《图像随机值脉冲噪声的滤波算法10000字（论文）》

.绪论1.1研究背景当前信息传输中的非语音服务随着技术和科技的发展而在不断进步，作为较为传达信息的载体之一，图片信息不仅在信息蕴含量上足够大，而且其体积往往相较于音频和视频而言，小得多。因此从传播范围上来看，以图片为载体的信息源可谓是最主要的信息传播途径。2016年，美国一个科学家曾在世界范围内做过一定的抽样统计，统计结果显示，目前人类获取信息的推进有将近80%的来源是以图片的形式提供的，图片信息的重要性仅从这个调查中就可见一斑，而随着目前主机工艺的不断进步，7nm技术的问世，给与我们不管是工业上还是家用上的主体都提供了更强大的性能，这时候的图片处理技术也自然会水涨船高，而且人们获取信息的途径也会更加地依赖于图片。数字图像信号处理早期并不是一个完整的学科，而且是上世纪20年代之后，由于战争的促进，数字图像处理正式从信息（信号）处理这个大学科脱离出来，其后经过一个世纪的发展，现如今的图像处理技术早已发展的如火如荼，现如今图像处理技术应用范围及其广阔，上到军事、国防下到家庭用户或者个人用户，都对图像处理的依赖程度逐渐加深。与此同时图像处理的研究也越来越细化，各种与其他学科（方法）融合的图像处理技术不断问世，给整个图像处理学科增添了较强的发展活力。1.2研究目的总的来说，提高图像的质量和清晰度或者仅仅是达到事先预期的效果，这往往是大多数图像处理技术的目的，当然，现实生活中还有一些特殊用法，例如专门给图像进行“增噪”再进行“降噪”而实现的保密等。而往往在信息的传播过程中，由于设备本身的物理特性，或者是天然的气候、温湿度等对传播设备的影响，很容易使数字图像在传播过程中受到影响，特别是其中较为敏感的一些原件，例如光电转换过程中的光电转换器以及将噪声量化的传感器，此外还有一个较为重要的因素就是认为操作的误差性，这些对图像采取的质量和传输都会造成较大的影响。如果不对这种偶然或者必然的因素产生的噪声加以抑制，就会让让图像传输后的质量惨不忍睹，一方面影响到正常使用，另一方面还会影响到图像受众者的主管感受。试想意向，假如一家以图片处理为主要业务的企业出现了上述这种较为严重的图片处理的“不完善”，哪怕只有一次，都是对这个企业未来发展的巨大阻碍。在听觉上的噪声可以理解为超过人体感官舒适度区间的不必要声音，将这种概念移植到信号中，图片噪声就可以理解为超过人体感受舒适区间的不必要影响因素（信号），毕竟人眼存在一定的机能限制。对于一些微小的图片处理不能在大脑之中形成有效的反馈。作为影响图片清晰度的最主要的“罪魁祸首”，噪声往往存在于图片采集和处理的任何一个关节，噪声所造成的污染对图片原有质量的毁坏是极为严重的因此，作为图像信息传输和采集过程中的一个关键环节，图像去噪就显得至关重要了，就其目的而言，往往是为了去除干扰和“意外”噪声，尽可能的保留原有的图片信息的完整。在实际运用在，图片去噪贯穿于图片处理的全过程，不仅是前期的采集，后续对图片信息的诸如分割、或者识别等一个高级处理的时候，也会给原来的图像信息再增添一些新的噪声，这时在这些处理之后，也需要图像去燥处理。1.3研究内容本文在现有滤波算法的基础上，针对固定值脉冲噪声与随机值脉冲噪声的检测和滤波分别都提出了一种新的算法。并且对这两种算法，进行了MATLAB仿真，在噪声检测和去噪性能上进行了分析。本文共分为5个章节。第一章为绪论，介绍了去除脉冲噪声研究的背景与意义和研究现状。第二章为图像脉冲类型和质量评价，2.1节介绍了数字图像脉冲噪声模型，2.2节介绍了去除图像脉冲噪声后质量评价的方法。第三章为脉冲噪声的若干典型去噪算法，依次详细介绍了均值滤波，中值滤波以及各种改进的中值滤波。并对它们进行仿真分析。第四章为随机值脉冲噪声的去噪算法，对随机值脉冲噪声的检测和去除的算法作了详细的介绍，并对这些算法做了MATLAB仿真分析，比较它们在噪声检测，去噪性能和保护细节上等方面的优劣。