基于小波域的图像噪声类型识别与估计

提出了一种基于小波域分解的类型识别方法．该方法利用噪声图像的小波高频子带系数能量分布,对图像中最常出现的两类噪声：高斯噪声和椒盐噪声进行识别,并在此基础上对高斯噪声的方差和椒盐噪声的密度进行了估计．对大量含噪图像的实验结果表明：该方法对图像噪声类型的识别和噪声大小的估计都比较准确．     

基于连通性检测的图像椒盐噪声滤波算法

为了在滤除图像椒盐噪声的同时保护图像边缘细节,提出了一种基于连通性检测的图像椒盐噪声滤波算法。由于椒盐噪声点的灰度值与正常像素点的灰度值相比往往存在较大差异,本算法先通过比较像素点灰度值与其邻域像素点灰度值,将差异较大的像素点列为疑似噪声点,然后通过检测疑似噪声点是否是图像连通区域的一部分来判断该点是否是噪声点,最后通过中值滤波器将噪声点滤除。该算法可以有效区分图像区域边缘与椒盐噪声。实验结果表明,该算法可以有效去除密度范围从0～0.9的椒盐噪声,在0.9的噪声密度下,算法的峰值信噪比仍可达到30dB。满足有效去除不同密度范围的椒盐噪声的同时保护图像细节的要求。     

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像（噪声密度大于30%）,则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度（90%）噪声情况下与其他算法相比获得的峰值信噪比（PSNR）仍高出10 dB左右。     

噪声密度不敏感的随机采样椒盐噪声滤波算法

中值滤波系列算法在处理被不同密度椒盐噪声污染的细节图像和平坦图像时,降噪性能不一致。本文借鉴开关中值滤波和压缩感知的思想,提出了随机采样滤波算法去除椒盐噪声。算法以噪声检测为基础,将被椒盐噪声污染的图像分为疑似噪声像素和信号像素,随机采样仅对信号像素采样。然后,利用正交匹配追踪算法重构出被污染前的图像,替代了中值滤波对噪声像素的估计。由于随机采样滤波基于压缩感知理论,对稀疏信号的重构具有最少测量次数的条件,因此随机采样点的数量具有一定的浮动空间,表现为对噪声密度不敏感。以被不同噪声密度污染图像的纹理、平坦局部区域进行验证,实验表明,当噪声密度在一定范围内变化时,算法可以实现对噪声密度不敏感。在高密度噪声污染的情况下,相较于中值滤波系列算法,随机采样滤波算法具有更好的细节保留能力和滤波能力。对标准测试图像进行了全局滤波,不同噪声密度具有一致的滤波效果,与自适应滤波算法相比,随机采样滤波算法在处理包含密集边缘特征的区域时更具备优势。      

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PCNN的图像噪声消去方法

提出了一种基于PCNN(脉冲耦合神经网络)的图像椒盐噪声消去方法,针对椒盐噪声的特点,根据PCNN集群点火特性,结合邻域均值滤波器较好地进行了图像平滑.试验证明,该方法不仅能够有效地去除椒盐噪声,对图像纹理和边缘的保护也较好.     

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。     

噪声点位置已知的自适应滤波算法比较研究

高效滤除图像中椒盐噪声的方法大多采用先检测被污染图像中椒盐噪声的位置,再有针对性地对椒盐噪声进行处理的方法。噪声检测算法精度均较高,滤波质量与后续采用的自适应开关滤波算法息息相关。文中在图像椒盐噪声位置已知的情况下,比较研究了应用较为广泛的3种自适应开关滤波算法的去噪性能。     

一种用于抑制椒盐噪声的多窗口中值滤波器

该文提出了一种用于抑制椒盐噪声的多窗口中值滤波算法。算法在招待过程中根据具体情况采用不同大小的滤波窗口。仿真结果表明，与标准中值滤波算法相比，该方法不仅可以有效去除图像中的椒盐噪声，特别是在噪声密度非常大的情况下，表现了很好的性。     

广域监视模式下新的杂波加噪声谱密度矩阵估计方法

该文研究了SAR/GMTI系统广域监视(WAS)模式下杂波的特点,基于该特点,可以通过一个多普勒单元的杂波加噪声谱密度矩阵来估计另一个多普勒单元的杂波加噪声谱密度矩阵,并推导了相应的估计公式。在此基础上提出新的杂波加噪声谱密度矩阵估计方法,即通过第#em/em#-1个和第#em/em#+1个多普勒单元的杂波加噪声谱密度矩阵来估计第#em/em#个多普勒单元的杂波加噪声谱密度矩阵,并联合特征矢量子空间投影的方法可以大大减弱目标污染样本对空时处理性能的影响。仿真结果表明这种方法的有效性。     

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。     

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。     

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。     

一种高效快速的高密度椒盐噪声消除算法

本文提出了一个简单高效的消除高密度椒盐噪声的算法,在该算法中,对于图像中的每一个椒盐像素,计算以该像素为中心的窗口内非椒盐像素的平均值,并且在不同的阶段对其更新,实验结果表明,对于污染度为10％到90％的图像,本文的算法都有良好的噪声消除能力,所得到的恢复图像能够较好地保持原始图像的细节.另外,本文的算法计算时间较少,...     

2.52 THz傅里叶数字全息中噪声影响仿真

傅里叶数字全息具有抗撕毁性等优点,如能应用于太赫兹(THz)成像将具有重要意义。根据现有面阵探测器参数进行了2.52 THz傅里叶数字全息仿真实验,通过对目标分别添加高斯噪声和椒盐噪声后再现,研究了目标噪声对其影响。实验结果证明,高斯噪声方差小于0.20时,再现像虽然受到噪声影响但完全可以分辨,经过均值滤波和中值滤波后,图像轮廓变得清晰;当高斯噪声方差大于0.20时,再现像淹没在噪声中,滤波难以分辨出目标,且均值滤波比中值滤波效果好;当椒盐噪声密度为0.20时,目标的再现像被淹没,均值滤波和中值滤波均能使目标重新被观察到,且均值滤波效果相对较好。     

基于Shearlet变换域图像噪声混合滤波方法

在深入分析Shearlet变换理论的基础上,给出具体的Shearlet变换步骤,并提出一种针对图像脉冲噪声的混合滤波方法.该方法首先对噪声图像进行Shearlet多尺度变换,获得高频和低频系数,保留低频系数不变;然后针对Shearlet高频系数能够较好地刻画噪声局部化的性质,设计出一种多尺度、多方向特性的串/并联自适应中值滤波器,对高频系数中噪声进行自适应检测和滤除;最后实现低频系数和滤波后高频系数重构.通过与小波阈值法去噪和开关中值滤波法仿真实验比较可知,该滤波方法对于高强度的脉冲噪声具有较好的处理效果.     

基于小波域的红外图像序列噪声分析与去噪

由于相同的去噪方法对不同噪声类型的去噪效果不一样,采用基于小波域的图像噪声类型识别方法,利用小波高频子带系数的直方图识别了图像的两类主要噪声：高斯噪声和椒盐噪声.对红外图像系列的噪声进行了分析,长波红外图像主要受到高斯噪声干扰,中波红外图像主要受到椒盐噪声干扰.提出了一种改进的小波全局阈值去噪方法.仿真实验表明,该方法较传统方法的PSNR提高了2~3 dB,处理速度较快.