导读:本文包含了混合噪声滤除论文开题报告文献综述及选题提纲参考文献，主要关键词:图像去噪,混合噪声,SUSAN算子,改进的均值滤波
混合噪声滤除论文文献综述
吴一全,王凯,戴一冕[1]（2015）在《基于非局部均值和SUSAN算子的混合噪声滤除》一文中研究指出为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声,提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同,采用SUSAN算子检测出大量的特征点,特征点主要是脉冲噪声点,也可能含有小部分角点.将特征点进行排序,出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值,以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像,采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明:与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比,本文方法主观视觉效果更好,能够更好地保留图像中的边缘细节,客观评价指标峰值信噪比有较大的提高,滤除混合噪声的优势明显.(本文来源于《光子学报》期刊2015年09期）
张玉冰,翟源,殷樱,胡保宇,李贵阳[2]（2014）在《数字图像混合噪声的滤除方法研究》一文中研究指出在数字图像处理领域,为了获得高质量的数字图像,图像噪声的滤除一直是最重要、最基本的研究课题之一。虽然已经有很多传统的去噪方法,但其不足之处有很多,主要表现在滤除图像噪声的同时对图像细节的丢失,两者很难兼顾。文中先介绍了空间域中的线性滤波和非线性滤波,主要描述了均值滤波和中值滤波,然后阐述了频率域中的各种典型滤波器的特点,最后提出了由线性的FIR滤波器和非线性中值滤波器相结合得到FIR混合中值滤波器。通过实验比较,观察对比不同方法消除混合噪声的效果差异。(本文来源于《赤子(中旬)》期刊2014年03期）
袁珍,林相波,王新宁[3]（2013）在《滤除图像中混合噪声的LSE模型》一文中研究指出图像中的高斯白噪声使LS模型中的低秩矩阵低秩性和稀疏矩阵稀疏性不能同时满足,造成去噪不充分或细节严重丢失。本文在LS模型的基础上引入高斯噪声约束项,提出一种新的用于去除图像中混合噪声的LSE模型,该模型首先对图像进行相似块匹配,然后对得到的相似块低秩逼近得到去噪图像。实验结果表明,与LS模型相比,LSE模型在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,去噪图像的信噪比提高了约0.1-2dB;与BM3D相比,在高斯噪声较小的情况下信噪比提高了约0.5-2.5dB。(本文来源于《信号处理》期刊2013年10期）
高山,李成,毕笃彦[4]（2012）在《有效滤除高强度图像混合噪声的方法》一文中研究指出传统的交叉视觉皮质模型(ICM)对单一噪声的去除具有良好的性能.为了扩展ICM在图像降噪领域的应用,提高降噪能力,提出一种基于邻域连接的NL-ICM.针对传统ICM存在的局限性,在神经元的构造上引入双边滤波的思想,通过扩展神经元的连接输入、引入连接权重、设计脉冲阈值实时计算函数,并为神经元设计像素更新规则.实验结果表明,该模型能够较好地去除图像中的混合噪声.(本文来源于《计算机辅助设计与图形学学报》期刊2012年05期）
陈秉涛[5]（2012）在《数字图像混合噪声滤除算法研究》一文中研究指出作为一种不可预测的随机信号,噪声,通常是用数学概率统计方法来进行分析。噪声的存在举足轻重,它对于图像处理中的输入、采集、处理的各个环节以及输出结果都有着重要的影响。特别是图像信号的输入和采集,如何更好的抑制噪声是十分关键的问题,若输入伴有较高强度的噪声,必然会影响处理全过程及输出图像信号的质量。因此一个良好的图像处理系统,不论是模拟处理还是用计算机进行的数字处理,都会把减少最前一级的噪声定位为主攻目标。