第五章：论文工作的总结与展望。2.图像脉冲模型和图像处理相关理论2.1图像处理概述2.1.1图像处理的基本方法不同的情况以及不同的领域，对于图像处理额要求可以说存在较大差异。因此，在图像处理过程中需要进行一定的方法划分，例如有的场景需要进行噪声的滤除，而有的场景却需要噪声的增加。然而不管是哪一种方法都需要硬件和软件的辅助实现，可以说软、硬件的更新对于图像处理基础而言是发展基础。目前的图像处理方法都包含图像识别和图像理解这两个步骤，此外，根据图像信号的差异性变化，可以将图像具体分为三个层次作具体分析，即狭义图像处理、图像分析和图像处理。狭义的图像处理指的是通过某种特定的算法之后，实现输出信号对输入信号的取代，其目的而言，大致为三种：一是提高处理后的图像信号的清晰度，便于研究人员分析数据。二则是时效性的比较，速度可以说是任何一种算法的必要性比较指标。三则是处理过程中使用的储存空间，一方面存储空间的大小直接与成本挂钩，另一方面存储空间还决定算法设备是否易于携带。一般来说，狭义的图像处理由于其目的和定义较为清晰，在实际处理过程中较为容易实现，常见的图像处理有二值化、直方图均衡化以及各种值的滤波算法（其中包含中值滤波）。2.2.1图像滤波的运用分类虽说在实际情况中人为操作等其他因素对于图像的质量有一定影响，但是总的来说，自然环境对图片所造成的噪声干扰是主要因素，这也是目前的主流研究所着重解决的问题。就自然噪声而言，以图像信号的关系的来划分的话，主要可以分为两个部分，一是加性噪声，这种噪声对图片质量影响较小，只是一种线性关系叠加，很容易通过滤波器直接过滤，二是乘性噪声，这种噪声对型号产生的干扰较大，而且纠缠度极高，对其的过滤需要进行一定的变换。目前的研究人员通过大量的实证研究和归纳，发现现在的图片噪声有大致的分布规律和频谱特性，并根据不同的类型研究出对应的去噪法。总体而言，目前的去噪方法大致可以分为两类，如下：（2）空间域方法这种方法较为适用于上文所述的加性噪声，这种方法的处理对象是未经过任何变换的图像本身，通过数据运算，处理像素的灰度值来实现图像的去噪。在具体操作上，空间域方法也可以分为两种，第一种叫点操作，顾名思义，就是将图像分为若干个“点”，然后对每个“点”进行逐步操作。第二种叫局部操作，这种操作主要是处理像素点的邻域相关的空间域，通过对空间域轮廓的大致处理时限图像的降噪。具体方法而言，目前常用的空间域处理法为邻域平均法（属于上文所述的第二种操作），在学术上也有另一个称呼——均值滤波。该方法虽然简单易行，但是缺点也很显著，该法处理过的图鉴在整体的分辨率上会有所下降，毕竟在这种方法的操作下，图像信号邻域内所有像素的灰度平均值来代替该像素原来的灰度值，势必会导致像素的降低。除此之外，就是本文的研究对象，中值滤波法了，该法作为一种空间域非线性滤波方法，可以在一定程度上降低对原始图像信号的运算，在实际操作过程中相较于均值滤波法较为渐变，而且在一定条件下，由于自身非线性处理的性质，可以在很大程度上避免现行处理所带来的的各种弊端，尤其是对滤除脉冲噪声而且，效果极为明显。（2）变换域方法这种方法较适应与上文所述的乘性噪声，为了对乘性噪声加以过滤，该方法通常对原始图像进行一定的变化，在变换域里面对图像信号进行处理，随后通过逆变换实现图像的复原，在这过程中实现图像的降噪。具体方法而言，变换域的处理手段多种多样，像傅里叶变换、拉普拉斯变换、Z变换都是较为常见的变换域处理手段。在实际处理过程中，噪声信号往往较高，当对乘性信号进行变换域处理之后，噪声信号就会和原始信号呈现一种上下的线性关系，以傅里叶变换为例，原始图像信号经过傅里叶变换之后，包裹原始信号、噪声信号在内的所以信号都会变换到频域，而频域的处理相较于时域的处理较为简单，这时候通过频域内的特定修正，就可以分辨出原始信号和噪声信号，其后在通过一定限度的低通滤波器就可以实现过滤掉噪声信号的目的，最后再通过傅里叶变换逆变换实现原始信号的复原。