自适应投票快速中值滤波算法研究

doi:10.3778/j.issn.1002-8331.2010.06.042

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (6): 148-150.DOI: 10.3778/j.issn.1002-8331.2010.06.042

• 图形、图像、模式识别 • 上一篇下一篇

自适应投票快速中值滤波算法研究

张欣¹，刘英¹，高秀艳^1，2

1.河北大学电子信息工程学院，河北保定 071002
2.河北软件职业技术学院，河北保定 071000

收稿日期:2009-02-17 修回日期:2009-04-08 出版日期:2010-02-21 发布日期:2010-02-21
通讯作者: 张欣

Research on auto-adapted voting fast median filtering algorithm

ZHANG Xin¹，LIU Ying¹，GAO Xiu-yan^1，2

1.College of Electronics and Information Engineering，Hebei University，Baoding，Hebei 071002，China
2.Hebei Software Institute，Baoding，Hebei 071000，China

Received:2009-02-17 Revised:2009-04-08 Online:2010-02-21 Published:2010-02-21
Contact: ZHANG Xin

摘要/Abstract

摘要： 中值滤波是图像处理中常用的滤波方法，其优点是能有效滤除图像中的噪声像素，同时还有一定的保持图像边缘的效果；其缺点是滤波速度慢、图像边缘细节保持效果不理想。在分析中值滤波及其改进算法的基础上，提出了自适应投票快速中值滤波算法（AVMF）。该算法一方面利用图像噪声的特征自适应筛选出需要滤除的噪声像素，另一方面利用滤波窗口的中值元素的特点以及滤波窗口移动的特性，采用完全不排序的投票法快速计算中值。使用Lena图像对AVMF算法进行测试实验，实验结果表明：AVMF同多种中值滤波改进算法比较，不仅能有效滤除噪声和较好地保留图像边缘细节，而且极大地提高了滤波处理速度。

关键词: 图像处理, 中值滤波, 自适应投票法

Abstract: The median filtering is a common method used in image processing.Its advantages lie in that it can not only eliminate the noise pixels effectively，but also maintain the image edge to some extent.But the filtering speed and the effect of maintaining the image edge detail are not ideal.On the basis of analyzing the median filtering and its improved algorithms，Auto-adapted Voting fast Median Filtering（AVMF） is proposed in this paper.On one hand，this algorithm screens the noise pixels auto-adaptively using the characteristics of image noise；on the other hand，using the characteristics of median pixel and the window moving，adopting voting algorithm without sorting in whole，the median value is obtained quickly.The Lena image is used to carry on the test experiment for the AVMF algorithm，and the results show that compared with many other improved median filtering algorithms，using AVMF to image filtering，the noise is reduced effectively，the image edge and the detail are maintained well，moreover，the filtering is speedup greatly.

Key words: image processing, median filtering, auto-adapted voting

中图分类号:

TP301

TM621

张欣¹，刘英¹，高秀艳^1，2. 自适应投票快速中值滤波算法研究[J]. 计算机工程与应用, 2010, 46(6): 148-150.

ZHANG Xin¹，LIU Ying¹，GAO Xiu-yan^1，2. Research on auto-adapted voting fast median filtering algorithm[J]. Computer Engineering and Applications, 2010, 46(6): 148-150.

[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]	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.

自适应投票快速中值滤波算法研究

Research on auto-adapted voting fast median filtering 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