CN108416740A - 一种消除椒盐噪声的迭代自适应中值滤波算法 - Google Patents
一种消除椒盐噪声的迭代自适应中值滤波算法 Download PDFInfo
- Publication number
- CN108416740A CN108416740A CN201810058682.XA CN201810058682A CN108416740A CN 108416740 A CN108416740 A CN 108416740A CN 201810058682 A CN201810058682 A CN 201810058682A CN 108416740 A CN108416740 A CN 108416740A
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- image
- salt
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 75
- 239000006002 Pepper Substances 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 title claims abstract description 27
- 150000003839 salts Chemical class 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000011017 operating method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 235000002566 Capsicum Nutrition 0.000 abstract description 4
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 4
- 235000017804 Piper guineense Nutrition 0.000 abstract description 4
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 9
- 241000722363 Piper Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明属于数字图像处理领域,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,本发明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%到99%的图像,与标准中值滤波及其四种改进算法相比,本发明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。
Description
技术领域
本发明属于数字图像处理领域,具体涉及一种消除椒盐噪声的迭代自适应中值滤波算法。
背景技术
椒盐噪声是数字图像处理中的一种典型噪声,通常是由图像采集设备故障或信号传输过程错误而产生。椒盐噪声会导致图像受损像素取最大或最小灰度值,从而造成图像细节丢失和质量下降,进而极大影响后续图像处理效果。因此,利用高效噪声消除算法对含有椒盐噪声的图像进行降噪预处理显得尤为重要。
近些年来,许多有效的图像降噪算法相继被提出。Tukey等人首先提出一种非线性中值滤波器(MF),可有效滤除噪声密度低于20%的噪声,但噪声密度高于20%时,利用该算法所得去噪图像的细节信息丢失严重,算法去噪性能较差。为改善高密度噪声下去噪效果,Shrestha S等人提出一种自适应中值滤波器(AMF),基于预定义窗口尺寸阈值动态调整滤波窗口尺寸,对高密度噪声有较好滤波效果,但该算法使用固定窗口尺寸阈值,对不同噪声密度图像无法自适应调整阈值,而且逐次加大窗口尺寸不仅耗时,还会导致图像模糊。此外,上述算法均没有将噪声像素和非噪声像素区别处理,因而不可避免地损坏非噪声像素。基于此,Srinivasan K S等人提出一种基于决策的中值滤波算法(DBMF),该算法首先识别噪声像素,即如果像素值位于0和255之间,则保持原值,否则,使用3×3窗口内中值像素进行替换,从而显著改善算法去噪性能。然而,噪声密度较高时,中值将为噪声像素0或255,这种重复的邻域像素替换会产生条纹效应,因此,该算法不能有效去除高密度椒盐噪声。针对此问题,Esakkirajan S等人提出一种基于改进决策的非对称修正中值滤波器(MDBUTMF),该滤波器对高噪声密度下3×3窗口像素均为0和255情况,计算窗口内像素均值进行替换,取得了较好滤波效果,但对于80%到90%高密度噪声图像,该算法不能有效去除局部高密度噪声。为更有效恢复被高密度椒盐噪声污染的图像,Das J等人提出一种选择性自适应中值滤波器(SAMF),该滤波器首先识别噪声像素,然后基于约束条件动态调整滤波窗口大小,直至获得合适中值以替换噪声像素,从而可显著提升高密度噪声下去噪性能。然而,该算法利用大尺寸窗口所得替换值不仅不能有效反映原始像素信息而且耗时。基于此,Kunsoth R等人提出一种基于改进决策的中值滤波器(MDBMF),该滤波器仅处理噪声像素并合理增加滤波窗口尺寸,可明显改善高密度噪声图像的去噪性能且运行速度较快。但是,该算法对局部高密度噪声采取保留原噪声像素操作,影响了算法去噪性能。
且上述椒盐噪声消除算法均基于遍历思想,即对图像中每个像素逐次滤波以得到去噪图像。与之相比,基于循环迭代思想,即对算法某次输出去噪图像进行迭代处理,则能更好恢复高密度椒盐噪声图像的原始细节信息。
发明内容
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,本发明提出一种消除椒盐噪声的迭代自适应中值滤波算法。
本发明所提迭代自适应中值滤波算法首先识别噪声图像中椒盐噪声,进而对噪声和非噪声像素区别处理以有效去除噪声。椒盐噪声识别方法如下:如果像素在最小灰度值0和最大灰度值255间,则被视为非噪声像素并保持原像素值;如果像素为最小灰度值0或最大灰度值255的椒盐像素,则该像素由IAMF算法处理。所提IAMF算法流程图如图1所示,具体步骤如下:
第一步:非噪声像素检测及处理
对于尺寸M×N的噪声图像X中待处理像素Pij,如果0<Pij<255,则像素Pij未被污染并保持原值输出;
第二步:噪声像素检测及处理
如果Pij=0或Pij=255,则像素Pij是椒盐像素;选定以Pij为中心的3×3滤波窗口W1,则W1中存在以下两种情况:
①非0和非255像素个数不为零,则消除W1中椒盐像素,取剩余像素中值输出;
②非0和非255像素个数为零,则运行步骤三;
第三步:噪声像素进一步处理
选定以Pij为中心的5×5滤波窗口W2,则W2中存在以下两种情况:
①非0和非255像素个数不为零,则消除W2中椒盐像素,取剩余像素中值输出;
②非0和非255像素个数为零,则暂取像素Pij值输出,存储像素Pij坐标(i,j)到坐标向量B,并取迭代标志位F=1;
至此,得到对图像每个像素逐次滤波后的去噪图像Y,存储残留椒盐像素坐标的向量B和迭代标志位F;
第四步:迭代滤波判断
判断是否进行循环迭代滤波:如果F=0,则图像Y不含椒盐像素,结束迭代并输出去噪图像Y;如果F=1,则图像Y仍含有椒盐像素并置F=0,进而判断坐标向量B元素个数是否等于图像X尺寸M×N,即判断图像是否被100%椒盐噪声污染,以免算法陷入死循环;若是,结束迭代,算法退化为标准中值滤波;否则,运行步骤五;
第五步:迭代滤波
将输出的去噪图像Y及坐标向量B分别赋值给缓存图像T和坐标向量B1,以避免迭代滤波过程所得最新去噪图像Y及坐标向量B干扰原始数据,进而对缓存图像T中被坐标向量B1记录位置的椒盐像素重复步骤二到步骤五,直至迭代标志位F=0,即完全消除图像X中椒盐像素。
本发明所提算法最大滤波窗口尺寸为5×5,这样不仅能有效利用噪声像素邻域内非噪声像素以最大程度恢复图像细节,还可克服滤波窗口过大造成替换像素不能有效反映原始像素以及耗时等缺点。此外,只要输出去噪图像Y含有椒盐噪声,所提IAMF算法可对之迭代处理直至完全消除椒盐噪声。需要注意的是,实际应用中存在被椒盐噪声100%污染的图像,即噪声图像仅含椒盐像素0和255,这将导致算法陷入死循环。因此,本发明所提算法通过设置约束条件以避免无限循环,并采用标准中值滤波算法处理该极端情况。
附图说明
图1为本发明实现的流程图;
图2为本发明所提算法示例;
图3为80%椒盐噪声Lena图像恢复;
图4为90%椒盐噪声Lena图像恢复;
图5为Lena图像PSNR和SSIM曲线。
具体实施方式
以下结合附图和具体的实施方式对本发明作进一步的说明。
本节以像素矩阵为例,详细阐述本发明所提算法的循环迭代处理思想和噪声滤除方法,以说明所提IAMF算法消除噪声的独特优势。
图2(a)模拟了被椒盐噪声污染的7×7示例图像X。对于X中非噪声像素P(1,1)=10,取原值输出;对于椒盐像素P(2,2)=255,取3×3滤波窗口并消除椒盐像素,得到一维数组[10 10 10 10 10],取中值10输出;对于椒盐像素P(3,3)=255,由于3×3窗口中非椒盐像素个数为零,故取5×5窗口并消除椒盐像素,得到一维数组[10 10 10 10 10 10 10 1010],取中值10输出;对于椒盐像素P(4,4)=255,由于5×5窗口中非椒盐像素个数为零,故取原值输出,置迭代标志位F=1并存储像素坐标(4,4)到坐标向量B;其余像素均按该算法处理得到经一次迭代滤波的去噪图像Y,如图2(b)所示。
由于迭代标志位F=1,故将输出图像Y及坐标向量B分别赋值给缓存图像T和坐标向量B1进行二次迭代滤波并置迭代标志位F=0,对于缓存图像T中唯一被坐标向量B1记录坐标位置的像素P(4,4),取3×3窗口中非椒盐像素中值10输出,得到最新去噪图像Y,如图2(c)所示。此时图像Y不含椒盐像素且迭代标志位F=0,故停止迭代并输出经两次迭代滤波的去噪图像Y。
本发明的有益效果可通过以下实验进一步说明:
实验条件:
为验证本发明所提算法去噪性能,实验选取标准图像库中的六幅图像,512×512Lena、720×576Boats、512×512Pepper、701×511Police、720×576Barbara和256×256Cameraman图像,并采用MF、AMF、MDBUTMF、SAMF和MDBMF算法,分别从去噪性能和运行时间两方面与所提IAMF算法进行对比。实验环境为Intel Core i5-6500CPU,3.20GHz,内存4GB,操作系统为64位Windows 10,仿真软件Matlab R2014b。
为定量评估所提算法去噪性能,本发明采用由Huynh-Thu Q等人定义的峰值信噪比(PSNR)及Wang Z等人提出的结构相似性指数(SSIM)作为评价指标,分别如式(1),式(3)所示:
其中,MSE表示均方误差,X是尺寸为M×N的原始图像,其均值方差分别为μX,σX 2;Y为对应的去噪图像,其均值方差可分别表示如下:μY,σY 2,σXY则为X,Y的协方差。此外,C1=(k1L)2,C2=(k2L)2是确保分母不为零的常数,L=255为像素最大值,k1=0.01,k2=0.03为默认常数。
实验内容:
实验1:对Lena图像分别添加密度为80%和90%的椒盐噪声,不同算法去噪效果如图3、4所示。由视觉效果对比可知,高密度噪声下,MF、AMF和MDBUTMF算法去噪性能较差。SAMF和MDBMF算法通过调整滤波窗口尺寸从而使得高密度噪声下去噪性能得以改善。然而,需要注意的是,这两种算法均基于遍历思想,故去噪图像仍不同程度地残留有椒盐像素,而本发明所提算法基于迭代思想,则可完全消除高密度椒盐噪声且能较好恢复图像细节信息。由此可知,本发明所提算法高密度噪声下去噪性能与其它五种算法相比改善显著。