然而，这种方法较为复杂，而且上述的假设也只能发生在原始信号和噪声相互分离的时候才能通过低通滤波器进行完整的过滤，然后在实际上，原始信号经常会和噪声的频带相互重叠，这时候再进行变化域法的处理就在一定程度上对原始信号产生“模糊”，因此以傅里叶变化为代表的变换域法往往用于保护局部信号免于失真或者在整体上抑制噪声的作用。总的来说，不同的去噪方法对应不同的噪声类型，近年来各种方法在单独工作上的局限性愈发突出，因此目前的研究人员针对混合噪声污染的图像往往采取多种方法并行的手段进行原始信号处理，哪些方法之间能产生奇妙的化学反应还有待研究人员去探究。2.2图像脉冲模型和图像质量评价数字图像在成像与传输过程中，由于传感器器件自身噪声或者环境影响，会造成图像的噪声污染，影响了图像视觉效果，甚至导致无法分辨图像中的部分细节信息，对图像后续处理带来诸多困难。由于产生噪声的原因不同，导致噪声类型也多种多样。例如脉冲噪声，根据图像中噪声点的分布与灰度值的幅值，可以将脉冲噪声分为固定值脉冲噪声和随机值脉冲噪声，这两种噪声及其概率密度函数可以利用数学模型进行描述。2.2.1固定值脉冲噪声固定值脉冲噪声的数学模型可采用下式描述式2.1表示图像中的每个像素产生幅值为a的噪声的概率为Pa，产生幅值为b的噪声的概率为Pb，其他幅值噪声的概率为0。脉冲幅值可能是正值，也可能是负值，所以称为双极性脉冲噪声。本节所讨论的是椒盐噪声。图2.1是其函数曲线。图2.1固定值脉冲噪声概率密度函数曲线2.2.2随机值脉冲噪声随机值脉冲噪声是一种生产生活中常见的脉冲噪声，其受污染的像素灰度值独立地在区间，中取值且随机分布，其数学模型可采用下式描述随机值脉冲噪声模型：其中，是受到污染的像素值，是未受到污染的像素值，P为像素被污染的概率，其大小在[0,1]区间内。，其中是随机独立的取值，在图像中随机分布。由于随机值脉冲噪声污染图像中，噪声像素和它周围像素的灰度值相关性不大，噪声像素的特点不明显。因此使用一般的滤波方法去除噪声，其效果不佳。2.3图像去噪质量（1）主观评价主观质量评价是指以人作为评价的主体，对图像的好坏做出主观上的评价。选择测评人应考虑两种类型，一种是“内行”，对图像有一定敏感度，有一定图像技术的人，另一种就是“外行”，指没有受过图像训练的人。主观评价结果会因为每个评价者的经验、知识层面和生活阅历不同而受到影响，主观评价在实际应用中有许多不便。（2）客观评价图像质量的客观评价的意义是：首先对一个恢复图像效果好坏的判定，选择一个客观的评价标准具体衡量。在评价被噪声污染的图像时，需要提供一个无污染的原始图像，经过二者对比，得到一个客观评价结果，如峰值信噪比、均方差、结构相似度）等。3.脉冲噪声的若干典型去噪算法3.1中值滤波3.1.1中值滤波技术简介早在上世纪70年代，中值滤波技术的产生就有了清晰的发展萌芽，不过从其用途而言，由于当时二维技术的发展尚欠完善，因此当时的中值滤波技术主要用于一维的离散信号处理。尤其是军队的信息传递上，中值滤波技术更是有完全代替传统的密码通信的趋势。在中值滤波使用时由于其基础排列理论特性，不仅能够在一定程度上区分噪声和信号，而且能够有效区分信息处理过程中存在的各种数据误差。就目前而言，中值滤波技术广泛使用于各种类型的二维信号中，即图片。主要思想为替代原则，即用其他像素点的值来替换处理像素区域的某个点值。在该技术的使用过程中不仅需要一定的计算机技术，而且还对其他方面诸如数学知识方面也有一定的要求，而且随着技术的发展，中值滤波技术的涉及范围将会越来越广阔，同时也将与不同的学科结合成为适合不容信号的处理工具。3.1.2中值滤波的主要特性（1）滤除噪声的性能作为一种非线性运算，中值滤波在实际处理过程中势必会有较为繁琐的处理过程，过程的复杂性也正是噪声滤除的基本保证。