缘检测算法的改进算法。该算法选用平滑聚类滤波取代高斯滤波对受噪声图像进行预处理;对滤波窗口内的像素点进行噪声检测,根据检测到的噪声点个数自适应调整滤波窗口的大小,改变窗口中各信息的输出,为图像中的重要信息赋予较大的权值,实现降低噪声影响的同时防止重要信息被过滤;极大值抑制阶段在3×3邻域内使用Sobel算子,额外加入45°、135°方向计算梯度幅值和方向,更全面地检测细节信息;针对图像的灰度变化使用平均方差来计算高阈值。仿真结果表明,在高斯噪声和椒盐噪声的混合强噪声干扰下,该算法得到的边缘提取结果明显优于传统算法得到的结果。     

边缘检测中的改进型均值滤波算法

针对传统高斯滤波器算法存在边缘模糊及局部伪影的问题,提出一种改进型均值滤波算法,以有效去除图像中的高密度脉冲噪声。通过求解图像直方图,检测图像直方图的左右2个峰值点,以查找出可疑的噪声点,进而使用灰度值确定其坐标。利用图像像素点周围灰度值的相似性,在局部窗口选择递归加权平均值代替被污染的图像像素点灰度值。结合自动选择Canny算子的双阈值方法,对灰度图像边缘进行检测。实验结果表明,该算法的算子滤波效果优于LOG算子和传统灰度Canny算子,且具有较好的稳定性。     

基于相似性滤波的红外小目标检测

针对天空红外图像的特点,利用背景像素点和目标像素点的灰度值在空间分布上与其邻域像素灰度值之间的差异,提出相似性滤波的方法,相似性滤波的方法,算法简单,图像中的背景干扰能够被极大抑制,图像中点目标的对比度和图像的信噪比被显著提高。为减小噪声影响,一种自适应的噪声处理方法被给出,它对图像中的高斯噪声和脉冲噪声分别处理,在提高去噪效果的同时保留了图像的边缘信息。仿真结果表明提出的算法对红外点目标的背景具有极好的抑制能力。     

粗糙集在图像边缘增强滤波中的应用

为使图像噪声滤除的同时,边缘细节信息能得到有效地保护,基于粗糙集理论介绍了一种新的边缘增强滤波方法。首先,基于粗糙集不可分辨等价关系划分,分离出噪声点和非噪声点,对噪声点通过中值滤波进行滤除,然后,通过粗近似精度和方向模板检测边缘的连续性和方向,以具有最大粗近似精度的模板的灰度均值取代中心像素点灰度。在所有进行边缘检测的滤波算法中,该算法是唯一边缘测度在多次迭代运行后不会减小的滤波方法,同时通过对不同噪声程度的椒盐噪声和高斯噪声的滤波实验,说明该方法在有效滤除噪声同时能使边缘细节得到保护和增强,且比其它传统的空域和频域滤波方法具有更好的噪声适应性。     

一种改进的边缘保持类滤波方法

西戈玛滤波是一种边缘保持类滤波方法,传统的西戈玛滤波在去除噪声的同时,虽然在一定程度上保持了图像的边缘,但是对于图像的弱边缘,还存在一定的问题。结合梯度倒数加权平均的思想,提出西戈玛＋梯度倒数滤波方法,对于图像的非噪声点,采用梯度倒数加权平均进行灰度值的计算,在去除噪声的同时,更能够保持图像的边缘细节。实验结果表明,该西戈玛＋梯度倒数滤波方法具有较好的边缘保持效果。     

一种改进的边缘保持类滤波方法

西戈玛滤波是一种边缘保持类滤波方法,传统的西戈玛滤波在去除噪声的同时,虽然在一定程度上保持了图像的边缘,但是对于图像的弱边缘,还存在一定的问题。结合梯度倒数加权平均的思想,提出西戈玛+梯度倒数滤波方法,对于图像的非噪声点,采用梯度倒数加权平均进行灰度值的计算,在去除噪声的同时,更能够保持图像的边缘细节。实验结果表明,该西戈玛+梯度倒数滤波方法具有较好的边缘保持效果。     

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。     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

一种改进的中值滤波算法

通常 ,大部分自然图像中同时存在颗粒噪声和高斯噪声 ,而单纯地用中值滤波算法或均值滤波难以同时尽可能地消除混合噪声。针对这一问题 ,L ee和 Kassam提出了一种改进的均值滤波算法 Modified Trim med Mean(MTM) ,虽然 MTM算法的滤波效果相对于传统的平滑算法已有了很大的改善 ,但是 MTM的滤噪能力在很大程度上受到了阈值的限制。在分析 MTM算法和传统平滑算法结构特点的基础上提出了一种改进的自适应中值滤波算法。该算法对含有混合噪声的图像上每一点的 N× N区域应用自适应算子。对于不同的图像区域 ,算子也相应地有所不同 ,其中算子中的权值选取依赖于区域的灰度中值 ,且当某点的灰度越接近灰度中值 ,其权值就相应地越大。实践证明 ,新算法的处理结果优于传统的滤波算法和 MTM滤波 ,且没有阈值限制     