实验2:对于椒盐噪声密度为10%到99%的Lena图像,不同算法的PSNR和SSIM值对比如表1、2所示,其对应的PSNR及SSIM曲线如图5所示。由表1、2及图5可知,MF和AMF算法去噪性能较差,这是没有将噪声像素和非噪声像素区别处理,从而损坏非噪声像素的缘故。对于评价效果更好的SSIM指数,MDBMF算法通过合理调整滤波窗口尺寸,其对密度低于80%噪声的去噪性能相比MDBUTMF和SAMF算法较好,但噪声密度更高时去噪性能相比SAMF算法稍差。所提IAMF算法基于循环迭代思想并合理调整滤波窗口尺寸,对密度低于70%噪声的去噪性能与MDBMF算法基本相同,而对密度高于70%噪声的去噪性能则明显优于其它五种算法。由此可知,所提IAMF算法在低噪声密度和高噪声密度条件下均有较好去噪性能。
表1不同噪声密度下PSNR对比
表2不同噪声密度下SSIM对比
实验3:为验证本发明所提算法对不同性质图像的去噪性能,实验选取标准图像库中的Boats、Pepper、Police、Barbara和Cameraman图像并在90%噪声密度下对不同算法SSIM值进行测试,结果如表3所示。由表3可知,所提IAMF算法滤波后去噪图像与原始图像结构相似性更高,且与输入图像性质无关。
表3 90%噪声密度下SSIM对比
实验4:选取标准图像库中的Lena图像以在上述计算平台上评估不同算法的运行时间,测试结果如表4所示。通过对比发现由于MF算法简单,其耗时最短,但该算法去噪性能较差。MDBUTMF和MDBMF算法基于遍历思想,平均耗时相对较短,然而其高密度噪声下去噪性能较差。本发明所提IAMF算法最大采用5×5滤波窗口,平均耗时远低于滤波窗口较大的AMF和SAMF算法,然而由于采用迭代思想,其平均耗时略高于MDBUTMF和MDBMF算法,但牺牲运算速度所换来的收益是所提IAMF算法不同噪声密度下去噪性能突出,因而所付出的时间代价是值得的。
表4 Lena图像运行时间对比
综上所述,本发明针对传统中值滤波算法滤波效果差的问题,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。该算法首先对噪声像素和非噪声像素区别处理以避免损坏非噪声像素,而后自适应调整滤波窗口尺寸并采用循环迭代思想处理噪声像素,从而保证完全滤除椒盐噪声及较好的细节恢复能力,进而可显著改善高密度椒盐噪声图像的去噪效果。仿真结果表明,对不同密度的椒盐噪声,与MF、AMF、MDBUTMF、SAMF和MDBMF算法相比,本发明所提算法具有更好的去噪性能及较快的运行速度。
Claims (1)
1.一种消除椒盐噪声的迭代自适应中值滤波算法,其特征在于:包括如下步骤:
第一步:非噪声像素检测及处理
对于尺寸为M×N的噪声图像X中待处理像素Pij,如果0<Pij<255,则像素Pij未被污染并保持原值输出;
第二步:噪声像素检测及处理
如果Pij=0或Pij=255,则像素Pij是椒盐像素;选定以Pij为中心的3×3滤波窗口W1,则W1中存在以下两种情况:
①非0和非255像素个数不为零,则消除W1中椒盐像素,取剩余像素中值输出;
②非0和非255像素个数为零,则运行步骤三;
第三步:噪声像素进一步处理
选定以Pij为中心的5×5滤波窗口W2,则W2中存在以下两种情况:
①非0和非255像素个数不为零,则消除W2中椒盐像素,取剩余像素中值输出;
②非0和非255像素个数为零,则暂取像素Pij值输出,存储像素Pij坐标(i,j)到坐标向量B,并取迭代标志位F=1;
至此,得到对图像每个像素逐次滤波后的去噪图像Y,存储残留椒盐像素坐标的向量B和迭代标志位F;
第四步:迭代滤波判断
判断是否进行循环迭代滤波:如果F=0,则图像Y不含椒盐像素,结束迭代并输出去噪图像Y;如果F=1,则图像Y仍含有椒盐像素并置F=0,进而判断坐标向量B元素个数是否等于图像X尺寸M×N,即判断图像是否被100%椒盐噪声污染,以免算法陷入死循环;若是,结束迭代,算法退化为标准中值滤波;否则,运行步骤五;
第五步:迭代滤波
将输出的去噪图像Y及坐标向量B分别赋值给缓存图像T和坐标向量B1,以避免迭代滤波过程所得最新去噪图像Y及坐标向量B干扰原始数据,进而对缓存图像T中被坐标向量B1记录位置的椒盐像素重复步骤二到步骤五,直至迭代标志位F=0,即完全消除图像X中椒盐像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058682.XA CN108416740B (zh) | 2018-01-22 | 2018-01-22 | 一种消除椒盐噪声的迭代自适应中值滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058682.XA CN108416740B (zh) | 2018-01-22 | 2018-01-22 | 一种消除椒盐噪声的迭代自适应中值滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416740A true CN108416740A (zh) | 2018-08-17 |
CN108416740B CN108416740B (zh) | 2021-09-14 |
Family
ID=63125983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810058682.XA Active CN108416740B (zh) | 2018-01-22 | 2018-01-22 | 一种消除椒盐噪声的迭代自适应中值滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416740B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084768A (zh) * | 2019-05-10 | 2019-08-02 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN111681174A (zh) * | 2020-04-29 | 2020-09-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