而且大量实际研究也证明了中值滤波输出的信号输入会在输入噪声密度增大的过程中逐渐变小，这也反映了该技术较强的噪声滤除性能，能够将噪声信号与原始信号进行初步的区分，保证原始信号的失真度较低。然而，在处理一些简单初级噪声的时候，中值滤波技术那种较为繁琐的处理过程显得有点“杀鸡用牛刀”了，实际的降噪效果甚至还不如平均滤波技术。这主要是因为在实际处理过程中相较于中值滤波产生的信息方差而言，平均滤波技术所产生的信息方差小得多，不仅如此，运算的简化也使平均滤波技术在同样时间内处理信号的速度较快。但是在脉冲信号处理方面，由于平均滤波技术的局限性，导致其不能够很好的一直脉冲信号里面的噪声信号，因此在实际处理脉冲信号的时候，需要大范围地运用中值滤波技术。（2）对某此信号的不变形中值滤波技术由于其处理特性在实际处理过程中可以实现对某些信号的“格外照顾”，这些信号会在处理前后保持不变，其中就包括原始信号以及一定的人工“增噪”的信号。然而，当这种信号用于二维领域的时候，其复杂程度将会呈几何倍数的上升，同时对特定信号的“格外照顾”也在技术实现上有明显的区别，饶是如此，二维信号的“保真”在目前也已经实现，而且这种二维技术“保真”研究也是目前对中值滤波处理技术的基础发展方向。同时也这种技术的运用也是的中值滤波技术在图像处理过程中占据更为主要的地位。（3）中值滤波的频谱特性与线性运算这种单纯的识别方式不同的是，中值滤波这种非线性运算不仅有着上述对特定信号的“格外照顾”，还能对输入和输出信号进行复杂的关系识别，这种信号识别的复杂性直接让中值滤波技术在技术复杂性方面有了较大的扩展性，在实际应用上无疑更具优先性。而且在实际应用中，大量的实践也证明了中值滤波器在面对任何输入信号都会产生较高的光谱响应，而且输入信号在进入系统的时候对原始信号波长的影响较小。虽然中值滤波由于其非线性的特性，在对信号的处理之后所传递出来的信号波形存在一定的“弯曲”，但是在大多数情况下，没有噪声的干扰的时候，信号振动幅度较小，因此这时完全可以认为信号的变化不大。这也直接说明中值滤波的频谱特性较灵活，能够排除大多噪声的干扰，即便是在复杂的信号传动之后也能够保证频谱形状的大致不变形。3.1.3传统中值滤波的基本原理和分类中值滤波顾名思义就是以一个邻域中各点的中值来代替各图像信号或者数字序列中的各值，在过程中可以实现一定的噪声滤除作用。中值的定义如下：一组数，将这一组数由小到大排列得：=其中，y为该序列的中值，med为求中值的输出。点的特定长度或形状的邻域现在被称为窗口。在一维情况下，中值滤波是使用奇数个点的滑动窗口，并用窗口中每个点的中值替换窗口中心点的值。此时，维度将会有不同的情况。（1）一维中值滤波算法设一个一维序列{}，其中为自然数几何，娶窗口长度为，对该一维序列进行中值滤波处理也就是从输入序列中，在以为中心的区间里面相继抽取个数，再将这个数从小到大的排列，这时候就可以得出序号中心点的那个数就是滤波器输出。即：图3.2中值滤波和均值滤波对比对于一维情况，这是对几个基本信号进行中值滤波和均值滤波的一个例子，窗口包含5个元素。从图3.2可以看出，中值滤波器在面对特定的一维信号的时候，对信号本身的影响较小，例如上图汇总的阶跃函数和斜坡函数，而且从其他脉冲信号还可以看出，中值滤波器可以很好地消除突出的单脉冲或者双脉冲信号，最后就三角信号而言，在通过中值滤波器之后可以达到顶部信号平坦的目的。（2）二维中值滤波与一维中值滤波相比，二维中值滤波有很大不同。不仅窗口的形状和大小也会影响输出的信噪比，不同的输入类型也在影响范围之内。以常见的二维信号为例，例如矩形、圆形等较为常见的二维图像，这些信号在处理过程中的中心毫无疑问是位于整个图像信号最中间的，而且周围的信号还会随着窗口大小的变大而逐渐增大，这时候的中值滤波器在处理过程中就会面临较为繁琐的“重复”滤波行为，指导最终的滤波信号其清晰度让人满意。一般而言，在实际过程中，对于那些拥有长轮廓线且缓慢变化的图像，适合使用正方形或圆形窗口实现噪声滤除，而对于那些图像较为陡峭的图像信号来说，则适合使用十字形窗口。