分类中值滤波算法的研究

doi:10.3778/j.issn.1002-8331.2009.11.010

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (11): 34-36.DOI: 10.3778/j.issn.1002-8331.2009.11.010

分类中值滤波算法的研究

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:2008-12-11 修回日期:2009-02-13 出版日期:2009-04-11 发布日期:2009-04-11
通讯作者: 黄颖

Research on classification median filter algorithm

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:2008-12-11 Revised:2009-02-13 Online:2009-04-11 Published:2009-04-11
Contact: HUANG Ying

摘要/Abstract

摘要： 在标准中值滤波算法的基础上提出了基于聚类方法的滤波算法，该算法除了考虑当前像素和邻域组成的序列的统计特征之外，还考虑到了该序列的结构性特征。首先将该序列分成两类，然后计算当前像素所在的类别的中值作为滤波器的输出。该算法还设计了高低两个阈值来界定中值和均值之间的绝对差的范围，当绝对差属于不同的范围时采用不同的处理方法。最后使用了一些典型例子来说明该方法的去噪效果比标准的方法要更好一些。

关键词: 图像处理, 聚类方法, 中值滤波

Abstract: A modified median filter algorithm based on clustering method is presented in this paper.At first，the computation of median，mean of the series composed by the current pixel and its neighbors is necessary to estimate the distribution of the series，which is utilized to decide the classification method.Then，the series is classified into two classes with clustering method or fast classification method，and the median of the class which includes the current pixel is chosen as the result.Two parameters（T₁ and T₂） are used for the consideration of speed and accuracy.Some examples are given to prove the new algorithm can get better noise reduction effect.

Key words: image processing, clustering method, median filter

黄颖^1,2,王卫星². 分类中值滤波算法的研究[J]. 计算机工程与应用, 2009, 45(11): 34-36.

HUANG Ying^1,2,WANG Wei-xing². Research on classification median filter algorithm[J]. Computer Engineering and Applications, 2009, 45(11): 34-36.

[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]	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.
[4]	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.
[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]	郑毅，马盈仓，杨小飞，续秋霞. 基于[k]-近邻与局部相似度的稀疏子空间聚类[J]. 计算机工程与应用, 2020, 56(4): 99-108.
[15]	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.

分类中值滤波算法的研究

Research on classification median filter algorithm

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