CN112116544A (zh) * | 2020-10-08 | 2020-12-22 | 东南数字经济发展研究院 | 一种抵抗图像平滑滤波的预处理方法 |
CN112215764A (zh) * | 2020-09-02 | 2021-01-12 | 佛山科学技术学院 | 一种基于中值滤波的改进算法的图像处理方法 |
CN113034396A (zh) * | 2021-03-26 | 2021-06-25 | 龙芯中科(合肥)技术有限公司 | 图像滤波方法、装置、电子设备及存储介质 |
CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学(保定) | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4682230A (en) * | 1986-03-21 | 1987-07-21 | Rca Corporation | Adaptive median filter system |
CN102663705A (zh) * | 2012-04-20 | 2012-09-12 | 成都市知用科技有限公司 | 一种滤除图像椒盐噪声的方法 |
CN103400357A (zh) * | 2013-08-23 | 2013-11-20 | 闽江学院 | 一种去除图像椒盐噪声的方法 |
CN103761707A (zh) * | 2013-12-20 | 2014-04-30 | 浙江大学 | 一种快速高效去除图像椒盐噪声的均值滤波方法 |
CN104809701A (zh) * | 2015-04-16 | 2015-07-29 | 南京航空航天大学 | 一种基于迭代开关中均值的图像椒盐噪声去除方法 |
CN105719257A (zh) * | 2016-01-28 | 2016-06-29 | 河南师范大学 | 图像超高密度椒盐噪声的降除方法 |
CN106910170A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种图像椒盐噪声的去除方法 |
-
2018
- 2018-01-22 CN CN201810058682.XA patent/CN108416740B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4682230A (en) * | 1986-03-21 | 1987-07-21 | Rca Corporation | Adaptive median filter system |
CN102663705A (zh) * | 2012-04-20 | 2012-09-12 | 成都市知用科技有限公司 | 一种滤除图像椒盐噪声的方法 |
CN103400357A (zh) * | 2013-08-23 | 2013-11-20 | 闽江学院 | 一种去除图像椒盐噪声的方法 |
CN103761707A (zh) * | 2013-12-20 | 2014-04-30 | 浙江大学 | 一种快速高效去除图像椒盐噪声的均值滤波方法 |
CN104809701A (zh) * | 2015-04-16 | 2015-07-29 | 南京航空航天大学 | 一种基于迭代开关中均值的图像椒盐噪声去除方法 |
CN105719257A (zh) * | 2016-01-28 | 2016-06-29 | 河南师范大学 | 图像超高密度椒盐噪声的降除方法 |
CN106910170A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种图像椒盐噪声的去除方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084768A (zh) * | 2019-05-10 | 2019-08-02 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110084768B (zh) * | 2019-05-10 | 2023-06-20 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110930330B (zh) * | 2019-11-22 | 2022-05-31 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN110930330A (zh) * | 2019-11-22 | 2020-03-27 | 合肥中科离子医学技术装备有限公司 | 一种基于图像分割和区域增长的椒盐噪声降噪算法 |
CN111681174A (zh) * | 2020-04-29 | 2020-09-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 |
CN111681174B (zh) * | 2020-04-29 | 2023-02-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
CN112215764A (zh) * | 2020-09-02 | 2021-01-12 | 佛山科学技术学院 | 一种基于中值滤波的改进算法的图像处理方法 |
CN112116544A (zh) * | 2020-10-08 | 2020-12-22 | 东南数字经济发展研究院 | 一种抵抗图像平滑滤波的预处理方法 |
CN113034396A (zh) * | 2021-03-26 | 2021-06-25 | 龙芯中科(合肥)技术有限公司 | 图像滤波方法、装置、电子设备及存储介质 |
