搜索
基于中值滤波和小波变换的图像去噪研究脉冲噪声是图像处理研究人员数十年挑战。中值滤波是最流行的去噪方法。然而，由于其边缘抖动，去除图像的细节特性，众多的努力都是为了提高其性能。中值滤波器是一种改进的中值滤波。中值滤波以类似的方式在存在噪声。因此，它具有所有中值滤波。在这篇文章中，我们改进中值”过滤器的效率通过权重的结果过滤。实验结果表明，我们的方法的优良性能。除此之外，在没有噪声的情况下，我们的方法保留原图像的细节信息比别人多。1简介脉冲噪声，这往往是引入图像在获取和传输过程中有不良影响，对不同的图像处理的目的。椒盐和脉冲噪声，椒盐噪声是最著名的类型。有更多的方法去除脉冲噪声。一般来说，噪声去噪实验可以分为线性和非线性的方法。移动平均滤波器是线性方法和为最大和最小的中值过滤器是非线性方法的例子。然而，各种非线性方法在脉冲噪声，中值滤波是广泛使用，由于其有效的噪声抑制能力和较高的运算效率。然而，它不是一个完美的过滤操作也不是很灵活。它可能会导致边缘抖动或可能摆脱重要的图像细节，因为只采用了输入图像的秩订单信息。为了提高性能，中值滤波和把原来的时序信息输入图像的考虑，提出了各种滤波器。加权中值滤波是改进的中值滤波，受到越来越多的关注中。另一方面，滤波是一种非线性滤波器引入第一次语音处理。传统的滤波是一种非线性滤波器在时域，从而减少噪声的同时保留原始信号。尽管其简单的设计，传统的过滤器有一些可取的特点减少干扰。它不需要预先估计噪声以及易于设计和计算的成本是很小的。所以，中值滤波器提出了基于滤波去除脉冲噪声。计算成本的中值滤波器只需要切换操作。此外，其最大的优点是，它阻止了非损坏的像素噪声损害。然而，在没有噪声的作用优于普通中值滤波器，在存在噪声的行为像正常的中值滤波。因此，它具有中值滤波的缺点。在这篇文章中，我们提出了改进的中值过滤器，命名为加权中值滤波，以“发展中”滤波器的性能。它实际上是基于加权中值滤波器的接地。因此，它具有加权中值滤波的有效利用和开关操作小的计算成本。加权中值滤波器是通过赋予权重中值滤波器。该滤波器，计算结果的滤波，加权中值滤出不同的权重，计算新的导致像素平均。此外，如加权中值（WM)，加权中值过滤器提供了控制程度的平滑行为通过权重可以设置。最常用的中值滤波，这有效地去除脉冲噪声，如果噪声密度较低（一般低于30%）。然而，这些过滤器没有高密度脉冲性能优良噪声（90%）。对于那些损坏的图像密度脉冲噪声，图像不清保存如果扫描窗口尺寸大和噪声不被有效地抑制，如果扫描窗口尺寸小。这节将提出一个简单而有效的中值滤波克服的问题。所提出的中值的目的滤波器不仅保留详细的图像也过滤高噪声密度的脉冲噪声（90%）。此外，中值滤波器计算在（2K1）宽窗只能保留细节持续超过（K1）点，而较小的滤波器的窗口，它可以保留信号的细节，导致炉降噪性能。另一方面，滤波器的足够长的时间窗口，（2K1），能有效地抑制噪声，同时保护细节少于（K1）点。该过滤器是由标准图像中含有噪声研究。在每一步中，脉冲噪声的密度提高了该方法的性能使用均方误差（MSE）评估。结果表明，所提出的方法的良好性能比以前的。此外，当去噪滤波器应用于原始图像，该方法保留了图像的细节信息，比其他方法更好。2中值滤波让我们的(x,m)和(y,m)，n是m的灰度值，在输入效果n像素，分别。考虑一个n窗口围绕，n个像素，其中n是奇怪的整数。我们还定义了像素内设置窗口如下。这是一个非线性函数f在下面的第一个约束。在恒定的数是一个由用户选择。事实上，一个新的子集的像素图像进行。然后，这个新的中位数像素集和结果想将放置在像素输出m，n的图像。此外，可以作为不同的函数f。作为一个有效率功能追随。现在是确定，像素的中间集（m，n)，下面有很多的形成门限是基于实验的研究工作，然而，这一阶找到最优门限的使用优化算法.因此，中值滤波器的定义为医学代表中值函数。事实上，这种滤波器假定差之间的中心像素和噪声比中央像素和像素的形象之间的差异为边缘像素大得多。因此，上述中值过滤器发现差异的中心像素灰度的M，N和其他像素的窗口内的我，J；如果这种差异小于某一阈值，j的像素是图像的像素，并应与中心像素的值取代，N在中间集M，而中间的中位数计算，边缘和其他图像的细节不会影响中值滤波的结果，这样的形象不被破坏。