在matlab中实现智能递归算法

Question

我参考以下paper 并尝试实现 matlab 中给出的算法

唯一的问题是我如何找到嘈杂的像素，即具有脉冲噪声的像素？

X 似乎是我必须计算的图像中的脉冲像素

_

____________________________________________ 
Input – Noisy Image h 
_______________________________________________ 
Step 1: Compute X 
             for every pixel repeat steps from 2 to 7 
Step 2: Initialize w = 3 
Step 3: If X(i,j) ≠ Impulse pixel 
                 goto step 7  
Step 4: ∆i,j = { h(i1,j1) | i-(w-1)/2 ≤ i1 ≤ i+(w-1)/2,  
                                                j-(w-1)/2 ≤ j1 ≤ j+(w-1)/2} 
             b=no. of  black pixels in the window 
             w=no. of white pixels in the window 
Step 5: If ∆i,j ≠ NULL 
                    p(i,j) = mean(∆i,j
) 
                    d(i,j) = | h(i,j) – p(i,j) | 
            else   if (w < wmax) 
                           w=w+2 
                           goto step 4 
           else   
                     if (b>w) 
                           h(i,j)=0 
                    else 
                           h(i,j)=255 
Step 7: Goto next pixel 
Step 8: Calculate threshold t, from detailed coefficient  
                  matrix d 
            for every pixel 
Step 9: If (d(i,j)>t) 
                    h(i,j)=p(i,j) 
____________________________

编辑：为了实现 PSM 或中值滤波方法，我们 需要设置一些参数和阈值。这 阈值取决于图像和噪声 密度。因此，要恢复不同的图像，我们需要检查 一系列阈值并找出最佳值。所以，在 我们提出的算法消除了定义阈值的需要。算法智能，判断 阈值自动。

Answer 1

你试图实现的文章显然写得很糟糕...... 例如在算法中w 意味着两件事：窗口的大小和白色像素的数量！！！

第 1 步和第 7 步都指的是同一个循环。

无论如何，对我来说，“脉冲像素”是所有等于 0 或 255 的像素。

基本上，它们是属于“椒盐”噪声一部分的像素。

所以基本上，您可以通过以下方式找到它们：

[impulsepixelsY,impulasPixelX]=find((im==0)|(im==255));

Answer 2

从论文看来，在椒盐噪声的情况下，“脉冲像素”只是噪声像素。此外，如果噪声像素的值高于阈值（它自适应地计算），该算法似乎还提供了一种“智能”机制来计算噪声像素的去噪值。

那么，“如果 X(i,j) ≠ 脉冲像素”呢？好吧，显然，作者假设知道（！）哪些像素是嘈杂的（！！），这使得整个事情变得相当荒谬，因为几乎不可能知道这些信息。

我还可以补充一点，论文中提出的相当惊人的结果很可能是由于这个事实。

附：关于的论点，这是错误的。具有 0 或 255 强度值的像素集包括噪声像素以及恰好具有这样的值的适当像素。在这种情况下，算法很可能会崩溃，因为它也会去噪健康像素。