四川轻化工大学 自动化与信息工程学院, 四川 宜宾 644005
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30 dB。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。
椒盐噪声 图像去噪 噪声检测 图像细节 图像滤波 salt and pepper noise image denoising noise detection image detail image filtering
1 大连大学, 辽宁省北斗高精度位置服务技术工程实验室, 辽宁 大连 116622
2 大连市环境感知与智能控制重点实验室, 辽宁 大连 116622
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。
图像处理 椒盐噪声 迭代自适应中值滤波 整滤波窗口 运行时间 image processing salt and pepper noise iterative adaptive median filtering filtering window running time
1 上海出版印刷高等专科学校, 上海 200093
2 河南工程学院 材料与化学工程学院, 郑州 450001
鉴于开关中值滤波在椒盐噪声检测和去除方面的应用合理性, 本文分别设计实现了基于信号局部差异性和基于信号方向差异性的椒盐噪声检测算法。这两种算法均属于二级噪声检测方法, 且第一级检测手段都是基于灰度范围准则。两种算法的不同点主要体现在第二级检测算法上, 前者基于局部差别准则, 后者基于方向差别准则。在方法评价部分, 首先通过分析和实验确定两种算法的最优参数设置; 然后通过对不同噪声密度的测试图像去噪来评价两种算法的去噪效果。结果表明: 基于方向差异性的算法比基于局部差异性的算法具有更好的性能, 且两种算法的去噪效果都与噪声密度成反比。需要注意的是, 这两种算法都容易将图像中的细微边缘或细节像素误判为噪声点, 即在噪声的检测过程中, 只能避免对图像中主要边缘和轮廓像素的误判, 还无法对图像中的细微边缘和细节进行精确判定, 这也是开关二级噪声滤波算法今后的主要改进方向。另外, 算法效率测试结果表明两种算法具有相似的计算时间, 从而验证了两者之间的算法结构相似性。
图像去噪 椒盐噪声 开关二级检测 图像边缘 图像细节 image denoising salt and pepper noise switch two-stage detection image edge image detail
上海理工大学 光电信息与计算机工程学院, 上海 200093
图像清晰度评价函数是评价各类成像系统成像质量的一个关键函数,为找到合适的图像清晰度评价算法,采用MATLAB软件对16种适用于光学显微成像系统的清晰度评价函数进行仿真,定量分析了不同算法的灵敏度、单峰性、无偏性以及运算速度。实验表明:Laplacian函数具有较高的单峰性、无偏性和灵敏度;存在高斯噪声时,Brenner函数、Tenengrad函数和基于Prewitt算子的函数以及中值滤波-离散余弦函数稳定性好;而存在椒盐噪声时,Roberts函数综合性能最优。
清晰度评价函数 高斯噪声 椒盐噪声 Laplacian函数 sharpness function Gaussian noise salt and pepper noise Laplacian function
数字图像以其信息量大、传输速度快、作用距离远等一系列优点成为人类获取信息的重要来源。但和所有其他的信息传输方式一样,数字图像技术也会受到噪声的干扰,在这种前提下,各种各样的去噪方法层出不穷。提出了一种新颖的图像椒盐噪声的非线性自适应统计滤除法。并通过实验数据证明了该算法简单易行,滤波效果稳定。
加噪 去噪 椒盐噪声 自适应 统计滤波 noisy image denoise pulsing noise self-adaption statistics filtering
1 中国航空工业集团公司洛阳电光设备研究所,河南 洛阳 471000
2 中国人民解放军驻六一三所军事代表室,河南 洛阳 471000
提出一种去除椒盐噪声的自适应云理论滤波算法,该算法采用云的极大判定法则将图像中的像素分类为噪声点和信息点。对检测出的噪声点,利用周围信息点通过自适应云推理进行去除,信息点保持其灰度值不变直接输出。实验结果表明,该算法能有效去除椒盐噪声,保护图像细节,尤其在高强度噪声下,优势突出,较传统中值滤波及其改进算法有更好的滤波性能。
图像处理 椒盐噪声 噪声检测 噪声去除 自适应 云理论 image processing salt and pepper noise noise detection noise removal adaptation cloud theory
广东工业大学 自动化学院, 广东 广州 510006
应用传统数字图像相关方法进行变形场分布测量时, 很难精确处理带有椒盐噪声的数字图像。本文利用斯皮尔曼秩次(SR)相关系数对于椒盐噪声鲁棒的特点, 提出了一种基于SR的数字图像相关算法。根据SR均值统计特征, 当椒盐噪声密度足够小时, 二元高斯混合模型数据的SR相关系数主要由散斑图像母体之间的相关系数决定。为了验证SR在椒盐脉冲噪声情况下的稳健性, 采用可精确控制的模拟散斑图像进行了仿真, 然后在三维扫描系统中使用SR相关技术计算出扫描数据的偏差。可控压缩散斑变形仿真表明, 当椒盐噪声密度小于25%, 计算子块大小为41 pixel×41 pixel时, SR数字图像相关仍可计算出精确的变形。将该算法应用于计算激光扫描纹理数据之间的偏差, 结果显示, 整体变形为4 μm时, 相关系数为0.996 6, 表明SR相关系数具有较强的稳健性, 在椒盐噪声下可用数字图像相关方法进行变形场分布测量。
数字图像相关 椒盐噪声 斯皮尔曼秩次相关系数 变形场分布 digital image correlation pepper and salt noise Spearmans rho correlation coefficient deformation field distribution
1 中国科学院 长春光学精密机械与物理研究所航空光学成像与测量中国科学院重点实验室, 吉林 长春 130033
2 中国科学院大学, 北京 100049
分析了中值滤波及其改进型算法在处理高密度椒盐噪声时效果不理想的原因, 采用变分修复方法来去除高密度椒盐噪声, 基于现有的全变差修复模型提出了非局部全变差修复模型。 该模型利用椒盐噪声特点(均匀分布、灰度值为0或255), 将噪声点看成是图像中遗失或是破损的点, 首先在图像中寻找与噪声点邻域相似的区域, 将相似区域的中心像素作为噪声点新的邻域然后对其插值, 把图像降噪问题转化为图像修复问题, 从而达到去除高密度噪声的目的。实验结果表明: 该模型对噪声密度为90%的彩色和灰度图像去噪后, 其峰值信噪比为2285和2877, 在客观评价标准方面优于中值滤波及其改进型算法。该模型能有效去除高密度下的椒盐噪声并较好地恢复图像细节, 为图像去除高密度噪声提供了一种新的途径。
图像去噪 图像修复 椒盐噪声 中值滤波 非局部变分修复 image denoising image inpainting salt and pepper noise median filtering non-local variational inpainting
1 山东方圆建筑工程检测中心, 山东 济南 250100
2 山东电力科学研究院, 山东 济南 250002
去除图像中的椒盐噪声可转化为二维曲面的重建问题。选用Multi-Quadric函数对图像中损失的信息构造插值格式,自动选择待插值点和插值参考点并求解插值方程组得到处理后的图像。实验证明,本方法可以在很少破坏图像细节的情况下去除大部分甚至全部噪声,并且在噪声密度非常大的情况下仍然可以还原相当多的图像信息。对噪声密度为50%和90%的单色Lena图像进行处理,该方法得到的信噪比比自适应中值滤波高6dB以上。
径向基函数 LDLT分解 椒盐噪声 信噪比 radial basis function LDLT decomposition salt and pepper noise SNR
