基于数据驱动字典和稀疏表示的语音增强

本文提出了一种基于数据驱动字典和过完备稀疏表示的自适应语音增强方法。首先在训练阶段采用干净语音基于K奇异值分解(K singular value decomposition, K SVD)算法训练过完备字典,然后在测试阶段根据含噪语音的噪声方差自适应选择最优的阈值,采用正交匹配追踪算法对含噪语音信号在过完备字典上进行稀疏分解,最后利用系数稀疏表示重构语音信号,从而达到语音增强的目。该方法不像传统语音增强方法那样减少或消去噪声,而是从字典中选取适当的原子表示纯净信号,从而把纯净信号从含噪信号中分离出来。对白噪声和有色噪声环境下重构语音进行了主客观评价。仿真结果显示:该方法能有效去除加性噪声,并且改善了语音质量。      

基于稀疏表示的被动毫米波L-R成像算法

在被动毫米波的图像恢复中,L-R算法是一种简单而有效的非线性方法。但当噪声不可忽略时,L-R算法难以获得较好的复原结果。自适应稀疏表示,作为一种新的信号处理方法,具有表达信号灵活的特点,能够在保持目标特征的同时有效地去除噪声。该文提出一种基于自适应稀疏表示的L-R算法。首先采用稀疏信号表示的方法进行去噪,然后使用L-R算法进行图像恢复。这种改进算法通过使用基于自适应稀疏表示的去噪算法有效地减少了噪声对L-R算法的影响。实验数据的成像结果表明:该文的改进算法提高了L-R算法的性能,可用于低信噪比的图像复原。     

基于迭代自适应稀疏分解的雷达信号去噪

稀疏分解能有效分离信号和噪声,因此适用于信号去噪.文中构造了雷达回波稀疏表示的冗余字典,字典原子与目标回波波形匹配,基于该字典的雷达回波信号稀疏度就是目标数.针对稀疏度自适应匹配追踪算法进行低信噪比信号稀疏分解时的不足,提出了一种迭代自适应匹配追踪算法,采用规范化的残差之差作为迭代终止条件,使得稀疏分解过程能依据噪声水平自适应终止,以逐次逼近方式估计信号稀疏度,改善了稀疏分解的精度.仿真实验结果表明,该算法在低信噪比以及稀疏度未知的条件下,实现了雷达回波信号的准确稀疏分解,极大地提高了信噪比.     

基于自适应冗余字典的语音信号稀疏表示算法

基于冗余字典的信号稀疏表示是一种新的信号表示理论,当前的理论研究主要集中在字典构造算法和稀疏分解算法两方面。该文提出一种新的基于自适应冗余字典的语音信号稀疏表示算法,该算法针对自相关函数为指数衰减的平稳信号,从K-L展开出发,建立了匹配信号结构的冗余字典,进而提出一种高效的基于非线性逼近的信号稀疏表示算法。实验结果表明冗余字典中原子的自适应性和代数结构使短时平稳语音信号稀疏表示具有较高的稀疏度和较好的重构精度,并使稀疏表示算法较好地应用于语音压缩感知理论。     

基于相异性阈值的改进自适应稀疏表示去噪算法

针对自适应稀疏表示去噪算法在对图像进行去噪时运行时间较长,得到结果过于平滑的问题,研究了基于相异性阈值的改进自适应稀疏表示去噪算法,在改进算法中,计算当前提取的图像块与前一个图像块之间的相异性度量,并与阈值进行比较,低于阈值则认为两者具有相同的稀疏表示向量和表示误差,不需要对当前块再执行计算从而减少运行时间,高于阈值则认为当前块包含了边缘区域,记录其位置,在重构去噪图像时予以保护,以减少图像边缘信息的损失.对毫米波图像的去噪实验结果证实了改进算法的有效性.     

基于非负约束矩阵分解的语音增强算法研究

从噪声背景中提取尽可能纯净的语音信号，增强有用信号，抑制、降低噪声干扰的技术称为语音增强技术。语音增强有着广泛的应用，因此寻求一种有效的算法对带噪语音信号进行处理得到较纯净的原始语音信号的研究有着很大的意义。多年来很多经典的语音增强算法被提出，如谱减算法，子空间算法等。文章提出了一种新颖的语音增强方法，即基于非负低秩稀疏分解的原理在强噪声环境下实现语音增强。把语音信号和噪声信号看做是一个非负低秩稀疏分解问题并且不断的优化算法分离出语音信号和噪声信号的幅度谱。实验结果表明在强噪声环境下这种方法对比一些传统的语音增强方法效果更好，具有更少的噪声残余与较低的语音失真等优点     

基于模拟退火算法的稀疏表示图像去噪

使用稀疏表示的方法对图像去噪。对于稀疏表示最关键的是稀疏表示系数和自适应字典的确定，如何同时找到这两个最优的参数是研究的主要问题。通过模拟退火算法得到最优的自适应字典与相对应的稀疏系数。用求得的字典和稀疏系数进行逆运算得到去噪后的图像，完成图像去噪。与广泛使用的K-SVD算法对比，所提算法的峰值信噪比提高6.9%，在时间复杂度上改善了13.7%。     

基于正交匹配追踪算法的语音信号重构研究

压缩感知理论是近年来提出的一种新兴的基于信号稀疏性的采样理论。正交匹配追踪算法是其中一种典型的重构方法,文中针对语音信号重构中存在的不足,采用正交匹配追踪算法对语音信号进行信号重构,相比于传统的压缩感知的重构算法更加地适用于对含噪语音、重构语音质量会更高,去噪效果也会更明显。为语音信号CS性能的基础性的研究提供了参考。     

基于DIVA模型的脑电信号去噪方法研究

脑电信号获取过程中,工频噪声干扰现象往往会使所获取的信息产生多种多形态瞬时结构波形,这种现象影响到DIVA(Directions Into Velocities of Articulators)模型对语音的正常处理.为此,本文提出了一种面向特征提取的脑电信号结构自适应稀疏分解模型,并在此基础上,通过采用匹配追踪算法求解最佳原子、使用过完备原子库中原子表示原始脑电信号等方法,实现了信号去噪的目的,效果好于传统的小波变换去噪方法.仿真实验表明,本文提出的方法提高了DIVA模型语音发音的精度.     

基于子空间域的自适应小字典的语音增强

针对传统小字典的语音增强算法在消除噪声时导致语音失真的问题,提出一种子空间域的自适应小字典的语音增强算法。首先,在子空间域中利用带噪语音信号的特征值构造过完备的小字典,使得该字典对信号失真和残留噪声具有很好的调控机制,即在消除噪声的同时为保证信号失真尽可能的小提供了可能;其次,通过过完备的小字典对带噪语音的特征值用K奇异值分解(K-SVD)算法不断进行稀疏表示和字典更新,其中在正交匹配追踪(OMP)算法中设置相关性阈值与能量阈值来自适应控制重构阶段及迭代次数,减少重构时间。在不同的噪声背景下的实验结果表明,与文献算法相比,新算法的增强语音的SNR和PESQ较高,减少了语音失真,提高了语音质量。     

同伦方法在图像稀疏去噪中的应用

本文在深入研究稀疏表示和字典学习理论的基础上,建立了图像去噪模型并提出一种新的图像去噪算法。该算法采用同伦方法学习字典,充分利用了同伦方法收敛速度快以及对信号的恢复准确度高的特点。之后利用 OMP 算法求出带噪图像在该字典下的稀疏表示系数,并结合稀疏去噪模型实现对图像的去噪。实验结果显示本文算法在不同的噪声环境下具有较好的去噪效果,同时在与 K-SVD 算法关于收敛速度比较的实验中,实验结果充分显示了使用同伦算法学习字典在收敛速度上的优势。      

自训练过完备字典和稀疏表示的语音增强

提出的算法利用带噪信号进行训练以获得过完备字典,通过设定较大的字典训练阈值,训练过程只对语音信号进行,使得自训练字典与语音信号之间相关性较强。利用该字典和较小的阈值对语音信号进行稀疏表示,进而实现语音增强。仿真实验表明,增强后的信号表示系数稀疏度更强,增强效果在信噪比(SNR)和感知语音质量评估(PESQ)得分方面均有较大改进。     

基于聚类的图像稀疏去噪方法

在图像去噪方法的研究中,非局部均值算法与稀疏去噪算法是近几年受到广为关注的方法.非局部均值算法将具有邻域相似性的像素点作加权平均;而稀疏去噪算法是将图像的非噪声部分用过完备字典进行稀疏表示.基于上述两种方法的思想,本文提出了基于聚类的稀疏去噪方法,该方法结合了非局部均值算法与稀疏去噪算法的优点,对相似的图像块进行聚类,并通过施加l1/l2范数的正则化约束,对同一类中的图像块在过完备字典上进行相同结构的稀疏表示,从而达到去噪目的.在字典的选择上,本文使用DCT字典和双正交小波字典,能够同时保留原图像中的平滑分量与细节分量.实验结果表明,本文方法比传统的稀疏去噪方法有更好的去噪效果.     

基于LMS自适应滤波的耳语音增强的研究

文中针对带噪的耳语音提出了一种LMS自适应滤波的耳语音增强算法。首先采用谱减法得到一个增强耳语音信号，取得较好的谱包络后对增强信号进行LMS自适应滤波，消除由谱减法产生的音乐噪声。结果表明，采集到的耳语音信号的质量得到明显提高，即使在低信噪比的情况下，信噪比也能提高20dB左右。     

基于稀疏编码的语音增强方法研究

本文利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性,用最大似然估计方法对转换后得到的稀疏分量进行非线性压缩去噪,然后再经过反变换和重构恢复出原始语音信号的估计.特征基函数矩阵反映了语音数据本身的统计特性,因此具有很好的合理性和可取性.仿真结果表明利用稀疏编码方法能极大程度地抑制背景噪声,与小波消噪法相比优势明显.     

基于盲估计和双边滤波的SAR图像稀疏降噪

合成孔径雷达（SAR）在成像过程中由于固有成像机制的缺陷导致图像被乘性噪声污染，图像噪声对后续目标检测识别等处理过程造成了阻碍。现有的去噪算法存在不能自适应估计噪声大小和对边缘保持效果不理想的问题，如何自适应处理不同噪声水平的图像是一个研究难点。提出一种基于盲估计和双边滤波的SAR图像稀疏去噪算法。首先利用双边滤波得到具有良好边缘保持特性的预处理图像；接着利用盲估计获取图像全域噪声水平，将其充当稀疏重建过程中的残差阈值；最后利用稀疏编码和字典学习算法，用尽可能少的原子信息来表示图像，达到图像去噪的目的。实验结果表明，结合了盲估计的稀疏重建算法不仅有效去除了图像噪声，使等效视数获得了显著提升，而且峰值信噪比和边缘保持指数也有良好的表现，有效保留了原图的细节纹理信息。     

基于稀疏表示与粒子群优化算法的非平稳信号去噪研究

非平稳信号的去噪是信号处理中的热点和难点。文中以冲击原子作为稀疏表示基,构建了仅对人文噪声敏感的冗余字典。并使用粒子群优化算法对匹配追踪算法进行优化,提出了基于稀疏表示与粒子群优化算法的非平稳信号去噪方法。为检验方法的有效性,论文首先进行了针对性的仿真实验。然后将所述方法用于实测的大地电磁信号处理。结果表明,所述方法可以在保留有用信号的前提下,有效分离出类充放电噪声、脉冲噪声以及其它多种不规则噪声,显著提高非平稳信号的信噪比。     

基于长短时能量均值的活动语音检测算法

为了有效抑制非平稳背景噪音对语音处理系统的严重干扰,提出了一种基于长短时能量均值的活动语音检测算法.该算法基于两个合理的假设,一个是基于语音隐含成分集的稀疏分解,不但能尽可能地保留含噪语音中的语音信息,还能在一定程度上消除非语音类噪音的干扰；另一个是对上述稀疏分解的语音进行重构,该重构信号中语音段的时域能量高于非语音段...     

基于专家场先验模型的图像超分辨重建算法

为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显著增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。