K均值和中值滤波混合算法及其递归实现

doi:10.3778/j.issn.1002-8331.2009.17.008

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (17): 26-27.DOI: 10.3778/j.issn.1002-8331.2009.17.008

K均值和中值滤波混合算法及其递归实现

黄颖^1,2,王卫星²

1.重庆邮电大学计算机科学与技术学院，重庆 400065
2.电子科技大学电子工程学院，成都 610054

收稿日期:2009-03-24 修回日期:2009-04-24 出版日期:2009-06-11 发布日期:2009-06-11
通讯作者: 黄颖

K-means method/median filter algorithm and recursive realization

HUANG Ying^1,2,WANG Wei-xing²

1.College of Computer Science & Technology，Chongqing University of Posts & Telecommunications，Chongqing 400065，China
2.School of Electronic Engineering，University of Electronic Science & Technology of China，Chengdu 610054，China

Received:2009-03-24 Revised:2009-04-24 Online:2009-06-11 Published:2009-06-11
Contact: HUANG Ying

摘要/Abstract

摘要： 针对标准中值滤波算法边缘保持能力较差的缺点，设计了K均值中值滤波算法和递归K均值中值滤波算法。使用K均值方法将中心像素点的邻域数据序列分成两类，将该像素点所属的这类数据的中值作为输出。为了加快算法的速度，提出了两个阈值T_L和T_H，保证在不影响结果精确性的同时尽量减少处理时间。传统的K均值算法耗时较高，论文的另一个改进是对K均值的优化处理，大大缩短了算法的处理时间。实验证明改进算法具有较好的噪声抑制能力和边缘保持能力。

关键词: 图像处理, K均值方法, 中值滤波, 递归实现

Abstract: This paper designs a K-means median filter algorithm and recursive K-means median filter algorithm to solve the defects of standard median filter.At first，the sample composed by the current pixel and its neighbors is divided into two classes，and the median of the class which includes the current pixel is computed as the result.To ensure the accuracy and speed up the process，two parameters T_L and T_Hare designed.The standard K-means algorithm is a time-consuming procedure，so the optimization is processed in this paper.The experiment proves that the new algorithms can get better noise reduction effect.

Key words: image processing, K-means method, median filter, recursive realization

黄颖^1,2,王卫星². K均值和中值滤波混合算法及其递归实现[J]. 计算机工程与应用, 2009, 45(17): 26-27.

HUANG Ying^1,2,WANG Wei-xing². K-means method/median filter algorithm and recursive realization[J]. Computer Engineering and Applications, 2009, 45(17): 26-27.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[7]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[8]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[9]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[10]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[11]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[12]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[13]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[14]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[15]	潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.

K均值和中值滤波混合算法及其递归实现

K-means method/median filter algorithm and recursive realization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics