基于PCNN的改进脉冲噪声去噪方法

提出了一种基于噪声邻域结构分析的脉冲噪声去除方法。对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声。对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类。对邻域结构简单的噪声点采用中值滤波进行去噪;对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法。实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节。     

一种基于小波变换图像去噪的方法

提出了一种基于图像软阈值小波变换的高斯白噪声消除法。该算法根据含噪声图的特点,把信号分成信号象素与可能噪声象素两类,对于可能是噪声的象素,采用图像的小波软阈值去噪方法进行滤波,而对信号象素不产生影响,且能保留更多的图像细节。文中也给出了标准中值滤波,自适应维纳滤波算法和小波软阈值去噪的算法进行比较实验,结果表明用小波软阈值去噪的算法处理高度污染高斯白噪声的图像能力明显强于标准中值滤波,稍微优于自适应维纳滤波算法,且能够比较好保留图像的细节部分。     

一种分类迭代保边缘图像去噪算法

针对图像处理过程中去噪与保边缘这一矛盾,提出了一种分类迭代保边缘的图像去噪算法。该算法充分考虑到不同密度的脉冲噪声产生的噪点分布特性,将噪声分为连续性噪声和非连续性噪声,采用大小不同的2~3个模板对原始图像迭代运算,进行噪声点恢复。利用该算法对添加有不同密度噪声的图像进行处理,结果表明,该算法在有效恢复噪声点的同时,能够很好地保留图像边缘细节信息,解决了传统算法存在滤波和保边缘的矛盾冲突,与传统滤波算法比较,该算法的峰值信噪比及去噪后图像与原图像的整体相似程度均优于传统算法。     

可保留细节信息的全方位多级组合滤波法的研究

传统全方位多级组合滤波法在抑制噪声的同时会严重模糊图像，通过分析该问题产生的原因，提出了一种改进的滤波方法，该方法先对图像象素进行是否为边缘点、孤立噪声点或平滑区域点的预判断，然后再根据判断结果分别进行处理。实验结果表明，该方法能很好地保留图像边缘细节信息，取得了较好的处理效果。     

基于图像分割的非局部均值去噪算法

针对传统非局部均值（NLM）算法的滤波参数非自适应及去噪后边缘易模糊的缺点,提出一种基于图像分割的非局部均值去噪算法。该算法分为两个阶段：第一阶段根据噪声大小及图像纹理自适应确定滤波参数的值,并采用传统非局部均值算法得到去噪结果图;第二阶段根据像素点方差的不同,将该去噪结果图分为细节区域和背景区域,再对属于不同区域的图像块分别去噪,同时为了更有效地去除噪声,还采用了反向投影的方式,充分利用了第一阶段方法噪声中残留的结构信息。实验结果表明,与传统非局部均值算法及其三种改进算法相比,所提算法的峰值信噪比（PSNR）及结构相似性（SSIM）更高,纹理细节和边缘结构更完整,图像更清晰,本真信息保留更完整。     

基于权值的中值和均值混合去噪算法

针对均值去噪算法对图像边缘定位带来困难,中值去噪算法对一些点、线、细节较多的图像去噪效果往往不理想等诸多问题,为了得到更好的去噪图像,并为后继的边缘定位等处理打下良好的基础,提出了基于权值的中值和均值混合滤波方法,该方法能在类椒盐噪声密度较大时较好的去除大量类椒盐噪声,同时较好的保留图像的边缘信息,并提高图像的信噪比.实验证明,该方法去噪性能明显优于中值滤波和均值滤波,并且算法简单,适合于高速在线检测系统.     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于二维经验模态和均值滤波的图像去噪方法

提出了一种新的图像去噪方法。此方法通过二维经验模态（BEMD）将噪声图像分解为一系列不同频带的子图像。对低频近似图像保持不变,对高频细节图像采用不同的模板进行均值滤波,最后将低频近似图像和均值滤波后的图像合成为去噪后的图像。实验结果表明该方法在滤除图像噪声的同时,又能较好地保留图像的边缘细节,其滤波效果优于单一的BEMD图像去噪和均值滤波图像去噪以及小波变换和均值滤波图像去噪方法。     

