基于改进边界判别噪声检测的脉冲噪声滤波方法

边界判别噪声检测(BDND)算法对不平衡椒盐噪声和随机值噪声检测效果不佳。针对该问题,提出一种基于改进BDND的脉冲噪声滤波方法。修改BDND分群不等式,将边界值b2置于高灰度群中,利用BDND第一阶段检测图像的所有像素点,生成噪声的直方图向量,通过比较相邻噪声数值的比值与给定阈值的关系,重新定义上下边界值,对中心像素做进一步检测。实验结果表明,该方法的检测性能明显优于BDND,漏检率和误检率大幅降低,并且能够在消除噪声的同时更好地保护图像的细节信息。     

基于ABDND算法的炉膛火焰图像脉冲噪声滤波研究

为使炉膛火焰电视采集的煤粉燃烧图像更加清晰、细节更加完整,需对燃烧图像进行脉冲噪声滤波。本文将一种现有的开关中值滤波算法(ABDND)利用matlab进行编译仿真,通过对两幅EI-XCL燃烧器的煤粉燃烧图像的灰度图像进行噪声添加并利用ABDND算法与中值滤波算法分别对噪声图像作滤波处理,经过对两种算法的滤波结果进行分析对比,实验结果表明,ABDND算法在炉膛火焰煤粉燃烧灰度图像的噪声滤波中应用良好。     

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。     

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。     

修剪中值检测的自适应加权中值滤波算法

针对现有算法在噪声检测与噪声滤除性能上的缺陷,提出修剪中值检测的自适应加权中值滤波算法。算法利用噪声的灰度特征,根据灰度最值0和255检测噪声,再根据邻域像素的相关性以及在灰度上的近似性,做进一步的噪声检测。根据邻域像素之间的相关性随距离的增大而减小的特性,对邻域中的信号像素分别赋予不同的加权系数,取加权中值以滤除噪声。算法去噪的邻域大小,随噪声密度和分布自适应地变化。通过去噪图像的主观视觉效果以及客观的去噪性能指标PSNR(peak signal to noise ratio)和IEF(imageenhancement factor),仿真实验证明,所提出的算法相对于现有的算法具有更好的去噪性能,特别对于滤除高密度噪声,具有显著的优越性。     

基于灰度最值和方向纹理的概率滤波算法

为了更高效地检测和滤除噪声,基于灰度最值和方向纹理的概率滤波算法根据灰度最值进行噪声检测,对检测出来的可疑噪声,根据四个方向纹理的平滑过渡性进行第二次噪声检测。运用滤波窗口中出现频次最高的信号像素取代噪声。如果窗口中不存在信号像素,增大滤波窗口,以使窗口包含信号像素。当滤波窗口增大到允许的最大尺寸时,窗口中依然没有信号像素,则用窗口中已处理的、出现频次最高的像素取代噪声。将算法与当前滤波性能最好的中值滤波算法用于图像滤波实验。从滤波结果的主观视觉效果和客观数据两方面进行的比较分析证明,相对于当前的中值滤波算法,基于灰度最值和方向纹理的概率滤波算法具有更加良好的滤波性能,在滤除噪声的同时,很好地保持图像的边缘和细节。     

一种快速自适应数字图像脉冲噪声滤除算法

根据脉冲噪声的特点,利用检测窗口内像素灰度值的统计信息,自适应地将数字图像中的噪声点检测出来,滤波算法只对噪声点进行处理,用噪声点邻域内所有信号点去极值后的平均值作为噪声点的滤波输出,实验结果表明该算法的滤波性能和计算速度都明显好于常用的中值滤波,具有良好的实用价值.     

基于灰度密度和四方向的随机脉冲噪声检测

提高检测正确率的同时降低漏检率和错检率是脉冲噪声检测过程中的难点。提出了两阶段的检测方法,第一阶段,根据窗口中心点的灰度密度小于某阈值检测噪声,分5次迭代,对每次检测到的噪声进行中值滤波,滤波图像作为下一次检测的输入图像;第二阶段,用窗口4个方向检测噪声,并根据MAD值自适应设定阈值。以512×512的Lena和Boat为测试对象,添加10%至50%的随机脉冲噪声进行仿真实验,结果表明,随着噪声密度的增加,错检数都稳定在较低值,漏检数保持在理论上的低值。     

