导读:本文包含了随机值脉冲噪声论文开题报告文献综述及选题提纲参考文献，主要关键词:降噪,随机脉冲噪声,噪声比例预测,噪声比例感知特征
随机值脉冲噪声论文文献综述
于海雯,易昕炜,徐少平,张贵珍,刘婷云[1]（2019）在《两阶段多层感知的随机脉冲噪声比例预测》一文中研究指出目的基于卷积神经网络(CNN)在图块级上实现的随机脉冲噪声(RVIN)降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显着优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度(噪声比例值)进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本(visual codebook)采用软分配(soft-assignment)编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射(预测);最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果(PSNR指标)较其他主流降噪算法高2 4 d B,处理一幅大小为512×512像素的图像仅需3 s左右。结论本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显着提升,更具实用价值。(本文来源于《中国图象图形学报》期刊2019年07期）
辛倩[2]（2019）在《图像随机值脉冲噪声的滤波算法研究》一文中研究指出数字图像在生成、传输等诸多过程中,经常会受到内部或外部的影响而产生图像噪声。图像噪声会导致图像质量下降,甚至会对后续的图像分析以及处理工作产生不利影响,因此图像去噪是图像处理的重要研究内容。本文针对图像中常见的脉冲噪声,尤其是随机值脉冲噪声开展研究,在分析总结现有的主要去噪方法基础上,进一步探索提高图像去噪性能的新方法。线性滤波和非线性滤波是两种典型的滤波类型。本文分析了这两种方法的去噪性能,结果表明非线性滤波(中值滤波)去除脉冲噪声的效果较好。在中值滤波算法基础上,进一步分析了几种典型的改进算法,包括加权中值滤波、极值中值滤波、基于排序阈值的开关中值滤波(OTSM)。利用几何结构检测的去噪算法适用于去除随机值脉冲噪声。该算法运用图像直方图对图像噪声率进行估计,通过自适应选取阈值将像素初步分为信号点、噪声点与待测点叁种类型。然后利用几何结构对待测点进行噪声检测,最后将图像信号点保留,对所有判定为噪声点的像素值进行中值滤波。本文在研究现有典型的图像脉冲噪声滤波算法基础上,提出了以下两种改进算法,有效提高了图像去噪性能。运用MATLAB对算法进行仿真,对算法性能进行分析与比较。(1)提出一种改进的极值中值滤波算法。该算法通过滤波窗口中的极值检测噪声。对于噪声像素,将邻域中所有被判断为非噪声点的像素值进行中值运算,并根据检测结果,自适应扩大滤波窗口直到窗口内包含被用于中值运算的非噪声点像素。仿真结果表明,该算法在高密度脉冲噪声的去噪性能上取得明显优势。(2)提出一种改进的方向加权中值滤波算法。该算法利用图像局部特征自适应设置截断阈值用于检测噪声,并对噪声像素分配合适的权重进行中值滤波。仿真结果表明,改进的DWM算法通过改善噪声检测率,加强邻域非噪声像素的计算权重,对于密度超过40%的随机值脉冲噪声能够取得明显的滤波性能优势。(本文来源于《安庆师范大学》期刊2019-06-01）
徐少平,张贵珍,李崇禧,刘婷云,唐祎玲[3]（2019）在《基于深度置信网络的随机脉冲噪声快速检测算法》一文中研究指出为提高现有随机脉冲噪声(RVIN)检测算法的检测准确率和执行效率,该文试图从构建描述能力更强的特征矢量和训练非线性映射更为准确的预测模型两个方面入手,实现一种基于训练策略的快速RVIN检测算法。一方面,提取多个不同阶的对数绝对差值排序统计值并结合一个能够反映图像边缘特性的统计值作为刻画图块中心像素点是否为噪声的特征矢量。在计算量增加极少的情况下,显着提升了特征矢量的描述能力。另一方面,基于深度置信网络(DBN)训练RVIN预测模型(RVIN检测器)将特征矢量映射为噪声类型标签,实现了比浅层预测模型更为准确的映射。大量实验数据表明:与现有的RVIN检测算法相比,所提算法在检测准确率和执行效率两个方面都更有优势。(本文来源于《电子与信息学报》期刊2019年05期）
史再峰,许泽昊,庞科,曹清洁,姚素英[4]（2018）在《一种基于开关型加权中值滤波的随机脉冲噪声去除方法》一文中研究指出依据图像中随机脉冲噪声像素奇异性的特点,提出了1种新的开关型加权中值滤波算法.首先通过中值滤波的方法对被检测像素邻域进行平滑处理,并定义平均绝对差值进行噪声点的判别;对检测出的噪声像素点采用改进的加权中值滤波进行处理,即仅利用滤波窗口中未受污染的像素进行噪声滤除,加权系数同时包括空间距离与灰度的差异性.实验结果表明,提出的算法既有较高的脉冲噪声检测准确率,又能较好地滤除图像中的随机脉冲噪声.(本文来源于《南开大学学报(自然科学版)》期刊2018年04期）
