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。     

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CUDA的高速并行均值滤波算法

分析了均值滤波算法的并行特性,提出了一种基于计算统一设备架构（CUDA）的均值滤波图形处理单元（GPU）并行算法。算法首先依据椒盐噪声的特征,建立信号点标记矩阵;其次计算信号密度,并确定滤波半径;最后仅处理噪声像素,用其邻城内信号点像素灰度的均值代替它。实验结果表明,随着图像尺寸的增大,该并行算法相比串行算法速度,可以获得300倍以上的加速比。     

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。     

基于中值滤波的椒盐含噪图像去噪方法

为了有效地去除图像中的椒盐噪声,提高图像的质量,利用中值滤波算法进行去噪处理.分析了椒盐噪声的特性,阐述了中值滤波算法的去噪原理和优缺点.通过实验从主观评价和客观评价两方面对比了中值滤波和几种典型的图像去噪方法对椒盐噪声的去噪效果,并进一步分析了不同窗口大小的中值滤波对椒盐噪声的去噪效果.实验结果表明,中值滤波算法能很好地去除图像中的椒盐噪声.     

一种自适应的高密度椒盐噪声滤波算法

针对传统中值滤波器在滤除大密度脉冲噪声时不能保护细节的问题,对高密度椒盐噪声滤波算法及其改进算法研究的基础上,提出了一种自适应的高密度椒盐噪声滤波算法。首先对噪声进行判别,计算噪声的浓度,针对不同的密度,使用不同的滤波方法。对受不同密度(≥0.5)椒盐噪声污染图像的试验结果表明,该算法在滤除噪声的同时很好的保护了细节,取得了良好的滤波效果。     

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.     

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.     

自适应加权中值滤波图像去噪算法

中值滤波是常用的降噪算法，本文提出了一种基于窗口拟合曲线的斜率信息的自适应加权算法。该算法具有较好的边缘保持特性及去噪性能。     

基于GPU加速的光线跟踪渲染算法研究

分析了光线跟踪渲染算法在GPU上实现的流程;设计了CUDA平台上基于BVH加速结构的光线跟踪渲染引擎,针对CUDA架构的特点重新设计了BVH遍历算法和间接反射计算算法;并在四个场景和两种分辨率下针对GPU和CPU实现进行了详细对比测试。通过分析实验结果,基于GPU加速的光线跟踪算法在不同复杂度的场景下相比其CPU实现都有较高的性能提升。     

基于集内离散度噪声检测的自适应中值滤波的研究

传统中值滤波对所有像素采用同一的处理方法,导致图像细节信息丢失严重。依据噪声分布特征,设计了基于集内离散度的噪声检测器,并结合自适应中值滤波,实现有针对性的噪声过滤,减少非噪声信息丢失。实验证明,该算法具有较高的消除脉冲噪声和保留细节信息能力。     

一种概率密度的中值滤波算法

提出了一种新的图象噪声消除算法,该方法可以快速有效地去除图象中的脉冲噪声,并保留图象的细节.该算法主要通过利用象素点的值在滤波窗口出现的概率密度信息,进行噪声的判定及滤波过程的介绍,对本算法进行了分析仿真,结果表明该算法去除噪声与保留细节的效果好,且运算速度较快.     

Modified Adaptive Weighted Averaging Filtering Algorithm for Noisy Image Sequences

In order to avoid the influence of noise variance on the filtering performances, a modified adaptive weighted averaging (MAWA) filtering algorithm is proposed for noisy image sequences. Based upon adaptive weighted averaging pixel values in consecutive frames, this algorithm achieves the filtering goal by assigning smaller weights to the pixels with inappropriate estimated motion trajectory for noise. It only utilizes the intensity of pixels to suppress noise and accordingly is independent of noise variance. To evaluate the performance of the proposed filtering algorithm, its mean square error and percentage of preserved edge points were compared with those of traditional adaptive weighted averaging and non-adaptive mean filtering algorithms under different noise variances. Relevant results show that the MAWA filtering algorithm can preserve image structures and edges under motion after attenuating noise, and thus may be used in image sequence filtering.     

基于改进自适应TV模型的全自适应去噪算法

为使保边性更好的去噪模型在邻近图像边缘处得到应用,同时在图像平坦处得到平滑性更好的模型,解决选择单一的正则项系数对图像处理结果造成的不良影响,有效地自适应选取正则项系数,采用基于小波变换的图像分割技术将图像分为边缘区域和平坦区域,通过修改TV模型的数值解法和ROF算法,实现自适应正则项系数算法。实验结果表明,改进的模型和自适应正则项系数选取算法得出的图像,均方误差为56.69,峰值信噪比为31.00,平均相似度为0.84。改进的TV模型在图像去噪效果方面优于原模型,自适应正则项系数算法能够弥补原图像去噪方法的不足。     

数字图像噪声抑制算法比较研究

图像噪声抑制是图像处理的一个不能忽视的重要步骤,对图像处理的后续工作有着不可忽视的影响。为此,介绍三种经典的图像噪声抑制滤波方法,并讨论均值滤波方法、中值滤波方法及维纳滤波方法的典型运用,同时进行对比分析,最后得出这三种方法各自的自适应特点。     

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.