CN113793277A (zh) * | 2021-09-07 | 2021-12-14 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
CN113793277B (zh) * | 2021-09-07 | 2024-04-26 | 上海浦东发展银行股份有限公司 | 一种图像去噪方法、装置和设备 |
CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学(保定) | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
CN113989168B (zh) * | 2021-11-02 | 2024-05-14 | 华北电力大学(保定) | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108416740B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416740A (zh) | 一种消除椒盐噪声的迭代自适应中值滤波算法 | |
CN111681174B (zh) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 | |
Harikiran et al. | Impulse noise removal in digital images | |
US20200118251A1 (en) | Moran's i for impulse noise detection and removal in color images | |
CN112508810A (zh) | 非局部均值盲图像去噪方法、系统及装置 | |
Wang et al. | A new kind of adaptive weighted median filter algorithm | |
CN113989168B (zh) | 一种针对椒盐噪声的自适应非局部均值滤波方法 | |
Raza et al. | High density salt and pepper noise removal through decision based partial trimmed global mean filter | |
CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
Lal et al. | Removal of high density salt & pepper noise through super mean filter for natural images | |
Ali | A new method to remove salt & pepper noise in Magnetic Resonance Images | |
Bindal et al. | A systematic review of state-of-the-art noise removal techniques in digital images | |
CN107610056B (zh) | 基于全变分的混合加权维纳滤波图像去噪方法 | |
Lin et al. | Thresholding noise-free ordered mean filter based on Dempster-Shafer theory for image restoration | |
Karthikeyan et al. | Hybrid approach of efficient decision-based algorithm and fuzzy logic for the removal of high density salt and pepper noise in images | |
Lalitha et al. | A novel approach noise filtration for MRI image sample in medical image processing | |
Hanji et al. | A new impulse noise detection and filtering algorithm | |
Iqbal et al. | High density impulse noise reduction by denoising neighbor pixels | |
Rashidha et al. | An adaptive-size median filter for impulse noise removal using neural network-based detector | |
Sravani et al. | Removal Of Low-DENSITY Impulse Noise From Grayscale Images Using New Modified Hybrid MedianFilTerWith Various Sliding Window Sizes | |
Chen | An adaptive image sharpening scheme | |
Meher | Development of some novel nonlinear and adaptive digital image filters for efficient noise suppression | |
CN113484913B (zh) | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 | |
Radhika et al. | A study on impulse noise removal for varied noise densities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |