结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

基于小波变换的自适应模糊阈值去噪算法

文章提出了一种适合于消除混合噪声的去噪算法——自适应模糊阈值去噪算法。该算法根据信号和噪声的小波系数在不同分解尺度上的传递性,结合中值滤波和模糊理论,自适应地进行软阈值滤波,然后进行小波重构,得到去噪图像。实验表明,与软阈值去噪和改进软阈值去噪算法相比,该算法具有良好而稳健的去噪效果,能够更有效地去除噪声和保持图像边缘细节。     

基于稀疏表达的图像文档二值化技术仿真研究

研究了针对文档图像或者图形图像的去噪算法.传统二值化文档图像去噪算法无法满足识别准确性的需要的缺陷,利用文档图像或者图形图像中的线段方向信息,提出了一种利用曲线波变换和基追踪去噪算法相结合的图像去噪算法.首先进行曲线波变化,从而得到一个噪声图像的稀疏表达,然后利用基追踪去噪算法得到一个对无噪声图像的最优估计.在最优化计算过程中引入了对图像噪声的估计,从而能获得更好的图形去噪效果.实验显示改进的方法能较传统方法能够提供更好的去噪结果.能为图形处理提供良好的输入图像,可被图形识别和处理系统广泛应用.     

电力线通信系统中基于OFDM/OQAM的时频结合消噪算法

针对电力线通信（PLC）系统中存在严重影响传输性能的脉冲噪声,传统的消噪算法大都不能有效抑制脉冲噪声的问题,提出一种时频结合的消噪算法。首先,通过选择合适的门限对时域接收信号中峰值较大的脉冲噪声进行检测和置零处理;然后,在频域根据已判决的符号来重构时域尚未消除完的峰值较小的脉冲噪声,并通过迭代来提高噪声重构的准确性;最后,从频域接收信号中减去重构的脉冲噪声。在电力线多径信道下进行仿真实验,相比传统的时域消噪和频域消噪算法,所提算法在误比特率为0.01时可以分别实现2 dB和0.5 dB的性能提升,而随着误比特率的降低,它们之间的性能差距将会更大。仿真结果表明,所提出的时频结合消噪算法能够提高电力线通信系统对脉冲噪声的抵抗能力。     

SVD域的图像高斯噪声强度估计

精确估计图像或视频中的噪声强度对于后续的信号处理是至关重要的先决条件。通过对含噪图像的奇异值特性的研究,提出一种精确的SVD域的图像噪声强度估计算法。该算法对噪声强度估计提出了创新的解决方法:1)利用奇异值的尾部数据进行噪声强度估计,这样达到尽可能地降低图像信息对噪声估计的干扰;2)对含噪图像加入已知强度的高斯白噪声,以计算噪声估计时需要设置的与图像内容相关的参数,因此该算法可以自适应图像的结构,能够广泛地适应各种类型的图片。实验结果表明SVD域噪声强度估计算法适用于各种图片类型,而且在极大的噪声强度范围内都能够稳定精确地估计噪声强度。     

基于噪声检测的总变分去噪算法

对受高斯和脉冲混合噪声污染的数字图像去噪方法进行了研究,提出了一种基于噪声检测的自适应总变分(TV)去噪算法。提出的改进算法采用两步迭代框架实现:脉冲噪点检测和全变分图像恢复。第一步中,考虑到脉冲噪声污染的像素点不包含原图像有效信息,采用一种局部统计值,即邻域像素间的随机绝对差排序值(ROAD)估计出噪点的位置;第二步中,采用L2-TV方法进行去噪处理,并对上述过程进行迭代处理,得到去噪图像。在噪点估计过程中引入脉冲噪点水平参数,这样处理的优势在于可更准确地检测出脉冲噪点;而L2-TV去噪方法可很好地去除高斯噪声,两者结合有效地解决了TV算法存在误判图像脉冲噪声为边缘而产生假边缘的问题。与现有典型去噪方法的比较实验表明,该迭代去噪算法,即TV-ROAD算法,既能够去除混合噪声,又可以保留图像细节特征。     

基于二阶段噪声检测的滤波算法研究

研究信号优化问题,针对信号中的混合噪声,大大降低了信号的精度和准确性,影响了对真实信号特征的提取,为了消除存在于信号中的混合噪声,提出了一种基于二阶段噪声检测的滤波算法.先通过小波空域法处理由高斯噪声控制的小波系数;根据脉冲噪声控制的小波系数幅度的特点,结合中值滤波算法,构造一种能检测出脉冲噪声控制的小波系数的检测器,处理检测出的小波系数;最后用二次处理后的小波系数进行信号重构,可以去除混合噪声;仿真实验表明方法有效可行并优于单-的小波空域相关去噪法和软阈值去噪法,而且能够较好地去除混合噪声,达到提取信号优化过程.     

基于噪声方差估计的小波阈值图像去噪新方法*

大多数小波阈值去噪方法需要根据噪声方差来计算相应的阈值,所以噪声方差的估计将直接影响阈值去噪的效果。在两种常用的小波域噪声方差估计方法的基础上,提出一种新的阈值求取方法,实验证明这种方法能在一定程度上提高去噪图像的信噪比,并且提高运算速度。     

相位匹配噪声估计的高阶谱去噪方法

大多数去噪方法只能对高斯噪声或某一类有色噪声进行去噪处理.提出一种新的相位匹配噪声估计的高阶谱去噪方法.利用该方法既可以去除高斯噪声又可以去除非高斯噪声,通过高阶谱和相位匹配实时的逼近当前噪声,建立二次去除噪声方法,通过实验证明该方法能够非常明显的去除高斯与非高斯噪声,在无法分出噪声的种类情况下进行信号的去噪,取得非常好的去噪效果.     

混合鲁棒权重和改进方法噪声的两级非局部均值去噪

传统非局部均值去噪算法采用指数型函数计算相似性权重,不能准确反映图像块之间的相似性;现有两级非局部均值去噪算法对方法噪声的获取以及方法噪声中所含信息的利用不够充分。针对上述问题,提出一种混合鲁棒权重和改进方法噪声的两级非局部均值去噪算法。首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造新的方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和改进的方法噪声应用到两级非局部均值去噪方法中。实验结果表明,该算法既能准确地反映图像块之间的相似性,也能充分利用方法噪声的信息,且在去噪性能与结构细节保持能力方面均优于传统算法。     

基于小波分析的激光陀螺信号处理

随机噪声是影响激光陀螺精度的一个重要因素,其中随机噪声主要是白噪声。利用小波变换理论对激光陀螺数据进行消噪处理是小波的一个最基本的应用。选用Daubechies小波函数作为小波基,采用软阀值方法去除噪声。对某型号的激光陀螺的滤波结果表明了该方法的有效性。     

混合噪声中特定噪声源定位方法研究

研究噪声源准确定位问题。针对当需要检测位置的噪声源处在多噪声发声的混合环境中,多个噪声强度特征信息发生混合,造成特定噪声强度特征信息混淆和丢失,传统的噪声特征定位的检测方法无法准确定位单个噪声源,为了解决准确定位,提出了混合声强度的多噪声源分割定位方法。通过建立声强度模型,然后提取声音强度信息,计算声强度的声源归属度,再以具有最大归属值的声强度作为当前分布声源来描述声音的特征,混合噪声中特定噪声源定位。通过验证表明能有效的定位混合噪声环境下的特定噪声源,取得了比较好的识别效果。     

基于改进PCNN的彩色图像混合噪声滤除

基于L&A-PCNN模型的彩色图像混合噪声滤除算法存在算法调试须人工干预、对彩色图像滤波易出现污迹斑等问题。针对上述不足,提出一种彩色图像混合噪声自适应滤除算法。通过理论和实验分析获得L&A-PCNN模型关键参数的自适应定义和滤波算法中图像噪点的判别方法。实验结果表明,相比L&A-PCNN算法,该算法的PSNR有9%~18%的提高,处理后图像的视觉效果更好,并具有较好的自适应性和健壮性。     

局部均值噪声估计的盲3维滤波降噪算法

目的 图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN（additive white Gaussian noise）为噪声建模,噪声水平（严重程度）由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪（non-blind denoising algorithm）算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计（LME）算法并作为BM3D算法的前置预处理模块。方法 本文专注于利用基于自然统计规律（NSS）的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型（GGD）提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果 改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME（block-matching and 3D filtering based on local means estimation）算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论 相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

基于小波变换的电子音乐信号降噪算法

电子音乐信号受到多种因素的影响,包含了大量的噪声,直接影响电子音乐信号的后续处理。为了提高电子音乐信号质量,改善信号的信噪比,针对当前电子音乐信号降噪算法存在的局限性,设计了一种基于小波变换的电子音乐信号降噪算法。首先分析电子音乐信号降噪的研究现状,指出各种电子音乐信号降噪算法的弊端,然后采集电子音乐信号;对其进行截尾操作,提取最有效的电子音乐信号,最后引入小波变换对电子音乐信号进行多尺度分解和重构操作,过滤掉电子音乐信号中的噪声。并采用Matlab 2018编程实现电子音乐信号降噪仿真实验。结果表明,小波变换克服了当前电子音乐信号降噪算法的不足,电子音乐信号降噪的精度高,能够有效识别噪声,使得降噪后的电子音乐信号具有更高的信噪比。     

采用训练策略实现的快速噪声水平估计

目的 大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计（NLE）算法在噪声水平感知特征（NLAF）提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络（CNN）自动提取NLAF特征,并利用增强BP （back propagation）神经网络将其映射为相应噪声水平值的改进算法。方法 在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在AdaBoost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果 对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0.5,均方根误差小于0.9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13.9 ms。结论 实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。     

浅层CNN网络构建的噪声比例估计模型

目的 利用深度卷积神经网络（deep convolutional neural network,DCNN）构建的非开关型随机脉冲噪声（random-valued impulse noise,RVIN）降噪模型在降噪效果和执行效率上均比主流的开关型RVIN降噪算法更有优势,但在实际应用中,这类基于训练（数据驱动）的降噪模型,其性能却受制于能否对待降噪图像受噪声干扰的严重程度进行准确的测定（即存在数据依赖问题）。为此,提出了一种基于浅层卷积神经网络的快速RVIN噪声比例预测（noise ratio estimation,NRE）模型。方法 该预测模型的主要任务是检测待降噪图像中的噪声比例值并将其作为反映图像受噪声干扰严重程度的指标,依据NRE预测模型的检测结果可以自适应调用相应预先训练好的特定区间DCNN降噪模型,从而快速且高质量地完成图像降噪任务。结果 分别在10幅常用图像和50幅纹理图像两个测试集上进行测试,并与现有的主流RVIN降噪算法中的检测模块进行对比。在常用图像测试集上,本文所提出的NRE预测模型的预测准确性最高。相比于噪声比例预测精度排名第2的算法, NRE预测模型在噪声比例预测值均方根误差上低0.6% 2.4%。在50幅纹理图像测试集上,NRE模型的均方根误差波动范围最小,表明其稳定性最好。通过在1幅大小为512×512像素图像上的总体平均执行时间来比较各个算法执行效率的优劣,NRE模型执行时间仅为0.02 s。实验数据表明：所提出的NRE预测模型在受各种不同噪声比例干扰的自然图像上均可以快速而稳定地测定图像中受RVIN噪声干扰的严重程度,非盲的DCNN降噪模型与其联用后即可无缝地转化为盲降噪算法。结论 本文RVIN噪声比例预测模型在各个噪声比例下具有鲁棒的预测准确性,与基于DCNN的非开关型RVIN深度降噪模型配合使用后能妥善解决DCNN网络模型固有的数据依赖问题。     

噪声背景下的盲源分离算法

分析了当存在高斯背景噪声时一类盲分离算法的性能，指出此时盲分离算法仍可用于估计解混矩阵，而输出信号为分离的源信号与高斯噪声的叠加。利用现代时间序列分析方法（MTSSAM）建立了输出信号的自回归移动平均（ARMA）新息模型，并给出了一种基于多维线性最小二乘法的信号滤渡算法。仿真试验表明，该算法稳定且收敛，可以在背景噪声存在时有效地恢复源信号的波形。     

基于独立分量分析的低压电力线信号去噪

针对低压电力线中的噪声,提出了一种运用独立分量分析原理对低压电力线信号进行消噪的方法,详细研究了低压电力线信道噪声特性以及独立分量分析原理,应用基于负熵的FASTICA算法对低压电力线信道载波进行去噪,并与小波去噪的效果进行了比较。实验结果表明,该去噪方法的去噪效果与小波去噪效果接近,其特色是通过电力线信号与噪声信号的盲源分离实现噪声去除,与小波去噪方法相比,该方法更简单容易、去噪效果好、自适应能力强。