而且不管是哪一种信号，在处理过程中的窗口大小要小于目标处理图像信号的图像大小。除了中值滤波的滤波效果之外，它的另一个显著特征是它的根信号特征。中值滤波根信号被定义为中值滤波后保持不变的信号分量。许多学者对中值滤波做了大量的研究，特别是对一维信号中值滤波根信号的结构、性质和应用做了大量的研究，并得出了许多有用的结论。研究表明，一维信号经过有限中值滤波后可以收敛到根信号。中值滤波根信号比中值滤波处理结果具有更好的脉冲噪声消除和高斯噪声平滑能力。3.1.4传统中值滤波的算法实现简单来说中值滤波就是选择一定形式的窗口使它在图象的各点上移动用窗内象素灰度值的中值代替窗中心点处的象素灰度值，传统的中值滤波算法实现过程如下（1）选择一个的窗口，通常为的或者。并在该窗口沿图像数据横向或者纵向移动。（2）每次移动之后对窗内的逐像素灰度进行排序（3）用排序之后的中值来代替原始的像素灰度值一般而言中值滤波传统算法程序框图如下图3.1：图3.1中值滤波传统算法程序框图很显然这种较为繁琐的排序在对较大容量的图片进行处理的时候毫无疑问会花费大量时间，此外，对于复杂的图像处理，传统中值滤波还存在以下缺点：标准中值滤波存在一定的盲目性和保守性，作为一种非线性以及非参数估计的滤波处理技术，中值滤波技术在实际处理过程中不能很好地对获取信号进行一定的模型参考，而且这方面的人为操作空间太大，容易产生较大额误差。（2）传统中值滤波的适用性较为狭窄。如中拖尾分布高斯分布和短拖尾分布均匀分布的噪声信号的抑制能力不足以实现滤波的预期目标。（3）上文提到，在中值滤波信号实际处理过程中的窗口大小要小于目标处理图像信号的图像大小，然而当滤窗内的干扰信号面积大于整个窗口面积一般的时候，中值滤波毫无作用，这就需要在信号处理之前对原始信号进行初步的降噪处理，无形之中就增加了滤波程序的繁琐程度。（4）在中值滤波处理过程中，当面对的处理信号为非常数信号的时候，处理完的信号好容易出现边缘抖动和移位现象，这于滤波的目的无疑是相悖的。在考虑到传统中值滤波基础存在相当多的缺陷之后，研究人员在传统滤波的基础上不断进行拓展研究，上文所述的各种新型滤除方法还只是九牛一毛。下文将以对传统中值滤波技术研究引用较为广泛的一种快速中值滤波算法进行具体介绍。为了说明中值滤波在滤波脉冲噪声中的作用，下面进行比较。3.2均值滤波均值滤波也叫做线性滤波，其原理是对图像上的当前像素给一个滤波模板，模板包含该像素以及其所有邻域像素，然后用模板中的全部像素（除当前像素）的平均值来代替此像素值。根据图像的特点自适应的选择滤波模板，本节选择是3*3模板，均值滤波计算式如下其中为噪声图像，为经过滤波处理后图像。S为以点为中心的邻域像素的集合，M为邻域像素总数。均值滤波能够有效的对局部区域噪声点进行处理，优点是简单易操作，缺点是这种对所有像素统一处理的方式可能使未受污染的像素变得模糊，在一定程度上导致图像细节和边缘出现模糊。3.3一种改进的方向加权中值滤波算法方向加权中值滤波(DWM,directionalweightedmedian)是用于去除随机值脉冲噪声的典型算法。DWM算法基于当前像素与其四个主要方向的邻域差异而设计，与加权中值滤波相结合，抑制图像噪声的同时能够保持更多的细节特征。本文依据图像局部特征自适应设置截断阈值，用于判断当前像素是否属于噪声像素，并将判断结果用于修正DWM算法的中值运算的像素权重。改进的DWM算法用于去除图像中高密度随机值脉冲噪声，有效提高了算法的去噪性能。就DWM算法而言，对于5×5的过滤窗口，设定中心像素坐标。通过将空间划分为四个方向并且对第k个方向上的每个像素与中心像素之间的灰度差进行加权相加，来计算k个方向上的方向指数。随机值脉冲噪声像素的亮度与局部背景融合度差。利用这一视觉现象，构造一种阈值截断算子对用于噪声像素判别。以像素(i,j)为中心，选取大小为2n+1的窗口。