基于邻域均值的去椒盐噪声算法

为了改善图像效果,利用图像邻域相关性提出了一种适用于椒盐噪声的图像去噪滤波算法.首先利用最大最小法则检测出被椒盐噪声污染的像素点,然后将被污染像素点邻域中的8个像素点按距离远近分为两类,最后利用近距离邻域中未被污染像素灰度值的均值重构图像灰度值.当近距离邻域像素全部被污染时,以远距离邻域中未被污染像素灰度值的均值代替该点的灰度值.仿真结果表明,该算法具有较大的峰值信噪比,能有效地抑制椒盐噪声并保护图像的细节.     

一种混合噪声图像去噪的平滑算法

提出了一种新的混合滤波算法,对混有高斯和椒盐噪声的图像进行去噪处理.该算法首先对受椒盐噪声污染的像素点,采用自适应中值滤波算法进行去除;然后利用高阶统计量针对高斯噪声的不敏感特性,对受高斯噪声污染的像素点,采用其周围梯度和最小的几个点的灰度平均值来代替其灰度值去除噪声.实验结果表明,该算法能够在去除高斯和椒盐噪声的同时,保留更多的图像细节信息,特别是对感染较大噪声的图像有更好的去噪效果.     

基于改进PCNN模型的椒盐噪声级化滤波方法

为有效滤除椒盐噪声同时保留图像的灰度细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN简化模型进行一次点火过程,定位灰度图像中被噪声污染和未被噪声污染的像素点,然后采用提出的级化中值滤波算法对已定位的噪声点进行滤波而保持其他像素点不变.仿真实验表明,提出的方法对不同强度的椒盐噪声图像均有较好的滤波性能.比较已有的滤波算法,该算法能在高噪声强度时有效滤除噪声并同时很好地保留图像的边缘细节,实验结果证明了算法的有效性.     

一种基于邻域信息的椒盐噪声滤波算法

中值滤波是最早提出的一种有效抑制椒盐噪声的滤波算法，但其最大的缺点是模糊了细节部分．提出了一种改进的中值滤波算法，根据待测点与相邻像素点之间灰度值的相似性来区分噪声点与图像点，对噪声点应用中值滤波，而对图像点保留其灰度值不变，该算法在有效抑制椒盐噪声的同时能很好地保护细节．     

基于改进PCNN模型的对称中值滤波方法

为滤除灰度图像中椒盐噪声同时保留图像细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN模型执行一次点火操作从而定位灰度图像中噪声像素点位置,然后利用提出的对称检测中值滤波算法对已定位的噪声点进行滤波而其他位置像素信息保持不变.实验仿真表明,新提出的方法对噪声密度低于60%的椒盐噪声图像较已有的滤波算法有更优异的滤波性能.该算法能有效滤除噪声而且对图像的边缘细节保留完整,实验结果证明了算法的有效性.     

一种去除高密度椒盐噪声的非线性滤波算法

针对高密度椒盐噪声污染图像的去噪问题,提出了一种有效的非线性滤波算法。在噪声检测中利用域值划分法,先将噪声图像像素点分为信号点和准噪声点,建立噪声矩阵,然后再利用图像边缘特性及局部统计信息,进一步明确噪声点。对于噪声点,采用以该点为中心的多窗口像素点中值及该点像素值的中值进行替换。实验结果表明,该算法对较高密度椒盐噪声...     

一种基于极值的自适应中值滤波改进算法

提出了一种基于极值的自适应中值滤波改进算法,该方法可以有效地保护图像细节,并去除图像中的椒盐噪声.首先利用椒盐噪声的分布给出疑似噪声的判断标准,然后根据噪声密度自适应地确定滤波窗口大小,再采用一种新的算法进行滤波,最后将本算法与其他几种滤波算法进行对比,实验结果表明,本算法优于其他中值滤波算法.     

一种改进的椒盐噪声非线性滤波算法

针对灰度图像的椒盐噪声滤波问题,文章提出了一种改进的非线性滤波算法。该方法利用初始标记窗口的局部统计信息,首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点三类,而后逐次增大大标记窗口的范围,将判定结果进行多分类器融合,最终建立噪声标记矩阵;然后再根据噪声标记矩阵的局部统计信息,将可能的噪声点细分为信号点、噪声点和不确定点,并分别采用不同的方法进行滤波,从而保留更多的图像细节。实验结果表明,本文算法在去噪能力以及保留图像细节等方面都明显优于其他两种方法,尤其对于噪声重度污染图像效果更为明显。     

基于改进的灰色关联去混合噪声滤波算法

为了滤除数字图像中同时混有的椒盐噪声和高斯噪声,提出了一种改进的基于灰色关联去混合噪声滤波算法.算法先将滤波窗内噪声点划分两个集合:一个是纯椒盐噪声点和被高斯噪声污染的类椒盐噪声点集合S,一个是被高斯噪声污染的纯高斯噪声点集合P.对滤波窗中心噪声点进行分类平滑处理,如果滤波窗中心点为第一类,用P中像素点的中值作为参考值...     

结合循环迭代方法的自适应中值去噪新模型

针对传统去除椒盐噪声方法在图像噪声密度较高时去噪性能较差的缺点,本文提出了一种结合循环迭代方法的自适应中值去噪新模型,提高了高密度椒盐噪声下去噪算法的性能.该滤波器工作模式可分为三个阶段：首先,图像疑似噪声点预处理,通过极值判断法,将待处理像素点进行区分得到疑似噪声点;其次,确定噪声点处理,将已确定噪声点用邻域内的中值或均值自适应替换,从而完成去噪;最后,疑似噪声点再次处理,通过算法内置参数和条件,进一步判断疑似噪声点是否为噪声点.该模型还加入噪声标记点方法,通过迭代处理判断标记点结束去噪,得到滤波后的图像.仿真实验证明,本文提出的方法较传统的几种去除椒盐噪声滤波算法,针对无论是低密度噪声图像或是高密度噪声图像,去噪性能都有一定的提升,且能够较好地保留图像边缘和纹理等结构信息.