陈庆强,蔡文培,邹复民[5]（2018）在《高效快速的随机值脉冲噪声去除算法》一文中研究指出提出一种既能快速去除图像随机脉冲噪声又能较好地保留边缘细节信息的一种新方法。该方法首先利用图像局部灰度相似性特征,对于任一像素,根据其与邻域内像素相近的个数和与其相近像素本身在邻域内的相似情况,将各像素分为噪声点、疑似噪声点和信号点,对疑似噪声点根据其是否为邻域内的极值将其分为噪声点和信号点。对于信号点不做任何处理,而对于噪声点则按照一种基于欧拉距离的自适应加权均值滤波算法进行处理。实验结果表明,算法能够快速高效地滤除随机脉冲噪声,且无需人为修改相关参数和"门坎"值,综合性能优良,特别适用于对实时性要求较高的图像处理系统。(本文来源于《福建工程学院学报》期刊2018年03期）
吴尚[6]（2016）在《基于统计排序的图像随机值脉冲噪声检测方法研究》一文中研究指出随机值脉冲噪声是脉冲噪声的一种,由于其分布和幅值的特性,当噪声水平较大时,一般的去噪算法的去噪效果不甚理想。目前,在图像去噪之前利用噪声检测器对脉冲噪声进行检测是一种有效的方法:先通过噪声检测器有效地检测和标记噪声点,在去噪阶段针对性地对标记的噪声点进行处理。这种检测和去噪结合的模式能够较好地去除图像中的脉冲噪声,并且保留图像的大部分细节信息。本文基于统计排序的方法,提出了一种新的噪声检测的思路。该思路是将目标像素点与周围像素值的距离通过一种分段的幂函数变换,求得新的距离值,并将这些距离从小到大排序,选取较小的一半距离值的和作为该目标像素点的统计值。在求得统计值之后,根据不同的噪声水平,自适应地设定阈值,将大于阈值的像素点标记为噪声。其中基于分段幂函数距离变换函数是本文的主要创新点,通过将像素间的原始距离根据大小不同做不同程度的提升,噪声与非噪声的统计值的差距会进一步拉大,从而能够更加有效准确的检测噪声。在去噪阶段,将本文提出的脉冲噪声检测器与现有的去噪算法结合,组成一个完整的基于检测的滤波算法。该算法采用迭代的方式,脉冲检测的初始阈值通过自适应函数得到,距离变换函数的参数也在迭代过程中不断调整。通过大量的实验结果表明,本文提出的脉冲噪声检测方法在检测效果上好于目前大多数的检测方法。结合检测器进行的去噪算法在主观评价和客观指标两方面都取得了较好的效果。(本文来源于《天津大学》期刊2016-11-01）
杨昊,陈雷霆,邱航[7]（2016）在《基于加权空间离群点度量的随机脉冲噪声降噪算法》一文中研究指出针对排序统计类降噪算法在随机脉冲噪声(RVIN)图像降噪过程中,对图像边缘和细节部分噪声识别不够准确以及恢复比较模糊的问题,提出了基于加权空间离群点度量(SLOM)的脉冲噪声降噪算法WSLOM-EPR。该算法以优化的空间距离差为基础,引入图像邻域均值和标准差,建立反映局部边缘细节特征的噪声检测方法,提高边缘细节处噪声的识别精度;然后以精确检测结果为基础,优化保边正则(EPR)函数,提高算法的执行效率,并增强算法保留边缘细节的能力。仿真结果显示,WSLOM-EPR算法在40%到60%噪声密度下对噪声点的误检和漏检综合表现优于对比算法,且能在两者之间保持一个较好的平衡;降噪后的峰值信噪比(PSNR)好于对比算法中的大多数情况,且边缘细节在视觉上更加清晰连续。结果表明WSLOM-EPR算法提高了噪声检测精度,有效地保持了恢复图像的边缘细节信息。(本文来源于《计算机应用》期刊2016年10期）
丁永平,党丽,刘超,苏醒[8]（2014）在《一种识别低压电力线载波通信系统中随机脉冲噪声的新方法》一文中研究指出目的从电力线载波通信系统中提取随机脉冲噪声并分析其来源。方法建立一个简单的检测随机噪声的测试系统。结果 FSV方法可以成功地识别热水壶在电力线上造成的随机脉冲噪声,同时也证明了统计分析的方法对于识别随机脉冲噪声效果不佳。结论可以通过对MAFFSV方法结果设定阈值来识别低压电力线载波通信系统中的随机脉冲噪声,进而可以确定低压电力线网络拓扑结构的改变。(本文来源于《装备环境工程》期刊2014年05期）
陈明轩,周亚丽,张奇志[9]（2014）在《基于12个方向的方向加权滤波法去除随机值脉冲噪声》一文中研究指出为了解决方向加权中值滤波方法的不足,提出了一种新的基于12个方向的方向加权滤波法滤除图像中的随机值脉冲噪声。这种方法在脉冲检测阶段是利用当前像素与邻域12个方向像素的不同识别噪声,然后在噪声滤除阶段选取合适的加权值去除噪声。实验结果表明,该方法从主客观两方面验证了在滤除噪声率较高或较低的噪声时对保护图像细节方面的效果有所提高,并且提高了程序运行效率。(本文来源于《计算机应用研究》期刊2014年05期）