基于图像受噪程度的改进模糊加权均值滤波

根据高斯噪声密度大、噪声强度的波动范围宽,其污染图像不仅每一个像素灰度级都会受影响,而且即使是同一灰度级受污染的程度也会不同的特点和传统的图像模糊滤波算法在图像细节保护方面上的不足,提出基于图像受噪程度的改进模糊加权均值滤波算法,该算法根据图像各像素点的受噪程度,得到首次滤波图像和原图像估计直方图,根据该直方图确定模糊隶属度函数,然后对首次滤波图像中灰度小于25的像素点进行模糊加权均值滤波,该算法在不需要期望图像和高斯噪声方差的情况下能有效地去除噪声,同时能够很好地保护图像细节信息。     

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。     

多元高斯混合模型脑MR图像去壳模型

将脑部组织从MR图像中提取出来已经成为脑部图像处理中的一个重要环节,它可以提高后继的脑组织定位、容积测量等处理的精确度。但由于脑MR图像往往具有偏移场、弱边界和强噪音,使得基于图像梯度信息的水平集模型很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能降低偏移场、噪音等影响,同时防止曲线从弱边界泄漏。传统的高斯混合模型求解参数时,往往仅使用EM算法,易陷入局部最优。针对这个缺点,引入粒子群算法,并对其进行改进,使得改进的算法可以较快地得到精确解。对脑MR图像分割实验表明该模型可得到较好的分割效果。     

基于目标尺度的自适应高斯滤波

将具有形态学意义的目标尺度与传统的线性高斯滤波相结合提出了一种自适应高斯滤波,它的主要思想是：利用求出的目标尺度来控制各像素点高斯滤波的方差和模板大小。针对原有的目标尺度求解算法不能适应可见光图像去噪的问题,一方面,引入中值滤波以去除对目标尺度求解影响较大的强噪声点,另一方面,又调整了求解目标尺度算法中的参数。仿真实验证明,该算法可以在去除噪声的同时保护图像的细节,而且不论从主观上还是客观上都优于传统的几类图像平滑算法,且不需要迭代求解,计算简单。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

Canny算子边缘检测的一种改进方法

传统Canny算子在高斯滤波方差和滞后阈值的选择上需要人工干预,不具备自适应能力。高斯滤波方差的大小选择会影响到去噪和边缘保持效果,用不同尺度的形态学滤波代替高斯滤波,不仅能降低噪声影响,而且可保持边缘强度和细节;滞后阈值的选择会影响到假边缘现象的强弱和真实边缘的连续性,引入Otsu阈值法并将其推广至直方图具有多峰特点的情况,算法可根据图像自身特点选取阈值,使检测出的边缘更加连续并减少假边缘的存在。     

一种改进的图像复原方法的研究

该文提出了一种改进的图像复原方法,能有效复原既受高斯噪声的污染又同时受脉冲噪声污染的图像,将小波阈值降噪与自适应中值滤波相结合,既能很好保持图像的边缘,又能有效抑制噪声,使图像复原达到理想效果。     

基于灰色关联度的图像自适应中值滤波算法

研究图像去噪是图像处理中一个重要的课题。传统去除高斯噪声的方法是均值滤波,均值滤波方法模糊了图像的细节信息,中值滤波虽然能较好的保护图像的细节信息但滤除高斯噪声的效果不理想。灰色关联度能根据系统各因素间相似程度来度量因素之间的关联程度。利用灰色关联度的特性和中值滤波器的优点,提出一种基于灰色关联度的自适应中值滤波算法,算法可以根据图像像素之间的相似程度自适应地调整滤波加权系数,使滤波系数更加合理,改善原有算法的滤波性能。实验表明算法对受到高斯噪声干扰的图像进行去噪取得较好的滤波效果,同时还保护了图像的细节信息。     

基于条件生成对抗网络的CT图像去噪方法

医学图像在重建过程中总会受到噪声干扰,对于此问题,本文提出了一种基于条件生成对抗网络(CGAN)的去噪方法,算法以完整图像作为网络的输入及输出,使生成的图像信息更加稳定可靠。为了适应CT图像的特点,本文对CGAN结构进行了改进,使其能够适应不同噪声水平下的加性高斯白噪声,为了提高效率,在判别器进行训练时采用了损失判别,且在Tensorflow环境下训练网络模型。实验结果表明,与其他传统图像去噪算法相比,本方法能在保留特征信息的同时有效减少图像中的噪声。