基于排序跳变点的脉冲噪声检测与滤除算法

提出了一种简单的判断脉冲噪声点的算法。该算法先将滤波窗口内的像素值按照大小排序,然后找到排序后像素值的两个最大跳变点,如果此跳变点发生在靠近最大值或最小值处,并且跳变幅度超过文中实验得出的域值,就可以根据窗口中心像素值的位置,即它在两个跳变点所确定的范围之内还是之外,将其判为信号点或噪声点,最后用判断出的信号点对噪声点进行恢复。实验结果表明,该算法能够几乎准确地判断出噪声点与信号点,从而达到了更好的去噪效果。     

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。     

种子像素滤波法去除随机脉冲噪声

为了在去除图像高密度随机脉冲噪声的同时最大程度地保护图像边缘和细节,提出一种新方法。该方法首先利用图像局部灰度相似性,提取种子像素;然后只对种子像素进行开关中值滤波,去除误判的种子像素,采用自适应变窗口尺寸;最后利用种子像素先探测漏选的种子像素,接着重构非种子像素。实验结果表明,与其他方法相比,该方法是综合性能最优之一。     

融合方向特性与不确定性的脉冲噪声滤波

目的 随机噪声的噪声阈值具有不确定性和敏感性,寻找一个鲁棒的阀值是非常困难的,这严重影响了噪声的提取效率。为提高噪声判断的准确性,提出一种基于方向特性与中智不确定性融合的双端脉冲检测算法;另外,为加强优良像素在滤波过程中的权重,构建了一种基于像素中智不确定性和ROAD（rank-ordered absolute differences）统计量的新型双边滤波函数。方法 在噪声检测阶段,首先根据ROLD（rank-ordered logarithmic difference）与噪声阈值T的关系,将污染图像的像素分为超限域像素（ROLD ≥ T）、邻限域像素（0.8T ≤ ROLD<T）和安全域像素（ROLD<0.8T）,并利用开关机制完成一次噪声检测。在此基础上,为提高超限域和邻限域像素噪声检测的准确性,采用不同策略对其进行二次噪声排查：对超限域像素,利用新型25像素和9像素4方向模板计算像素基于排序的方向对数差统计量,由该统计量与T的大小关系决定当前像素的噪声真伪;对邻限域像素,则结合当前像素中智不确定性在滤波窗内的排序信息来进一步确定其噪声特性。在滤波阶段,利用像素中智不确定性和ROAD统计量构建新型双边滤波函数,以加强低不确定性和高相似性像素在图像恢复中的权重。结果 针对实验图像,双端脉冲检测算法的边缘像素提取率最高可达67%、邻限域像素的噪声剔除率最高可达91%,大大降低了阈值对噪声提取的敏感性,从而提高了噪声判断的正确率。在10%~80%噪声范围内,本文算法的主观性能和峰值信噪比都优于其他7种算法。结论 本文基于双端检测和新型双边滤波函数的新算法,在噪声检测和去噪过程中均充分考虑了图像本身的方向性和噪声的不确定性,因此提高了噪声提取及像素滤波权重的准确性,从而有效地保护了图像的边缘和细节信息。     

基于方向中值的图像椒盐噪声检测算法

为了在有效去除椒盐噪声的同时最大限度地保持图像的细节,针对现有应用于椒盐噪声检测算法的优缺点,提出一种基于方向中值的椒盐噪声两级检测算法。算法通过初级全局噪声检测将图像分为可疑噪声点与信号点,二级检测中算法以可疑噪声点为中心在5×5的检测窗口中设置9个方向检测区,通过可疑噪声点灰度值与检测区像素点灰度中值的比较最终确定噪声点的位置。算法中的可行性漏检在保证图像质量的同时减少了后续处理的像素数,同时,算法具有较低的噪声误检率,保持了图像的细节。仿真实验结果验证了算法的有效性。     

基于非局部平均滤波的冲击噪声图像恢复算法*

针对随机值冲击噪声污染图像的恢复问题,研究了冲击噪声环境下的非局部平均滤波模型,并在模糊权重非局部平均滤波算法的基础上加以改进,解决了原算法在低噪声比率下恢复性能欠佳以及算法时耗过高的问题。改进之处如下：第一,提出了一种信赖度参数设置准则,并在该准则指导下设置了新的信赖度门限参数;第二,根据冲击噪声模型特点重新规划了滤波策略,提升了算法的运算效率。大量实验数据证明,所提算法无论在低噪声比率还是高噪声比率下均能有效去除冲击噪声,尤其对于纹理性较强的图像有显著的去噪效果。同时,所提算法拥有较高运算效率,实用性得以提高。     

