摘要：为了在滤除椒盐噪声时更好的保护图像特征信息,利用分数阶积分算子、梯度信息和SVM设计了一种滤波方法FG-SVM。先设计PCNN噪点检测模型,将检测的噪点及信号点对应位置分别标记为1和0,生成标记图像;然后根据标记图像,在噪声图像上对每一个以信号点为中心的5×5区域,用中心点周围的像素灰度信息、分数阶积分算子及梯度信息构建训练样本,训练SVM获得去噪模型;再取以噪点为中心的5×5区域构建测试样本,作为SVM去噪模型的输入来估计区域中心的灰度值;最后用SVM的估计值取代噪点的灰度值,得到去噪图像。仿真试验表明,分数阶积分阶次取1.7±0.1时,能获得最好的去噪效果。对含噪1%的Lena、Pepper及Camer.去噪,FG-SVM的PSNR比MPCNN分别提高了[4.19,1.60,3.64]dB,且去噪图像的边缘细节清晰。

摘要：针对传统去噪算法易引起图像边缘、纹理细节丢失和模糊的问题,提出改进的A-FAP(adaptive fractional alexander polynomials)图像去噪算法。利用小波变换对受到噪声污染的图像进行展开,以图像结构特征、局部统计特征和图像差异特征为参数构造自适应分数阶次函数,配合A-FAP滤波器进行去噪处理,通过小波反变换对处理后的图像重构。实验结果表明,该算法相较其它去噪算法,在性能评价上峰值信噪比(PSNR)和图像相似度(SSIM)有明显提高,在视觉感知上凸显出边缘细节和纹理信息。