基于Matlab的椒盐噪声滤波算法研究与实现

介绍了图像去噪流程,研究了图像椒盐噪声处理中的两种算法,均值滤波算法和中值滤波算法,详细阐述了两种算法的基本原理和实现方法,在Matlab环境下利用两种算法对图像进行去噪处理,并对去噪结果进行比较、分析,实验结果表明两种算法都能有效滤除图像中的椒盐噪声,中值滤波算法在保护图像细节方面要优于均值滤波算法。     

一种消除椒盐噪声的迭代自适应中值滤波算法

针对传统中值滤波算法对高密度椒盐噪声图像滤波效果差的问题,基于循环迭代处理思想,提出一种消除椒盐噪声的迭代自适应中值滤波算法。在传统基于决策滤波方法基础上,所提算法自适应调整滤波窗口尺寸并计算滤波窗口内非椒盐像素中值以替换噪声像素,进而根据噪声密度自适应决定算法迭代次数,以完全消除椒盐噪声并恢复原始图像。仿真结果表明,对噪声密度为10%～99%的图像,与标准中值滤波及其4种改进算法相比,所提算法能较快消除椒盐噪声且可较好恢复原始图像细节。     

一种基于灰色关联度的椒盐噪声滤波算法

针对中值滤波算法在去除椒盐噪声时峰值信噪比(PSNR)提高有限和细节保持能力不佳的问题,提出了一种基于灰色关联度的两步式双阈值椒盐噪声滤波方法.第一步通过窗口中各像素的灰色关联度与阈值T<,1>的比较识别出被噪声污染的点;第二步将窗口中所有点的灰色关联度与软阈值T2(中位值)进行比较,选取灰色相关的正常点来恢复出被噪声污染的点.实验结果表明:在噪声率较高的情况下,该算法提高了图像峰值信噪比,改善了图像的主观效果.     

基于噪声检测的高密椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度保护图像的细节信息,使得高密度噪声污染图像也能得到较好的恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

基于噪声检测的高密度椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度的保护图像的细节信息,使得高密度噪声污染图像也能得到较好地恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

一种快速去除高密度椒盐噪声的滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。     

图像脉冲噪声的概率神经网络识别滤波方法

提出了一种用概率神经网络(PNN)检测图像随机脉冲噪声点方法.首先提取已知图像脉冲噪声像素点的特征作为PNN的输入,然后建立了PNN脉冲噪声点识别模型,再对其它噪声图像的每一个像点进行识别,最后只对噪声点进行中值滤波.Matlab仿真实验表明,同BPNN检测方法相比,该网络能明显提高识别正确率,因此有更好的脉冲噪声滤除效果,且该方法滤除脉冲噪声简单快速,是一种较好的神经网络图像脉冲噪声识别滤除方法.     

一种窗口自适应的去椒盐噪声滤波算法

为了有效地去除图像中的椒盐噪声,提出一种窗口自适应的滤波算法。算法先采用3×3窗口进行噪声检测,如果中心点为噪声点,则统计窗口内为非噪声点的数量。当非噪声点的数量大于2时,采用中值均值滤波算法;当非噪声点的数量小于等于2时,将窗口尺寸扩大至5×5,采用中值均值滤波算法。如果中心点为信号点,则保持原值不变直接输出。仿真实验结果证明,这种算法对不同程度椒盐噪声污染的图像具有较强的去噪能力,同时较好地保持了图像的细节。     

基于神经网络噪声检测的自适应中值滤波器

针对椒盐噪声污染图像的滤波问题,提出了一种基于前馈神经网络的噪声检测器。基于这种噪声检测方法,采用自适应中值滤波算法,依据像素点的不同属性采用不同的滤波策略。实验结果表明,该算法在有效去除椒盐噪声的同时更好地保留了图像的边缘和细节,是一种有效的图像去噪方法。     

基于PCNN噪声检测的两级脉冲噪声滤波算法

为有效滤除图像中严重脉冲噪声干扰,提出了一种基于改进型脉冲耦合神经网络(PCNN)噪声检测的两级脉冲噪声滤除算法。该算法首先利用PCNN同步脉冲发放特性区分定位噪声点和信号点位置,其次根据噪声点局部邻域信息对噪声进行第1级自适应滤波,然后再利用具有保护边缘细节特点的多方向信息中值滤波器(MF进行第2级辅助滤波。实验结果表明,该算法在噪声检测中无需设定检测阈值,噪声检测精度较高;在去噪过程中不但有效滤除噪声干扰,而且能很好地保护图像边缘细节等信息,具有较好的主观视觉效果和客观评价指标,比传统MF及其它相关算法有更优的滤波性能,去噪能力强、信噪比高和适应性好,特别是对受严重噪声污染的图像,显示了更大的优越性。     

基于二级检测的椒盐噪声滤除算法

针对目前算法不能适用于含不同密度椒盐噪声的图像去噪,提出了一种基于噪声点极值特性和方向差异性的开关型噪声滤波器。检测阶段,采用极值法检测噪声,并计算噪声密度,当噪声密度低于阈值时进行基于噪声点方向差异性的二次检测,否则直接进行滤波;滤波阶段,根据局部噪声密度选择递归或非递归窗口,进行除去窗内噪声点的加权均值滤波。实验结果表明本文算法滤波性能和细节保护都优于传统中值滤波和一些改进算法。     

基于开关二级检测的图像椒盐噪声滤波算法

鉴于开关中值滤波在椒盐噪声检测和去除方面的应用合理性,本文分别设计实现了基于信号局部差异性和基于信号方向差异性的椒盐噪声检测算法。这两种算法均属于二级噪声检测方法,且第一级检测手段都是基于灰度范围准则。两种算法的不同点主要体现在第二级检测算法上,前者基于局部差别准则,后者基于方向差别准则。在方法评价部分,首先通过分析和实验确定两种算法的最优参数设置;然后通过对不同噪声密度的测试图像去噪来评价两种算法的去噪效果。结果表明:基于方向差异性的算法比基于局部差异性的算法具有更好的性能,且两种算法的去噪效果都与噪声密度成反比。需要注意的是,这两种算法都容易将图像中的细微边缘或细节像素误判为噪声点,即在噪声的检测过程中,只能避免对图像中主要边缘和轮廓像素的误判,还无法对图像中的细微边缘和细节进行精确判定,这也是开关二级噪声滤波算法今后的主要改进方向。另外,算法效率测试结果表明两种算法具有相似的计算时间,从而验证了两者之间的算法结构相似性。     

快速高效去除图像椒盐噪声的均值滤波算法

针对常见滤除椒盐噪声算法需要使用阈值、运算时间长、去除噪声效果不理想等缺陷,提出了一种快速高效去除图像椒盐噪声的均值滤波算法。新算法对滤波窗口下的疑似噪声像素,有针对性地选择少数信号像素构成信号像素集合,取集合中的元素均值对疑似噪声像素进行滤波。实验结果表明,对于噪声密度为1%到99%的图像,新算法均具有良好的去除噪声能力和保持细节能力,而且整个算法耗费时间很少,因而具有较大的实用性。     

基于窗口的自适应中值滤波算法

滤波窗口是影响椒盐噪声滤除效果的重要因素。针对自适应中值滤波算法(RAMF)的不足,提出了一种基于窗口的自适应中值滤波算法。该算法分为噪声的检测和滤除两部分。在噪声检测部分,主要通过混合窗口检测出准噪声点,将其用窗口中值代替,而其余信号点保持不变。重复此方法,直至所有的准噪声点处理完毕。然后,在噪声滤除部分,主要根据噪声密度选择合适的最大滤波窗口半径,进而实现噪声滤除。最后,为验证算法的有效性开展了仿真研究,仿真结果表明本算法对椒盐噪声的滤除具有很好的效果,增强了图像的清晰度。     

数字图像中值滤波技术研究

中值滤波作为图像处理中的一种非线性滤波技术,在有效抑制脉冲噪声的同时能很好地保护图像信号的细节信息,尤其是在处理椒盐噪声方面效果较好,得到了广泛的研究和应用。文章通过对中值滤波及其改进方法的研究,比较了不同方法的运算效率及对不同图像的去噪效果,分析中值滤波技术的研究方向。     

基于加权网络和OWA算子的图像椒盐噪声滤除算法

用加权网络对图像进行建模,可以有效地表示图像的结构特征,其中网络单个节点的点强度集成了节点本身与其它点连接的边数和强度信息。为了发挥结构信息和统计信息在图像分析中的作用,用加权网络对图像进行表示。根据噪声像素与周围像素差异性大的特点,将噪声检测问题转化为搜索网络中具有最小点强度的节点问题。采用有序加权平均（OWA）算子...     

多幅图像中值法在滤除噪声中的应用

数字图像在成像和传输过程中可能会夹杂一些噪声,如椒盐噪声和高斯噪声等。这些噪声可能会对图像处理结果产生消极影响,所以在图像处理前要对该图像进行平滑,因此提出了一种基于多幅图像中值的滤波方法。该算法首先对同一场景多次采集图像,然后将这些图像在相同位置上的灰度中值作为图像在该点的灰度值。为了验证算法的有效性进行了多次实验与传统算法比较,结果表明该算法不仅能最大程度地滤除椒盐噪声,并且对高斯噪声也有很好的抑制作用;同时,客观评价标准也证明,该算法明显优于传统方法。     

Salt and pepper noise removal in binary images using image block prior probabilities

During scanning and transmission, images can be corrupted by salt and pepper noise, which negatively affects the quality of subsequent graphic vectorization or text recognition. In this paper, we present a new algorithm for salt and pepper noise suppression in binary images. The algorithm consists of the computation of block prior probabilities from training noise-free images; noise level estimation; and the maximum a posteriori probability estimation of each image block. Our experiments show that the proposed method performs significantly better than the state of the art techniques.