首先，计算窗口中每一行像素亮度的中值，构成包含2n+1个元素的向量。然后，计算窗口中每一列像素亮度的中值，构成包含2n+1个元素的向量。合并以上两个向量，记录其中的最大值最小值。判断中心像素(i,j)的亮度是否位于这个区间。若在此区间内，则认为该像素溶于背景，将其认定为非噪声像素，记并录噪声判别值Noise(i,j)为假；若中心像素亮度不在此区间内，该像素不溶于背景，令其噪声判别值为真。通过在输入图像中滑动窗口，可得到一个噪声判别矩阵Noise。在DWM算法基础上，将上述的噪声判别矩阵Noise用于优化式(4.18)中的DWM算法的像素权值。式(4.21)是DWM算法对滤波器权重的定义，主要考虑了两个因素：首先对3×3邻域的所有像素在中值运算中保留1个重复次数；然后进一步对属于边界保持方向的像素增加1个重复次数。本文在DWM算法基础上进一步考虑将3×3邻域内噪声像素与非噪声像素对权重的不同影响，对判别为非噪声的邻域像素在DWM算法基础上对其权重继续增加1个重复次数。这种修正像素权值后的中值运算在一定程度上加强了非噪声像素对噪声修复的主导作用。尤其当噪声密度较大时，非噪声像素数量减少，提高非噪声像素在中值运算中的权重，有利于提升去噪质量。采用改进的DWM算法，对添加密度从10%到70%随机值脉冲噪声的图像进行滤波，噪声图像及其滤波结果见图4.2。图中，上面为噪声图像，下面为对应的去噪图像。同样的噪声图像同时还采用了DWM算法算法进行去噪，并将两种方法的去噪图像的PSNR值进行比较，见表4.2。图4.2不同密度随机值脉冲噪声及其去噪结果将本章阐述的几种随机值脉冲噪声去除算法的PSNR值进行比较，绘于图4.3。可以看出，改进的DWM算法通过改善噪声检测率，加强邻域信号点像素的作用，在密度超过40%的随机值脉冲噪声的滤波性能上相对于DWM算法取得明显优势。

4.结语技术的进步不仅让以前一些难以想象的技术变成现实，而且在某种程度上还有所突破，以图像处理技术而言，以往的数据处理由于没有足够的核心处理器加以辅助，而不能实现较为体量的图像处理，而现在随着工艺的进步，CPU性能越来越强，图片处理的技术也因此得到了巨大的飞越。本文以图像信号中的随机脉冲噪声为研究对象，首先就图像处理脉冲信号的理论、方法种类、质量评价等方面做出阐述，最后在介绍脉冲噪声的若干典型去噪算法的基础上，提出一种改进的方向加权中值滤波算法。通过合理地设置运算中的像素的权值，加强非噪声像素噪声恢复的主导作用，尤其对于高密度噪声，提高非噪声像素在中值运算中的权重，有利于提升去噪质量。

参考文献[1]张军鹏,刘克轩,赵燕.一种改进的随机脉冲噪声去除方法[J].西南民族大学学报(自然科学版),2006,32(2):312-315.[2]单建华.种子像素滤波法去除随机脉冲噪声[J].中国图象图形学报,2012,17(1):49-53.[3]史再峰,许泽昊,庞科,etal.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),2018,51(04):65-69.[4]董继扬[1],张军英[2].随机值脉冲噪声滤波算法[J].计算机工程与应用,2006(16).[5]何海明.去除数字图像脉冲噪声的算法研究[D].浙江大学,2014.[6]刘刚,姚力,张家才.一种改进的去除脉冲噪声的方法[C]//图像图形技术与应用学术会议.2008.[7]郭远华,周贤林.基于灰度密度和四方向的随机脉冲噪声检测[J].计算机科学,2016(z2).[8]商泽利,水鹏朗,王小龙.利用几何结构检测去除图像中的随机值脉冲噪声[J].中国图象图形学报,2008(07):97-102.[9]杨燕,陈启强,万毅.快速随机值脉冲噪声的估计检测和滤波方法[J].兰州大学学报(自然科学版),2010(04):126-129.[10]陈海虹.一种针对彩色图像随机值