两种小波阀值去噪算法的比较研究

传统的小波去噪算法是对含噪信号的正交小波分解系数硬取阀值或软取阀值(该文提出软取的阀值应大约为硬取阀值的一半),这种算法可能会使重构信号在奇异点邻域产生人为的振荡,即Gibbs现象。能有效消除或减弱振荡的一个有效方法是对含噪信号进行在某个范围内所有可能的循环平移(实际上反向平移小波),然后用阀值估计信号,并对逆平移后的估计取平均得到重构信号。该文研究了平均平移算法的实现及平移范围与去噪效果的关系。     

一种改进阈值的平移不变量小波消噪方法

分析了小波消噪软、硬阈值方法,提出一种改进阈值的平移不变量小波消噪方法.采用重复循环平移原始信号的方法消除不连续点的相互干扰,分别进行小波分解.使用改进的阈值量化算法,通过处理小波系数的幂次和阈值的幂次来估计小波系数,并重构信号,对重构信号进行相反平移,通过相反平移信号求平均得到消噪后的信号.对表面肌电信号处理的实验结果表明,与传统的阈值法相比,该方法提高了信噪比,降低了均方误差.     

尺度不变V变换信号消噪

传统的小波变换方法用于信号的逼近、重构和消噪,通常会引起信号失真,例如在信号奇异点处的Gibbs现象,这是由于小波基函数的连续特性所引起的.该文提出一种新的尺度不变V变换(SIVT),可用于信号重构和消噪,并能有效消除信号逼近过程中的Gibbs现象.V系统是Haar小波基函数的扩展,并且是一种不变集上的多小波.信号消噪的困难点在于奇异点处的局部信号重构.该文通过对信号奇异点的分析,创新地提出采样信号局部尺度变换结合正交变换的方法(称为尺度不变V变换)进行信号消噪重构.实验结果表明该文方法消噪重构的信号比基于小波变换重构的信号有着更好的效果和更高的信噪比值.尺度不变V变换的理论表明了这种新的技术框架在某些信号重构问题上比小波变换方法更具优势.     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题，提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点，对含噪IMF分量采用小波熵自适应阈值去噪后，与信号IMF分量重构，得到去噪后的心音信号。仿真结果显示，在不同信噪比条件下，上述算法均能明显提高心音信号的信噪比，降低均方根误差，优于其它传统去噪算法，具有良好地抑制噪声能力。     

基于平移不变小波的语音信号去噪研究

通过小波阈值方法可以去除语音中的噪声,但它的结果中会出现诸如Pesudo-Gibbs现象之类的情况.为消除此类情况,将平移不变量小波变换引入到语音信号去噪中,并结合阈值方法进行去噪处理.经过仿真实验,证明这种方一法比一般的阈值方法有很大改进,提高了信噪比.     

一种循环平移的Contourlet变换去噪新方法

与小波变换相比，Contourlet变换等多尺度几何分析方法，可以更好地逼近含线奇异的高维函数。针对Contourlet变换缺乏平移不变性的缺陷，提出了一种基于Contourlet变换以及循环平移的图像去噪方法，即MCT方法。由于阈值去噪会在重构的图像中产生虚假成分（视觉魇像），尤其是在奇异点附近交替出现较大的上下幅值振动。而循环平移的目的就是在给定范围内寻求最佳平移量（或平均平移量），通过改变图像的排列次序，从而改变奇异点在整个图像中的位置来达到减小或消除振荡幅度，进而改善由于伪Gibbs现象所导致的蚊状噪声。实验表明，与抽样小波去噪相比，该方法明显可以更好地保持图像边缘；同时也一定程度上改进了传统Contourlet变换去嗓方法所带来的视觉魇像的缺点，较好的保留了图像的细节部分，且峰值信噪比（PSNR）也较高。     

基于小波域影响锥的小波萎缩去噪算法

信号的奇异点和不规则结构往往携带了一些重要的信息,而小波变换是检测信号奇异点和跳变沿的一种有效的工具。为了更好地从噪声污染的信号中消除干扰和保留信号原始特征,根据奇异点影响锥的范围和小波域模极大值线传播特性,提出了一种新的算法来寻找奇异点影响锥内的小波系数,并进行去噪处理。仿真实验表明：与传统的阈值去噪方法相比,该算法实现简单并且有着更好的滤波性能。     

小波变换在车流量检测雷达信号去噪中的应用

分析了车流量检测雷达中频信号的特点,探讨了小波变换在中频信号去噪中的应用;分别采用小波变换阈值法、平移不变量法和小波变换模极大值法对中频信号进行了去噪处理并对这三种方法的去噪性能进行了分析;实验结果表明,三种方法均能有效的抑制噪声,其中小波阈值法去噪效果较好,计算速度很快;平移不变量法去噪效果略优于小波阈值法,但计算速度较慢,模极大值法虽然取得了最好的去噪效果,但计算速度很慢;综合而言,小波变换阈值法最具实用价值。     