朱柱,王庆,肖彦昌,万雪音,张小国[10]（2012）在《基于S-ROAD统计量的细节保护随机值脉冲噪声滤波算法(英文)》一文中研究指出在受随机值脉冲噪声干扰的图像中,为了去除图像中的脉冲噪声并有效地保护图像的边缘与细节,提出了一种新的两阶段细节保护随机值脉冲噪声滤波算法.在噪声检测阶段,针对图像中边缘和细节像素难以和噪声像素有效区分的问题,提出了一种基于S-估计的绝对级差统计量(S-ROAD).通过引入S-估计到ROAD统计量,消除了ROAD数据中由图像边缘和细节带来的干扰.利用S-ROAD统计量,图像中的大部分噪声像素,包括位于图像边缘和细节处的噪声像素都可以被区分出来.在图像滤波阶段,算法引入了双阈值迭代方法对确认出的噪声像素赋值,提高了对噪声像素的估值精度,从而有效地保护了图像的细节.无论是主观视觉评估还是客观数据评估,实验结果都表明了该算法优于现有的很多方法.(本文来源于《Journal of Southeast University(English Edition)》期刊2012年04期）
随机值脉冲噪声论文开题报告
（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：
数字图像在生成、传输等诸多过程中,经常会受到内部或外部的影响而产生图像噪声。图像噪声会导致图像质量下降,甚至会对后续的图像分析以及处理工作产生不利影响,因此图像去噪是图像处理的重要研究内容。本文针对图像中常见的脉冲噪声,尤其是随机值脉冲噪声开展研究,在分析总结现有的主要去噪方法基础上,进一步探索提高图像去噪性能的新方法。线性滤波和非线性滤波是两种典型的滤波类型。本文分析了这两种方法的去噪性能,结果表明非线性滤波(中值滤波)去除脉冲噪声的效果较好。在中值滤波算法基础上,进一步分析了几种典型的改进算法,包括加权中值滤波、极值中值滤波、基于排序阈值的开关中值滤波(OTSM)。利用几何结构检测的去噪算法适用于去除随机值脉冲噪声。该算法运用图像直方图对图像噪声率进行估计,通过自适应选取阈值将像素初步分为信号点、噪声点与待测点叁种类型。然后利用几何结构对待测点进行噪声检测,最后将图像信号点保留,对所有判定为噪声点的像素值进行中值滤波。本文在研究现有典型的图像脉冲噪声滤波算法基础上,提出了以下两种改进算法,有效提高了图像去噪性能。运用MATLAB对算法进行仿真,对算法性能进行分析与比较。(1)提出一种改进的极值中值滤波算法。该算法通过滤波窗口中的极值检测噪声。对于噪声像素,将邻域中所有被判断为非噪声点的像素值进行中值运算,并根据检测结果,自适应扩大滤波窗口直到窗口内包含被用于中值运算的非噪声点像素。仿真结果表明,该算法在高密度脉冲噪声的去噪性能上取得明显优势。(2)提出一种改进的方向加权中值滤波算法。该算法利用图像局部特征自适应设置截断阈值用于检测噪声,并对噪声像素分配合适的权重进行中值滤波。仿真结果表明,改进的DWM算法通过改善噪声检测率,加强邻域非噪声像素的计算权重,对于密度超过40%的随机值脉冲噪声能够取得明显的滤波性能优势。
（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。
随机值脉冲噪声论文参考文献
[1].于海雯,易昕炜,徐少平,张贵珍,刘婷云.两阶段多层感知的随机脉冲噪声比例预测[J].中国图象图形学报.2019
[2].辛倩.图像随机值脉冲噪声的滤波算法研究[D].安庆师范大学.2019
[3].徐少平,张贵珍,李崇禧,刘婷云,唐祎玲.基于深度置信网络的随机脉冲噪声快速检测算法[J].电子与信息学报.2019
[4].史再峰,许泽昊,庞科,曹清洁,姚素英.一种基于开关型加权中值滤波的随机脉冲噪声去除方法[J].南开大学学报(自然科学版).2018
[5].陈庆强,蔡文培,邹复民.高效快速的随机值脉冲噪声去除算法[J].福建工程学院学报.2018
[6].吴尚.基于统计排序的图像随机值脉冲噪声检测方法研究[D].天津大学.2016
[7].杨昊,陈雷霆,邱航.基于加权空间离群点度量的随机脉冲噪声降噪算法[J].计算机应用.2016
[8].丁永平,党丽,刘超,苏醒.一种识别低压电力线载波通信系统中随机脉冲噪声的新方法[J].装备环境工程.2014
[9].陈明轩,周亚丽,张奇志.基于12个方向的方向加权滤波法去除随机值脉冲噪声[J].计算机应用研究.2014
[10].朱柱,王庆,肖彦昌,万雪音,张小国.基于S-ROAD统计量的细节保护随机值脉冲噪声滤波算法(英文)[J].JournalofSoutheastUniversity(EnglishEdition).2012