另一方面，这种差异是否大于阈值，它象征着噪声的存在。因此，噪声值不应更换中心像素与噪声值将在经过中值滤波消除。在这情况下，原始图像是不损坏噪声。然而，由于这种过滤程序仍然是基于中值滤波窗口内的像素经转换到中间集合，它受到使用中值滤波下行。例如，它是计算2K1N2样品中间集之间；所以它只能保留细节持续超过K1点因为中值滤波器进行同等权重的中间设置所有样品。这个问题将更加严重，噪声样本的密度高的图像。此外，正中过滤行为完全一样的中值滤波在噪声的存在；唯一的差别，中值滤波和中值滤波是“中位数”滤波器保留图像的细节时，没有噪音在窗口。因此，我们建议利用加权中值滤波而不是使用中值滤波以受益于国际的电子杂志通过加权中值滤波的优点赋予不同权重的中间设置.3改进中的中值滤波空间滤波，处理窗口滑动的水平和垂直对中，处理窗口集中在一个特定的图像像素点的整个图像每次。WM过滤器分配一个权重，每个位置的滤波窗口。让我们定义一个加权中值滤波的特点正权W1，W2的设置输出,对给定的输入样本X1，X2，...定义且复制算子，为了滤除图像采用加权中值滤波，考虑窗口中心在(m，n)像素在每个时间；我们这组像素与(m，n)根据方程。然后，像素，中间设(m，n)，创建考虑不等式。这中间向我们保证，在噪声在图像窗口的情况下，不会通过加权中值滤波器损坏。最终，一个特定的重量是考虑到中级组，V(i，j)的每一个成员，中间设置的加权和中位数将计算为以下方程证明：事实上，上述过程如下：在(m，n)的样本排序，重复每个V(i，j)，给一些相应的权重w(i，j)，并选择新的序列中位值。方程的非线性函数的选择原则追求规则在前一节中描述的。4基于自适应邻域的小波图像去噪一个自然图像去噪是图像处理中的重要领域。作为一个工具图像处理，小波变换去除高斯噪声的部分得到了广泛的应用在时间域和频率域特性。本文的主要目的是为了消除噪声，通过对小波域自适应邻域窗口和重点选择基于小波软阈值函数中。仿真结果表明，改进的功能提高了去噪效果与其他阈值函数的比较。小波分析用于图像去噪的多分辨率分析的有效工具。小波变换是一个过滤器，可以保留细节和关键背景图像的信息。1992，Mallat提出的基于小波去噪算法变换模极大值；徐提出的基于图像去噪算法对小波变换的尺度相关性相毗邻。蔡和Silverman提出算法考虑邻域小波阈值系数相关。所有从名字邻域系数决定要处理的下一步系数。该算法考虑到小波阈值的影响系数，其主要思想是基于邻域小波系数层相关这是一个大的小波系数将可能在其邻国大系数。这里的一个自适应邻域的图像去噪算法提出了一种基于相关性分析在小波域，它主要是改进了NeighShrink算法是固定的域。基于自适应邻域的小波图像去噪小波变换可以用低通和高通滤波器的实现，同一套低频系数递归。这意味着小波系数之间的相关性在一个小邻域。一个大的小波系数将可能有较大的系数在邻居。因此，蔡提出如下一维信号的小波去噪方法。在在去噪，GY陈的一维信号处理的基础上，将该算法扩展到tdbui二维信号。在本文中，我们将这个想法延伸到图像的情况下。图像，我们需要考虑的一个邻域窗口周围的小波系数阈值。我们提出了一种方法，阈值的小波系数根据方形的大小邻域窗口内所有的小波系数总和。中心因素是零或萎缩，密切依赖于量的平方和。参考文献[1]Arakawa,K.,Matsuura,K.,Watabe,H.,andArakawa,Y.(2002),一种基于组件分离滤波器的语音信号降噪方法，IEICE交易基础，j85-a，1059–1069。[2]Arce,G.R.,andFoster,R.E.(1989),详细的保持排名顺序为基础的过滤器进行图像处理的，IEEE声学，语音和信号处理,37,83–98.[3]Bovik,A.C.,Huang,T.S.,andMunsonJr,D.C.(1987),中值滤波在边缘检测与估计的影响，IEEE模式分析与机器智能，PAMI-9,181–194.[4]S.Mallat,一个信号处理的小波之旅。中国机械工业出版社，2002[5]Mallat小波，[J]黄W的奇异性检测和处理。IEEE信息理论，1992，38（2）：617-643.