基于模糊理论的椒盐噪声滤波算法

针对图像中的椒盐噪声,基于模糊理论设计了一种滤波算法。首先结合椒盐噪声特点,借助窗口进行噪声检测,其次设计了自适应的方法消除噪声,最后采用图像进行实验,定性和定量分析结果表明该方法对于椒盐噪声的消除可行有效。     

基于支持向量机的椒盐噪声去除方法

针对自然图像中相邻像素的相关性及其椒盐噪声的特点,提出了一种基于支持向量机的椒盐噪声消除方法。该方法应用支持向量机的学习机制对图像灰度曲面进行最佳拟合,并从训练样本中提取支持向量与相应的决策函数,最后根据决策函数在拟合曲面上进行噪声像素点的灰度值预测,从而恢复噪声点的原始信号。通过与传统的中值滤波和均值滤波进行实验对比,提出的方法可有效地去除椒盐噪声,同时最大限度地保留图像的细节信息,尤其对高密度椒盐噪声图像的处理效果更为理想。     

图像中椒盐噪声去除算法研究

为了有效地去除数字图像中的椒盐噪声,提高图像质量,本文 在分析一些典型消除噪声方法的基础上,给出了一种新的椒盐噪声去除算法。首先,针对椒 盐噪声的特点,设计了一种基于动态窗口和邻域像素统计信息的噪声检测算法,有效地区分 了噪声点与非噪声,然后对检测出的噪声点,采用改进的自适性的中值滤波算法进行噪声滤 除,在滤波算法中加入了窗口大小自适应控制和滤波值调优策略。实验表明：该方法不仅能 去除图像中的椒盐噪声,而且能有效地保护图像的细节特征,对于高密度噪声的图像去 除噪声的效果比其他方法更优。     

基于多级中值滤波的严重椒盐噪声污染图像恢复

文章提出了一种用于基于多级中值滤波的严重椒盐噪声污染图像恢复的方法.该算法首先用多级中值滤波对图像进行滤波,然后用噪声定位技术将滤波后的图像像素点分为噪声和信号点两类,建立噪声标记矩阵,进而对噪声点进行噪声消除,对非噪声点保持原值不变,从而实现噪声污染图像恢复.实验结果表明,本算法对于噪声浓度大于40%的污染图像去除噪声及保留细节等方面的效果非常显著,尤其对于严重椒盐噪声污染图像.     

一种新的去除视觉文本图像椒盐噪声的算法

针对视觉文本图像,在获取、处理、传输中产生的椒盐噪声,提出一种基于文字笔画特性消除椒盐噪声的新算法。该算法智能判断被处理像素及其邻域内的像素点是否为噪声,从而有效地把文字目标和椒盐噪声加以区分。实验结果显示,相比传统的去噪和平滑算法,该方法能准确地抑制噪声,同时避免了对文字笔画的影响,减少了对后继识别的干扰。     

一种混合噪声滤除方法

传统的混合噪声滤除算法都存在各种不足.本文提出了一种新的基于灰度极值点检测的混合噪声去除方法.首先,该算法在保留图像特征的同时用基于噪声点检测的中值滤波消除椒盐噪声.其次,当椒盐噪声的污染程度低于某设定的阀值时,算法进入高斯噪声滤除阶段.     

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。     

噪声图像边缘检测方法的研究*

对图像中常见的高斯噪声和椒盐噪声的特性进行了分析,对含有这两种噪声的数字图像的边缘检测方法进行了研究,尤其对基于顺序形态学的噪声图像边缘检测方法进行了深入的分析研究,基于顺序形态学理论提出了针对分别含有高斯噪声和椒盐噪声的图像边缘检测方法。通过仿真验证表明,对于含有以上两种噪声的图像,提出的方法不仅能够去除噪声而且能够提取出准确清晰的边缘。     

自适应线性预测图像椒盐噪声去除方法

针对灰度图像中的椒盐噪声,提出了一种基于自适应权值与线性预测方法相结合的噪声去除方法。用椒盐噪声模型确定图像中的噪声点,以及噪声点所在滤波窗口内的噪声密度,在密度较小时利用设计的权值函数进行加权平均计算,以达到去噪声的目的;在噪声密度较大时,利用线性预测方法预测噪声点所在位置的灰度值,以实现去噪。对于非噪声点像素则不做处理,较好地保持了图像的细节。实验结果表明,与同类方法相比,此方法有良好的去噪性能。     

基于噪声分析的椒盐噪声降噪处理方法

针对传统的中值滤波降噪方法不能有效去除图像中的椒盐噪声,提出基于噪声分析的椒盐噪声降噪处理方法。算法根据椒盐噪声仅仅改变图像部分像素值为0和255、其余像素并未改变的特点,首先判断图像的噪声点和信号点,针对噪声点,统计邻域中信号的个数,然后根据信号的个数决定采用某个邻域的中值去代替噪声点,从而达到去除椒盐噪声的目的。仿真实验表明,该算法能有效去除图像的椒盐噪声并较好地保留图像的边缘细节信息。     

基于位函数最优迭代的椒盐噪声滤波算法

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,提出了基于位函数最优迭代 的椒盐噪声滤波算法。利用位函数的细节保证性能,最大限度地恢复图像的细节信息,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及较好的滤波效果。     

基于POCS算法的图像超分辨率重建

传统POCS算法对图像进行超分辨率重建时,一般都假设所处理的噪声为零均值的加性高斯白噪声,当噪声为非高斯噪声如椒盐噪声时,POCS算法的重建效果将会下降.针对这一问题,本文对含噪图像首先采用平稳离散小波变换技术进行去噪预处理,然后再用POCS算法重建图像.实验证明,此方法对信噪比较低的图像有很好的重建效果,对高斯及椒盐等噪声处理比较有效.     

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。     

基于相关系数模型的新型滤波算法*

针对椒盐噪声滤除问题,提出了一种新的滤波算法：对输入图像进行基于欧氏距离的相关系数建模,利用信号阈值判决区间将像素点分为信号点和噪声点,在相关系数模型下搜索相关性最大的信号点对噪声点进行恢复,信号点不作处理。实验结果表明,该算法对椒盐噪声的消噪性能较其他算法有较大提高。由于对基于窗口的传统操作模式进行了改进,该算法在90%的高密度噪声环境下仍具有较好的滤波性能。     

一种简单的椒盐噪声滤波算法

文章提出了一种基于先定位、后滤波思想的椒盐噪声滤除算法。该算法根据噪声特点,将图像像素分为信号像素或可能的噪声像素两种类别,对于可能的噪声像素,采取去噪中值滤波算法进行滤波,而对于信号像素则不做任何处理,以保留更多的图像细节。文中给出了标准的中值滤波算法、极值中值滤波算法和该文的算法的比较实验,结果表明,该文算法对噪声高度污染图像的去噪能力明显比其它两种算法强,且能较好地保留图像细节。     

改进椒盐去噪方法在井下图像中的应用

为了提高井下图像采集的质量,针对目前改进中值滤波算法的优缺点,提出了一种新的去除井下图像椒盐噪声的算法。该算法首先判断出图像中的噪声点和非噪声点,然后根据窗口内噪声点的密度大小自适应地确定滤波窗口的大小,并按照一定的规律赋予窗口内像素点不同的权重,最后采用加权中值方法处理图像中的噪声点。计算机模拟实验证明该方法不仅能有效地去除不同密度的椒盐噪声,而且能很好地保持图像的细节,滤波效果比已提出的中值滤波算法更好。     

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BPANN噪声检测的反距离加权法滤除椒盐噪声

针对传统方法滤除高密度椒盐噪声出现模糊和图像细节丢失的问题,提出基于BP神经网络噪声检测的反距离加权插值法(IDWF)滤除椒盐噪声。该算法共分为两步。第一步,使用有监督学习的BP神经网络检测出被椒盐噪声污染的像素点并标记。第二步,使用反距离加权插值法对标记后的噪声图像进行重建。实验结果表明,该算法要优于传统的滤波方法,修复后的图像能够保留更多的细节,拥有更高的峰值信噪比和结构相似性指数,特别是对高密度噪声图像的修复有很好的效果。     

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.