一种滤除椒盐噪声的改进的中值滤波算法

根据数字图像中椒盐噪声像素的特点,提出了一种非常有效的椒盐噪声检测算法：两极门限检测法,并通过实验验证了该算法的有效性。在两极门限检测法基础上,本文进一步提出了一种改进的中值滤波算法,该算法能够有效地滤除数字图像中的高密度椒盐噪声,同时尽可能地保留图像细节。     

基于信号分析的椒盐噪声滤波算法

椒盐噪声对图像造成或亮或暗的像素点,从视觉上影响图像的质量。采用基于信号分析的方法去除图像中的椒盐噪声,信号分析能准确判断出噪声与信号像素,该方法依据椒盐噪声模型准确区分信号与噪声,对信号像素给予保留,而对于噪声像素则有针对性地对其作中值滤波、扩大的中值滤波或均值滤波。实验结果表明,与线性加权、梯度倒数加权以及小波去噪算法相比,文中算法能有效降低图像中的椒盐噪声,对图像的边缘与细节保持较好,并且能得到较高的信噪比。     

GPU实现的椒盐噪声自适应中值滤波算法

提出了一种基于先检测、后滤波的椒盐噪声滤除GPU实现算法。该算法首先依据椒盐噪声的特征,将图像像素分为噪声和信号,然后对噪声像素作标准中值滤波,如果中值为信号,则用中值代替噪声像素灰度值;如果中值为噪声,则取中值邻域,如果中值邻域为信号,则用它代替噪声像素灰度值;否则扩大邻域窗口,重复算法。但随着图像规模的增大,在CPU上执行的时间显著增加。分析并利用图形处理器（GPU）的并行处理特征,并在GPU上实现了本文算法。实验结果表明所提出的算法较经典的自适应中值滤波算法有较好的去噪效果和边缘保护能力,并且随着图像规模的增大,算法执行时间较CPU可以提高最多3个数量级。     

一种有效去除椒盐噪声的滤波算法

文章在已有极值中值滤波算法的基础上,提出一种改进的滤波算法.该算法对于不同密度的椒盐噪声采用了不同的滤波方法.在噪声密度较低时,采用有效信号的均值滤波;在噪声密度较大时,采用递归方式进行滤波.经过大量实验证明,该算法在滤除椒盐噪声能力和细节保护能力方面均有较大提高.     

一种改进的加权滤波去噪算法

噪声图像的恢复是影响图像信息的一个重要因素,提出了一种新的滤波算法,该算法首先利用阀值把噪声和图像像素区分开来,再对像素进一步区分出脉冲噪声和图像像素,最后对脉冲噪声用改进的加权中值滤波器滤波。仿真结果表明,该方法对脉冲噪声有很好的抑制作用,而且较好地保存了图像细节和结构信息,证明该方法具有实用性和有效性。     

一种图像混合噪声滤波算法

高斯噪声和脉冲噪声同时出现在一幅图像中的情况较为常见,单独使用均值滤波和中值滤波得不到令人满意的效果。将传统的方法结合起来,提出多级中值滤波与小波阈值滤波相结合,在滤除噪声的同时尽可能保护图像的细节。实践证明,该方法效果较好。     

一种图像椒盐噪声自适应滤除算法及研究

在已有极值中值的滤波算法的基础上,提出一种自适应滤波算法.该算法对于不同椒盐噪声密度采用不同滤波方法,在噪声密度较低时,采用同时考虑灰度差值和空间距离的自适应权重函数进行滤波,在噪声密度较大时,采用递归方式进行均值滤波.实验证明,该算法在滤除椒盐噪声能力、细节保护能力方面均有较大提高.     

一种用于去除图像椒盐噪声的滤波算法

由于图像在获取、传输等过程中会受到各种噪声的影响,而在大多数应用中,又需要清晰的、高质量的图像,所以图像去噪是图像预处理中一项重要任务.图像中所含的噪声有很多种,椒盐噪声是其中最常见的一种.针对图像中所含的椒盐噪声,提出了一种改进的滤波去噪算法.实验结果表明,与其他常见滤波方法相比,改进算法简单有效.     