常见的噪声有高斯噪声、脉冲噪声、加性噪声和乘性噪声,其中由高斯噪声和椒盐噪声迭加而成的混合噪声是数字图像中一种典型噪声,传统方法对于这种噪声的滤除效果并不理想,主要缺点是滤除噪声的同时也会造成图像中的细节和边缘数据丢失。本文主要研究基于椒盐噪声和高斯噪声迭加而成的混合噪声下的去噪问题。双边滤波器是一种保边去噪的滤波器,之所以实现此去噪效果,是因为滤波器是由几何空间距离决定滤波器系数和像素差值决定滤波器系数的两个函数构成。图像边缘检测是利用物体和背景在某种图像特性上的差异如灰度、颜色、纹理特性来实现,即检测图像特性发生变化的位置。脉冲耦合神经网络[2](Pulse Coupled Neural Networks)是一种模仿生物神经的计算系统,它通过模拟动物的视觉神经的触发、反馈机制在滤除图像的混合噪声过程中具有良好的噪声点定位特性,本文以双边滤波器在滤除混合噪声的优势为基础,并通过与PCNN在滤除混合噪声方法比较参考为依据,对双边滤波器算法进行了改进,并对参考中位值和去噪系数进行最优选取。综上所述,本文提出了一种基于双边滤波和图像边缘检测的优化算法,依据边缘检测中纹理方向的分布特性,设定并确定各个象限灰度区域中位值作为辨别噪声点的判定准则,将传统双边滤波算法改成对高斯噪声和椒盐噪声分别依次滤波的递归算法。经过在matlab平台下的多组仿真实验结果表明,该算法对图像中的混合噪声具有很好的滤除能力,并且能较好的保存图像的边缘细节信息。(本文来源于《云南大学》期刊2012-04-01）
路倩倩,王友仁,罗慧[6]（2012）在《二维分数阶小波变换滤除混合图像噪声研究》一文中研究指出图像形成与传输过程中,常受到复杂混合噪声的干扰.本文结合二维分数阶小波变换与中值滤波,提出一种新的混合未知图像噪声滤除方法.该方法先通过噪声检测将脉冲噪声标识出来,并利用中值滤波方法滤除,然后计算剩余噪声,进一步得到二维分数阶小波变换的最优阶次,在二维分数阶小波时频域,将剩余的高斯白噪声用阈值去噪方法滤除.经实验证明,该方法在有效去除混合噪声时具有优势.(本文来源于《佳木斯大学学报(自然科学版)》期刊2012年02期）
王小兵,孙久运[7]（2011）在《一种滤除医学影像噪声的混合滤波算法》一文中研究指出目的:医学影像在获取、存储、传输过程中会不同程度地受到噪声污染,这极大影像了其在临床诊疗中的应用。为了有效地滤除医学影像噪声,提出了一种混合滤波算法。方法:该算法首先将含有高斯和椒盐噪声的图像进行形态学开运算,然后对开运算后的图像进行二维小波分解,得到高频和低频小波分解系数。保留低频系数不变,将高频系数经过维纳滤波器进行滤波,最后进行小波系数重构。结果:采用该混合滤波算法、小波阈值去噪、中值滤波、维纳滤波分别对含有混合噪声的医学影像分别进行滤除噪声处理,该滤波算法去噪后影像的PSNR值明显高于其他叁种方法。结论:该混合滤波算法是一种较为有效的医学影像噪声滤除方法。(本文来源于《现代生物医学进展》期刊2011年20期）
何凯[8]（2011）在《基于改进型PCNN的图像混合噪声滤除方法》一文中研究指出图像在形成和传输的过程中不可避免的会受到噪声的污染,从而对图像的视觉效果和后续处理带来不利的影响,甚至直接影响到后续处理的效果。在实际的应用中,图像往往不止受到一种噪声的影响,而是受到多种噪声构成的混合噪声的影响,所以对图像混合噪声进行滤波处理具有十分重要的意义。脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是近年来提出的通过模拟动物大脑皮层视神经元同步发放脉冲现象而建立的一种新型神经网络模型。由于其特有的生物学背景及特性,已成功的被应用于图像滤波、图像分割、特征提取、目标识别等领域。由于PCNN应用于图像处理时有模型简单,容易用集成电路实现,使的图像的实时处理成为可能。因此,基于PCNN的混合噪声滤除方法的研究是一个非常有意义的研究课题。本文首先对脉冲耦合神经网络模型的基本理论和运行机制进行了详细的阐述,并分析和总结了它的结构特点和特性。在借鉴已有的理论成果和思想的基础上,将PCNN模型进行了适当的简化和改进,并对改进模型的运行机制和参数设置进行了详细的分析。其次,对由脉冲噪声和高斯噪声构成的混合噪声的特点进行分析,将改进PCNN模型与中值滤波结合应用到灰度图像的混合噪声滤波中。