摘要：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。

摘要：为了有效地去除数字图像中的椒盐噪声,提高图像质量,本文在分析一些典型消除噪声方法的基础上,给出了一种新的椒盐噪声去除算法。首先,针对椒盐噪声的特点,设计了一种基于动态窗口和邻域像素统计信息的噪声检测算法,有效地区分了噪声点与非噪声,然后对检测出的噪声点,采用改进的自适性的中值滤波算法进行噪声滤除,在滤波算法中加入了窗口大小自适应控制和滤波值调优策略。实验表明:该方法不仅能去除图像中的椒盐噪声,而且能有效地保护图像的细节特征,对于高密度噪声的图像去除噪声的效果比其他方法更优。

摘要：针对灰度图像中的椒盐噪声,提出了一种基于自适应权值与线性预测方法相结合的噪声去除方法。用椒盐噪声模型确定图像中的噪声点,以及噪声点所在滤波窗口内的噪声密度,在密度较小时利用设计的权值函数进行加权平均计算,以达到去噪声的目的;在噪声密度较大时,利用线性预测方法预测噪声点所在位置的灰度值,以实现去噪。对于非噪声点像素则不做处理,较好地保持了图像的细节。实验结果表明,与同类方法相比,此方法有良好的去噪性能。

摘要：提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。实验结果表明,该算法能在有效去除椒盐噪声的同时保护图像细节,较传统中值滤波及其改算法有更好的滤波性能。

摘要：在图像平滑过程中,如何滤除噪声同时保护图像的细节是一个研究热点。本文提出并设计一种将十字窗和叉形窗有机结合的多窗口自适应中值滤波器(MWMF滤波器),可根据窗口内图像自身的形状,自适应地选择十字窗和叉形窗。在比较多窗口自适应中值滤波和形态滤波这两种滤波器的优缺点之后,还提出并设计了非线性组合滤波器。实验表明该滤波器滤除椒盐噪声的效果优于单独使用中值滤波或形态学滤噪,在椒盐噪声概率超过0.2时优势尤为明显。

摘要：针对图像被高强度椒盐噪声污染的问题,提出一种可切换的非局部去噪算法.首先将噪声图像切割为若干局部块作为算法的基本处理单位,设计块的预修复过程,以避免由于高噪声污染对局部块的干扰,保证相似度度量和模型估计过程的准确性;其次,在非局部范围内构造非局部滤波器,度量相似度并计算修复权值以进行噪声修复,得到全方位的图像去噪效果.实验结果表明,该算法较传统局部信息构建滤波器的方法,无论对低污染程度的图像,还是高污染程度的图像,在效果和图像衡量指标上均有一定的提升。

摘要：为了解决当前椒盐噪声滤除算法对X光图像滤除效果不佳且运算效率不高的问题,提出了一种融合多级分类和自适应模糊滤波的椒盐噪声滤除方法,主要包括像素点多级分类和自适应模糊滤波两个部分。在像素点多级分类阶段,先结合先验知识设计快速的一级粗分类,将像素点分为椒盐噪声、信号和可疑噪声三类。对于可疑噪声,再提取区域内的直方图分布特征,设计BP神经网络分类器进行精确分类,最终将图像中的所有像素点分为信号和椒盐噪声两类。在自适应模糊滤波阶段,针对三种模糊集合分别创建模糊隶属度函数,计算模糊隶属度值,通过模糊加权求和恢复像素点亮度。实验结果表明,该方法的像素点分类正确率高,滤波后图像的峰值信噪比高,平均滤波耗时少。

摘要：传统的基于低秩矩阵恢复的椒盐噪声去噪算法易产生条纹失真,中值滤波去除椒盐噪声后边缘易产生移位和块状效应,纹理细节不太清晰,为此提出一种椒盐噪声去噪模型。在原有的低秩矩阵核范数约束基础上引入总变分约束项,为提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入加权的方法。实验结果表明,该算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,保证了去噪效果,保留了图像的细节信息,具有更佳的视觉效果,提高了客观评价指标。

摘要：为解决以均方差为量子测量算子构造的量子坍缩形态滤波器去除高密度椒盐噪声的不足,提出一种基于量子坍缩形态算子的椒盐噪声去除方法。基于椒盐噪声的特点,构造一个简单的噪声检测算子;由噪声检测算子生成的标记图像构造新的量子测量算子;为更好地保留图像的细节信息,只对可能噪声点进行量子坍缩形态滤波。仿真结果表明,该方法能有效去除高浓度的椒盐噪声,相比其它滤波算法,具有更强的噪声去除能力和更短的处理时间。

摘要：针对经典全变差模型在进行椒盐去噪时不能有效保留图像边缘信息的问题,提出一种基于L1范数和自适应全变差正则化的椒盐噪声图像去噪方法.该方法在全变差和图像去噪模型的基础上构建了显式椒盐去噪模型,利用噪声像素的平均值计算自适应正则化参数,并有效保留图像边缘信息,使用原始对偶梯度算法求解显示模型,使所求得的数值解更加接近原始图像.实验结果表明:与其他方法相比,本文方法在PSNR和SSIM方面均优于对比的方法,可以有效去除高密度椒盐噪声.