改进自适应中值滤波算法研究

重点介绍了自适应中值滤波算法以及两种改进的自适应中值滤波算法。针对这3种滤波算法,对含有不同密度椒盐噪声的图像进行去噪实验。结果表明:改进算法去噪效果明显、能有效保护图像细节,PSNR保持在25 d B以上;改进算法在高密度噪声时也能得到细节较为清晰的图像,PSNR比改进前的提高17 d B以上。     

基于相关度预测的椒盐噪声自适应滤除算法

在分析现有的细节保护滤波算法的基础上,提出了一种基于相关度预测的图像椒盐噪声自适应滤除算法。对于信号像素,保持灰度值不变。对于噪声嫌疑像素,利用对邻域灰度相关量化分析和定义的灰度相关函数作为信号邻域相关性的度量,并将该系数作为预测滤波算法的阈值进行判别。根据像素被判定为噪声或有效信号的概率,自行调整滤波强度,减少图像滤波处理中的细节损失。实验表明,该算法的噪声滤除能力、细节保护能力以及运算效率都可以得到满意的结果。     

广义离散随机系统的Kalman滤波的自适应算法

用现代时间序列分析方法，提出一类广义离散随机系统的自适应稳定态KaIman滤波算法，并给出了一个仿真例子．     

Direction-Based Adaptive Switching Filter for Removing High-Density Impulse Noise

A direction-based adaptive switching(DBAS) filter is presented for the removal of high-density impulse noise in images. The extrema detection and 28-directional detection are employed to discriminate the pixels as noisy or noise-free. If a pixel is classified as noisy, it will be replaced by a median or a mean value within an adaptive filter window with respect to different noise densities. Simulation results show that the miss-detection ratio and false-alarm ratio are both very low even at noise level as high as 90%. At the same time, better results are obtained in terms of the qualitative and quantitative measures. The peak signal-to-noise ratios increase by nearly 1 dB compared with other existing algorithms. In addition, the computation time is around 10 s for test images with resolutions of 512×512since the proposed approach has low complexity.     

自适应滤波器在噪声对消中的应用

论述了自适应滤波器及LMS算法的工作原理,介绍了其在噪声对消方面的应用,并用MATLAB进行了仿真验证,结果表明该方法具有较好的消噪效果.     

自适应滤波器算法的DSP实现

文章主要论述了自适应滤波器的原理和算法，并介绍使用DSP来实现算法，及使用DSP的开发工具。     

自适应滤波技术在噪声干扰抵消中的应用研究

本文对自适应噪声干扰抵消原理进行了介绍,重点对其中的关键技术——自适应滤波进行研究。编程实现了LMS、NLMS、DCT-LMS和RLS等几种自适应滤波算法,从收敛速度、运算量等方面对各算法进行对比分析,并进行了自适应干扰噪声抵消的仿真实验,从而总结归纳出不同算法的适用范围和优缺点,为在实际应用中使用自适应噪声抵消技术选择合适的算法提供参考。     

自适应调整窗口维度的动态中值滤波算法

经典中值滤波算法在不同噪声密度下为了得到最优滤波效果,需手动调节滤波窗口大小,同时在滤波过程中会对图像细节造成二次污染.针对这一问题,提出一种基于椒盐噪声密度、自适应调整中值滤波窗口的算法,首先估计出图像噪声密度,再确定传统中值滤波在不同噪声密度下,对应的最优窗口维度,并建立函数关系,利用函数关系自适应调整窗口维度,最后将椒盐噪声图像的待修复像素值替换为滤波修复后的像素值,防止细节被模糊化.实验显示,噪声密度估计的误差在3%范围内波动;采用四舍五入的方法使算法能够自适应匹配到最优滤波窗口,再对噪声分离处理,使得中值滤波对图像的细节保护更加完整.