邻域均值检测的迭代加权中值滤波算法

针对现有滤波算法在噪声检测与去除上存在的相应缺陷,提出了邻域均值检测的迭代加权中值滤波算法,对噪声检测与去除方法分别进行改进。算法根据噪声的灰度特征进行噪声检测,再基于邻域像素的相关性,用邻域的均值作进一步的检测;运用基于高斯曲面的加权算子,以迭代的方式,用邻域中信号像素的加权中值对噪声进行去除。实验结果证明,相对于现有滤波算法,所提算法具有更好的去噪性能,在保持高信噪比的同时,能很好地保持图像的纹理结构。     

采用自适应四点窗中点滤波的高椒盐噪声滤除方法

针对当前中值滤波器处理图像高椒盐噪声效果不佳和实时性不强等问题,提出了一种快速自适应四点窗中点滤波（AFMF）方法。首先,为了降低计算复杂度,使用简单的极值方法检测噪声点;然后,摒弃传统的全点窗口,不用中值滤波,而是在开关滤波和裁剪滤波的基础上,采用新型的非线性滤波方法：中点滤波,简化了算法的流程,提升了算法的计算效率,提高了去噪效果;最后,从3×3窗口开始到由里向外推进,逐渐增大窗口,形成自适应滤波,一直到噪声点处理完,如此避免了窗口大小参数的设置。实验结果表明,与AMF、SAMF、MDBUTMF以及DBCWMF相比,AFMF在处理高密度椒盐噪声上不仅有更好的去噪性能、更快的运行速度（约0.18 s）,且无需设置参数,可操作性强,具有较强的实用性。     

去除椒盐噪声的自适应开关加权均值滤波

提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。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算法有更好的滤波性能。     

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。     

一种强高斯噪声的图像滤波方法

针对图像中高方差的强高斯噪声特点，提出了一种图像噪声联合滤波的新方法。算法将受强高斯噪声污染的图像分为强噪声点集和弱噪声点集两部分，首先通过邻域像素强度值的变化特征，定位强噪声像素点，并采用改进的自适应均值滤波方法滤除，然后基于简化的脉冲耦合神经网络（PCNN）平滑弱噪声点像素。经实验结果验证，与已有的其他滤波方法相比，该算法在较好地滤除噪声的同时，具有良好的图像边缘保护和自适应能力。     

基于局部空间像素特征的自适应加权滤波算法

提出了一种新的基于局部空间像素特征的椒盐噪声自适应加权滤波算法。该算法首先对含噪图像逐点进行噪声检测,把所有像素分为含噪像素点和信号像素点;然后采用自适应加权滤波方法,对检测到的噪声点进行滤波,滤波权重由确定的数学公式来确定,自适应于滤波窗内临近像素的局部特征。实验结果表明,该算法不仅可以有效地除去椒盐噪声,又可以较好地保持图像边缘细节,尤其在噪声密度较大时,效果明显优于传统的中值滤波算法。     

针对椒盐噪声的开关模糊滤波器

自适应中值滤波随着椒盐噪声密度增加滤波图像细节损失较大。在开关滤波和自适应中值滤波的基础上提出了开关模糊滤波（SF）。SF用Max-Min算子检测噪声点,然后根据滤波窗口中正常点数量以均值方法或者T-S模糊方法去噪。仿真实验表明,开关模糊滤波比自适应中值滤波能更好地保护边界和细节。开关模糊滤波在消除噪声和细节保护之间取得了良好的平衡。     

基于局部直方图的加权均值滤波器

针对受椒盐噪声不同程度污染的灰度图像滤波问题,提出了一种基于局部直方图的加权均值滤波算法。该算法针对椒盐噪声特点,对含噪图像进行噪声检测,建立噪声标记矩阵;对标记为信号的像素不做处理,标记为噪声的像素依据其邻域像素污染程度采取不同窗口尺寸的加权均值滤波,像素权值由噪声点所在区域的局部直方图确定。对不同噪声率污染的测试图像仿真结果表明,该算法在有效抑制噪声的同时能较好地保持图像的细节信息。最后,通过与中值滤波和其他一些改进算法的滤波效果比较,证明了该算法的有效性。     

图像去噪混合滤波方法

传统均值滤波和中值滤波对高斯型噪声和椒盐型噪声有着不同的滤波特性。实际滤波时，由于图像往往会受到两种不同性质噪声的同时干扰，因此，单独采用中值滤波或均值滤波都不会达到最好的去噪效果，为了能同时对两种不同性质的噪声进行滤除，现提出了一种新的混合滤波算法，该算法首先利用局部阈值把受高斯型噪声污染的像素和受脉冲型噪声污染的像素区别开来，然后对受高斯噪声污染的像素采用均值滤波算法，而对受椒盐噪声污染的像素则采用中值滤波算法进行去噪。仿真结果证明，该方法更具有实用性和有效性。     