基于小波阈值去噪的收缩函数改进方法

经典的小波去噪方法有软阈值、硬阈值滤波两类。软阈值收缩函数滤波后信号过于平滑,而硬阈值收缩函数滤波后在信号突变处伴有吉布斯现象。因此,提出介于软、硬阈值之间的一种收缩函数,通过其对小波系数的估计,使滤波后的信号在过分平滑与边缘振荡现象之间达到合理的平衡。在分析的基础上,给出了各种方法滤波后的PSNR对比值以及图像。实验结果表明,该方法在去噪的同时既有效地消除了振荡现象,又保留了部分细节信息。     

曲线拟合确定阈值的非抽取小波贝叶斯图像去噪方法*

非抽取小波变换(UDWT)不仅具有时间和频率的局域特性,还具有良好的平移不变性,能有效抑制传统小波去噪方法产生的伪Gibbs现象.文中通过统计分析图像的UDWT系数,得到UDWT系数具有较强的非高斯统计特性的结论.在此基础上,应用广义高斯分布模型对系数进行建模,提出基于图像标准差的曲线拟合方法以提高图像噪声标准差估计值的精度,并以此确定去噪阈值.文中方法依据UDWT的平移不变特性有效抑制传统小波去噪方法出现的伪Gibbs现象,通过提高去噪阈值的精度以提高图像的去噪效果.大量仿真实验验证文中方法的有效性.     

平移不变小波去噪法在胎儿心率提取中的应用

用传统的小波阈值法对超声多普勒胎儿心脏回波信号进行去噪处理时会产生Psuedo Gibbs现象,影响了去噪效果和胎儿心率值的提取。为了解决这个问题,在此基础上提出了平移不变小波法去噪。实验结果表明,该方法有效的抑制了Psuedo Gibbs现象,剔除了信号中的噪声,识别出被噪声淹没的有用信号,有利于心率值的提取。     

基于小波分析和概率神经网络的心音诊断研究

心音对大多数心血管疾病具有极高的临床诊断价值,对心音信号进行分析有助于临床上对心脏疾病的诊断。为了利用计算机智能分析心音信号,提出利用多尺度小波分解消除信号中的噪声,从各频带提取特征值,用概率神经网络（PNN）来进行心音信号的自动分析诊断。用Matlab仿真的方法测试了5种不同类型心音信号的分类情况,结果表明该方法可行。     

车载光电测量平台晃动监测数据分析

车载环境下由于加速度计自身和外界环境干扰等因素的影响,真实的加速度信号叠加了大量干扰信号。针对加速度计信号特点,采用小波阈值去噪对加速度计信号进行了滤波处理。建立一个振动信号模型,将真实的加速度计的输出噪声作为干扰成分叠加到该模型上,选择较优的小波参数,对仿真信号进行小波阈值去噪,去噪后信噪比（SNR）由4．24dB提高到20．45dB,均方根误差（RMSE）由0．051改善到0．0081。据此对真实加速度计输出信号进行去噪处理,实验结果表明：小波阈值去噪对加速度信号具有良好的滤波效果。     

基于阈值的小波域语音降噪新算法

提出了一种新的基于阈值的小波域语音降噪算法。采用小波包对含噪语音进行分解，克服了传统的正交小波变换的缺陷。采用自适应阈值的方法，对每一尺度上的噪声最大量进行去噪，保留有用信号，可以进一步提高信噪比，仿真实验表明，该方法有更好的去噪效果。     

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。     

生产过程中的小波阈值信号去噪方法

在工业生产过程中,由于设备所收集到的混合信号中包含大量的背景噪声信号,而这些背景噪声信号会影响到异响有用信号的提取。因此,为对收集的信号进行消噪,提出了小波阈值去噪中估计小波系数的软阈值和硬阈值方法,结合硬阈值和软阈值方法各自的特点,采用了几种改进的方案,分别是多项式插值法,软、硬阈值折衷法和模平方处理方法。最后给出了数值试验,结果说明,改进的小波阈值方法都得到了较好的去噪效果,为工业生产过程优化信号提取提供了依据。     

改进的Ridgelet变换图像去噪方法

提出了基于平移不变的ridgelet去噪方法,与平移不变小波去噪相比较,试验结果表明平移不变的ridgelet算法在消除和抑制噪声的同时能更好地保留图像边缘特征,并且显著改善了峰值信噪比。     

An Improved Lung Sound De-noising Method by Wavelet Packet Transform with Pso-Based Threshold Selection

Lung abnormalities and respiratory diseases increase with the development of urban life. Lung sound analysis provides vital information of the present condition of the pulmonary. But lung sounds are easily interfered by noises in the transmission and record process, then it cannot be used for diagnosis of diseases. So the noised sound should be processed to reduce noises and to enhance the quality of signals received. On the basis of analyzing wavelet packet transform theory and the characteristics of traditional wavelet threshold de-noising method, we proposed a modified threshold selection method based on Particle Swarm Optimization (PSO) and support vector machine (SVM) to improve the quality of the signal, which has been polluted by noises. Experimental results show that the recognition accuracy of de-noised lung sounds by the improved de-noising method is 90.03%, which is much higher than by the other traditional de-noising methods. Meanwhile, the lung sound processed by the proposed method sounds better than by other methods. All results make it clear the modified threshold selection can obtain a better threshold vector and improve the quality of lung sounds.     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于自适应阈值的脑电信号去噪方法

脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。