二维变分模态分解联合快速非局部均值的医学超声图像去噪方法

针对医学超声图像成像过程中出现的斑点噪声，提出一种基于二维变分模态分解(2D-VMD)联合快速非局部均值(FNLM)的去噪算法。该算法利用2D-VMD获得一系列高频至低频的本征模态分量；对保留绝大部分信息的低频模态进FNLM滤波，从而实现对超声图像的去噪。实验结果与传统滤波方法进行对比，提出算法在去噪的同时较好地保留边缘信息，有更好的客观评价参数，尤其是在高噪声方差中去噪效果明显优于其他算法。     

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。     

一种新的图像椒盐噪声的非线性滤波算法

为了在滤除椒盐噪声的同时能很好地保持图像的边缘细节,提出了一种新颖的图像椒盐噪声非线性滤波算法。利用局部统计信息,先将图像像素点分为信号点和可能的噪声点两类。然后将可能的噪声点进一步细分为边缘点、噪声点和信号点：利用方向信息、均方差来判断是否为边缘点,利用自适应阈值的方法来判断是否为噪声点,并且对边缘点和噪声点采取不同的方法进行滤波。经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果。     

一种基于高阶统计量的图像混和加权滤波方法

平滑噪声和保持边缘细节是对图像滤波两个方面的要求,如何兼顾和平衡二者是图像滤波要解决的核心问题。根据高斯噪声的特点,该文引入高阶统计量并结合空域滤波的模板法描述图像的纹理信息,提出了一种基于高阶统计量分析的图像混和加权滤波方法。文章利用高阶累积量所描述的图像细节复杂程度对模板进行分类,并分别采用相应的滤波方法,最后通过混和加权而得到其估值,从而既较好地保持了图像边缘细节,又有效地滤除了图像噪声。实验结果表明,相对于几种常见的保细节滤波方法,文章介绍的方法能够得到更好的效果。     

基于极值的椒盐噪声滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保护图像细节,提出一种基于极值的椒盐噪声滤波改进算法.算法首先进行噪声检测,将灰度值为0和255附近的像素点,且不构成5像素或以上直线的点作为噪声点,其余点作为信号点;然后进行噪声滤波,为了保护图像中的边缘、细节或细线,信号点不做任何处理,而对噪声点使用梯度法进行处理.Matlab仿真实验结果表明,新算法不仅能有效滤除椒盐噪声,在保护细节方面也取得了优于传统中值滤波算法的效果.     

基于决策分析的高椒盐噪声轮胎痕迹图像滤波方法

决策分析能准确判断出噪声像素与信号像素,均值滤波能较好平滑噪声,而自适应中值滤波能较好地保持原始图像的细节及边缘。为了恢复被高密度椒盐噪声污染的轮胎痕迹图像,提出三者相结合的新算法。该算法结合三者的优点,与传统中值滤波器、自适应中值滤波器等非线性滤波器相比,能得到更好的图像质量。实验表明,算法能有效消除灰度轮胎痕迹图像中的高密度椒盐噪声和彩色轮胎痕迹图像中的中低密度椒盐噪声,较好地保护了图像的细节及边缘信息。     

一种基于排序阈值的开关中值滤波方法

提出了一种基于排序阈值的开关中值滤波方法以克服图像滤波中去噪与细节保护的矛盾。该方法利用滤波窗口内像素点的排序信息，在极值中值滤波方法的基础上，将受脉冲噪声污染图像中的像素点进一步分为噪声点、边缘细节区和平坦区3种类型。通过对多种图像测试的统计结果，获得合适的分类器参数，然后利用类型判决，进行开关中值滤波，即对噪声点和平坦区进行中值滤波以得到良好的噪声滤除效果，而对边缘细节区不做处理以获得良好的细节保护效果。比较了标准中值滤波、极值中值滤波和本方法的结果。实验结果表明，本方法具有更好的效果。     

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。     

一种基于脉冲噪声检测的图像去噪方法

针对标准中值滤波在去除强噪声时存在的不足,提出一种改进的去噪方法.该方法通过多尺度窗口对图像脉冲噪声进行检测,其中判断噪声点的阈值可由图像中不同区域的灰度值自适应地调整,然后根据检测结果进行选择性滤波.该方法可以有效滤除图像中的脉冲噪声,又能较好的保持图像的边缘细节,尤其在强噪声情况下的效果更为明显.最后给出了滤波实验的仿真结果,说明了该方法的有效性.     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。