基于HVS特性的自适应K近邻均值滤波算法

通过充分考虑宿主图像亮度、纹理、边缘等特征,提出一种改进的图像自适应K近邻均值滤波算法。该方法首先利用基于人眼视觉特性的临界噪声阈值来确定噪声点,然后根据噪声密度自适应调整滤波窗口大小与参与滤波的像素数K值,采用自适应K近邻均值滤波对检测出的噪声点进行处理。该算法能有效去除噪声,并较好地保留图像边缘细节,仿真实验结果表明,提出算法比传统中值滤波、均值滤波和K近邻均值滤波算法有更好的去噪能力。     

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。     

用噪声检测算法改进理想低通滤波器

针对图像去噪算法存在滤除噪声与保留图像边缘细节之间的矛盾,提出了一种使用基于分数阶微分梯度的随机噪声检测算法来提高理想低通滤波器的去噪性能的方法。首先,使用不同方向的分数阶微分梯度模板与含噪声图像进行卷积,计算出图像在不同方向上的分数阶微分梯度;然后,依据预先设定的阈值获得不同方向的分数阶微分梯度检测图,将在所有选定方向上梯度都发生跳变的像素点判定为噪声点;最后,只对图像中被检测出的噪声点用理想低通滤波器进行滤波,可使图像在去除噪声和保留图像细节两方面同时获得较优的效果。实验结果表明,所提算法不仅可以获得更好的视觉效果,而且去噪后图像的峰值性噪比(PSNR)表明去噪后的图像更接近原始图像,使用理想低通滤波器获得的最大PSNR为29.0893dB,所提算法获得的最PSNR为34.7027dB。将分数阶微积分用于图像去噪,为提高图像去噪性能提供了一个新的研究方向。     

米字型各向异性扩散模型的图像去噪算法

针对原始的各向异性扩散模型在对带噪图像去噪时,只利用了邻域内东、南、西、北4个方向上的参考信息,使得去噪效果不够明显的问题,提出了米字型各向异性扩散模型的图像去噪算法。该算法在利用了原始算法中待修复点周围4个方向上参考信息的基础上,还引入了该点邻域内对角线方向上的新信息,给出了采用周围8个方向上的信息进行对图像去噪的新模型,同时证明了该模型的合理性。用新提出的算法与原算法以及一种改进的同类算法对4幅带噪图像进行去噪。实验结果表明,新提出算法去噪效果的峰值信噪比(PSNR)相比原算法和改进同类算法平均提高1.90dB和1.43dB,平均结构相似度(MSSIM)分别平均提高0.175和0.1,说明该算法更适合于图像去噪。     

图像中的高斯和脉冲混合噪声处理

通常情况下,受脉冲噪声污染的图像采用中值滤波法复原,受高斯噪声污染的图像采用均值滤波法复原。为了去除两者的混合噪声,Lee和Kassam提出了一种改进的均值滤波算法ModifiedTrimmedMean(MTM),但是MTM的使用受到了阈值的限制。为了在滤除退化图像中混合噪声的同时能更好地保护图像细节,我们详细分析了MTM滤波的特点,在对MTM进行改进的同时,提出了一种改进的自适应中值滤波算法(统计滤波)。该算法无需噪声的先验知识,利用VisualC 自动搜索阈值来实现图像的最佳复原。利用两种客观标准进行评价,实践证明新方法的处理结果优于传统的MTM方法。     

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。     

基于梯度特征的双核非局部均值去噪算法

针对传统非局部均值（NLM）滤波算法中邻域间相似性计算易受噪声干扰的问题，提出了一种基于梯度特征的双核非局部均值滤波算法。通过图像块之间的欧氏距离及梯度特征度量邻域间相似性，采用双核函数代替传统指数核函数计算相似性权值，并通过衡量搜索区域中的邻域块与当前像素邻域的相似程度，对像素点的权值进行重分配，在此基础上，重估像素点去噪值并得到滤波图像。实验结果表明，提出的滤波算法与传统的NLM滤波算法及分别含有高斯核和正弦核的改进NLM滤波算法相比，可以更准确地反映邻域间的相似度，保存图像的细节及边缘信息，从而有效提升图像的去噪效果。     

一种新型的自适应模糊中值滤波算法

针对传统中值滤波算法不能很好地保护图像细节以及受严重噪声污染时性能急剧下降的情况,提出了一种新型的自适应模糊中值滤波算法。通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系数,利用此模糊滤波系数对滤波方法进行加权,得到一种加权中值滤波器。通过对小窗口内的灰度值不等于最大灰度值和最小灰度值的像素点的检测自适应调整窗口大小,对超过设定的最大窗口的情况,噪声点的灰度值用四个相邻的已处理的像素点灰度值的均值进行替换。仿真结果表明,新算法具有较好的细节保护能力和较强的去除噪声能力。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。