利用几何结构检测去除图像中的随机值脉冲噪声

尽管中值滤波以及各种改进方法是去除图像中随机值脉冲噪声的有效方法,然而,大多数去噪方法存在门限值选取困难和对图像边缘纹理结构过平滑的缺点。针对这一问题,提出了一种基于几何结构的用于检测和去除随机值脉冲噪声的新方法。该方法首先利用图像的直方图分布来估计脉冲噪声的噪声率;然后进一步基于噪声率和细节图像的直方图分布,自适应地确定两个分类门限;最后利用两个门限,将细节图像中的像素分成‘未被污染点’、‘待定点’和‘噪声点’。其中‘待定点’主要由边缘和纹理区像素和噪声像素构成,为区分其属性,还引入了几何结构检测方法。基于各像素点的类型,细节图像被用于修正中值滤波的结果。实验结果表明,该新方法在去除脉冲噪声的同时,还很好地保留了图像的边缘结构。与已有的方法相比,具有明显的优势。     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

浅层CNN网络构建的噪声比例估计模型

目的 利用深度卷积神经网络（deep convolutional neural network,DCNN）构建的非开关型随机脉冲噪声（random-valued impulse noise,RVIN）降噪模型在降噪效果和执行效率上均比主流的开关型RVIN降噪算法更有优势,但在实际应用中,这类基于训练（数据驱动）的降噪模型,其性能却受制于能否对待降噪图像受噪声干扰的严重程度进行准确的测定（即存在数据依赖问题）。为此,提出了一种基于浅层卷积神经网络的快速RVIN噪声比例预测（noise ratio estimation,NRE）模型。方法 该预测模型的主要任务是检测待降噪图像中的噪声比例值并将其作为反映图像受噪声干扰严重程度的指标,依据NRE预测模型的检测结果可以自适应调用相应预先训练好的特定区间DCNN降噪模型,从而快速且高质量地完成图像降噪任务。结果 分别在10幅常用图像和50幅纹理图像两个测试集上进行测试,并与现有的主流RVIN降噪算法中的检测模块进行对比。在常用图像测试集上,本文所提出的NRE预测模型的预测准确性最高。相比于噪声比例预测精度排名第2的算法, NRE预测模型在噪声比例预测值均方根误差上低0.6% 2.4%。在50幅纹理图像测试集上,NRE模型的均方根误差波动范围最小,表明其稳定性最好。通过在1幅大小为512×512像素图像上的总体平均执行时间来比较各个算法执行效率的优劣,NRE模型执行时间仅为0.02 s。实验数据表明：所提出的NRE预测模型在受各种不同噪声比例干扰的自然图像上均可以快速而稳定地测定图像中受RVIN噪声干扰的严重程度,非盲的DCNN降噪模型与其联用后即可无缝地转化为盲降噪算法。结论 本文RVIN噪声比例预测模型在各个噪声比例下具有鲁棒的预测准确性,与基于DCNN的非开关型RVIN深度降噪模型配合使用后能妥善解决DCNN网络模型固有的数据依赖问题。     

一种针对彩色图像随机值脉冲噪声的矢量滤波方法

为了去除彩色图像随机值脉冲噪声,提出了一种新的矢量滤波方法。该方法对图像的平滑区域和边缘区域的滤波工作分开进行,平滑区域滤波方法将窗口分成多个区域,然后基于矢量中值和平滑区域像素的特征检测出平滑区域的信号,边缘区域的滤波是在已知信号的基础上对非信号进行矢量中值滤波。仿真实验结果表明,该方法能够有效地去除彩色图像的随机值脉冲噪声,尤其当噪声密度较高时,去噪效果明显优于传统的矢量中值滤波。     

相似邻居数目图像脉冲噪声滤波算法

为了去除图像随机脉冲噪声的同时保留边缘,提出一种新方法。该方法首先利用图像局部灰度相似性来构造相似邻居数目图,一个像素的相似邻居数目在窗口内最大或数值较大,才可能认为是没有受到噪声干扰的像素。根据噪声密度不同采用不同方法检测。实验结果表明,阈值能适应性不同图像类型,滤波结果优于大部分已有算法,且算法复杂度低于大部分改进的中值滤波算法。