并在改进的PCNN模型的基础上,提出了一种模型网络参数自适应生成机制,解决了需要通过人工调制模型网络参数才能达到最优滤波效果的问题。通过仿真实验对比,自适应生成网络参数的滤波效果要优于人工调制网络参数的滤波效果,在具有较好的滤波效果的同时,也很好的保留图像的细节。另外,本文还将改进型PCNN滤波算法与中值滤波和模糊规则滤波算法进行对比实验,经比较改进型PCNN模型滤波算法均优于两种滤波算法,随着图像受到的混合噪声程度的增加,优势越明显。最后,针对彩色图像的混合噪声,提出了一种在RGB色彩空间的基于改进PCNN模型的彩色图像混合噪声滤波方法,通过大量实验证明,本文提出的方法能够很好的滤除彩色图像混合噪声。(本文来源于《华南理工大学》期刊2011-05-01）
王成,黎绍发,何凯,涂泳秋[9]（2011）在《基于改进PCNN的彩色图像混合噪声滤除》一文中研究指出基于L&A-PCNN模型的彩色图像混合噪声滤除算法存在算法调试须人工干预、对彩色图像滤波易出现污迹斑等问题。针对上述不足,提出一种彩色图像混合噪声自适应滤除算法。通过理论和实验分析获得L&A-PCNN模型关键参数的自适应定义和滤波算法中图像噪点的判别方法。实验结果表明,相比L&A-PCNN算法,该算法的PSNR有9%～18%的提高,处理后图像的视觉效果更好,并具有较好的自适应性和健壮性。(本文来源于《计算机工程》期刊2011年01期）
张立保,敖鹏亮[10]（2010）在《基于小波变换的图像混合噪声自适应滤除算法》一文中研究指出为同时滤除图像中的椒盐噪声和高斯噪声,提出了一种基于小波变换的混合噪声自适应滤除算法,该算法首先采用中值滤波去除椒盐噪声,然后借助边缘检测算子区将图像为分边缘与非边缘区域,进一步对非边缘区域引入改进的均值滤波器,有效削弱高斯噪声的同时保护图像边缘细节,既初步削弱高斯噪声又保护了边缘,最后采用改进的小波阈值滤波算法,对不同的小波系数采用不同的阈值函数,通过线性回归得到各最优阈值关系式。实验结果表明,该混合噪声自适应滤除算法能有效滤除椒盐噪声和高斯噪声,在图像主观质量和客观质量上均取得了较好的效果,能提高去噪图像峰值信噪比0.5~2.0 dB。(本文来源于《强激光与粒子束》期刊2010年11期）
混合噪声滤除论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在数字图像处理领域,为了获得高质量的数字图像,图像噪声的滤除一直是最重要、最基本的研究课题之一。虽然已经有很多传统的去噪方法,但其不足之处有很多,主要表现在滤除图像噪声的同时对图像细节的丢失,两者很难兼顾。文中先介绍了空间域中的线性滤波和非线性滤波,主要描述了均值滤波和中值滤波,然后阐述了频率域中的各种典型滤波器的特点,最后提出了由线性的FIR滤波器和非线性中值滤波器相结合得到FIR混合中值滤波器。通过实验比较,观察对比不同方法消除混合噪声的效果差异。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合噪声滤除论文参考文献
[1].吴一全,王凯,戴一冕.基于非局部均值和SUSAN算子的混合噪声滤除[J].光子学报.2015
[2].张玉冰,翟源,殷樱,胡保宇,李贵阳.数字图像混合噪声的滤除方法研究[J].赤子(中旬).2014
[3].袁珍,林相波,王新宁.滤除图像中混合噪声的LSE模型[J].信号处理.2013
[4].高山,李成,毕笃彦.有效滤除高强度图像混合噪声的方法[J].计算机辅助设计与图形学学报.2012
[5].陈秉涛.数字图像混合噪声滤除算法研究[D].云南大学.2012
[6].路倩倩,王友仁,罗慧.二维分数阶小波变换滤除混合图像噪声研究[J].佳木斯大学学报(自然科学版).2012
[7].王小兵,孙久运.一种滤除医学影像噪声的混合滤波算法[J].现代生物医学进展.2011
[8].何凯.基于改进型PCNN的图像混合噪声滤除方法[D].华南理工大学.2011
[9].王成,黎绍发,何凯,涂泳秋.基于改进PCNN的彩色图像混合噪声滤除[J].计算机工程.2011
[10].张立保,敖鹏亮.基于小波变换的图像混合噪声自适应滤除算法[J].强激光与粒子束.2010