基于离散余弦变换的语音增强

在进行余弦变换时,语音信号主要分布在余弦系数的低频区域,而随机噪声主要分布在高频区域．鉴于此特点,给出了一种基于离散余弦变换的阈值语音增强方法．利用余弦系数的高频区估计噪声得到阈值,对DCT阈值化,利用信噪比估计值和语音出现概率对算法做了进一步的改进,增强了算法的去噪能力．实验结果表明,该方法为有效的语音增强方法．     

基于熵检测的图像噪声方差小波域估计

提出一种在小波域中基于熵值检测的图像噪声方差估计算法. 利用小波变换能显著降低图像信号的熵而并不改变高斯噪声熵的特性以及噪声熵值与噪声方差之间呈对数关系变化的规律,定量地分析了含噪图像在小波高频对角子带中系数的熵值随噪声幅值的变化规律,揭示出这种变化关系对图像具有较强的鲁棒性,从而利用这种变化关系,通过对含噪图像小波域熵值的检测对高斯噪声进行估计. 仿真结果表明,提出的算法能够有效估计出图像中噪声的方差,并且受图像细节影响较小,其性能优于现有其他算法.     

一种基于不同尺度Neyman-Pearson准则的小波去噪新方法

目前的小波去噪绝大多数都是基于阈值决策的方法,而阈值选择往往都是建立在对信号小波变换系数的方差估计上。本文综合了一种先进的方差估计方法和一种基于Neyman-Pearson准则的门限设计技术进行小波去噪．仿真结果证明这一新方法是有效的．     

基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换(DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪．通过对此信号进行频谱分布的分析，用Donoho的阈值去噪法去除高斯白噪声之后，根据小波变换的多分辨率思想，提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声，然后运用小波反变换来恢复内燃机瞬时转速信号的方法．实验结果表明，此方法能够较精确的去除噪声，恢复内燃机瞬时转速信号．     

基于小波变换和时域融合的图像去噪方法

噪声对后续图像处理的质量有严重影响，经典的去噪方法在抑制噪声的同时会丢失图像中的细节。文中分析了信号与噪声在小波域的系数之间的关系。信号系数幅值较大．数量较少，而噪声系数幅值较小．数量较多；此外，利用从同源的多幅图像中抽取的信息能够比任何单一图像所提供信息更为准确可靠的时域融合技术，提出了一种基于小波变换和时域融合的去除噪声方法。实验证明这种方法能有效去除图像噪声，最大限度地保存图像细节。     

基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换 (DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪 .通过对此信号进行频谱分布的分析 ,用Donoho的阈值去噪法去除高斯白噪声之后 ,根据小波变换的多分辨率思想 ,提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声 ,然后运用小波反变换来恢复内燃机瞬时转速信号的方法 .实验结果表明 ,此方法能够较精确的去除噪声 ,恢复内燃机瞬时转速信号 .     

一种基于DWT和DCT的数字水印算法

提出一种基于离散小波变换和离散余弦变换的数字水印算法。将二值条码作为水印并对其进行置乱,再对载体图像进行离散小波变换与离散余弦变换,并将置乱后的水印嵌入。水印提取时,利用Radon变换对待检测图像进行校正,并根据二值条码特性对提出的水印图像进行修正。实验结果表明,该算法嵌入水印后不易被察觉,检测出的效果好,对JPEG有损压缩、剪切、噪声干扰等攻击有较强的鲁棒性。     

基于块自适应窗的小波域维纳滤波图像去噪

基于图像经小波分解后细节子带能量簇的主方向由边缘方向、纹理方向和子带滤波器的方向选择性共同决定这一事实,提出了基于块自适应窗的小波域维纳滤波图像去噪算法。对含噪图像进行离散小波变换后,对每一层三个细节子带分别无重叠分块,利用细节子带块能量相关函数确定每一块中能量簇的主方向及相应的块自适应窗口,在得到的块自适应窗口中估计不同方向块中各点信号方差,进而对子带系数进行维纳滤波,得到细节系数的估计,然后进行小波逆变换,得到去噪图像。实验结果表明了该方法比基于矩形窗口的小波域局部维纳滤波有更好的去噪效果。     

一个基于DWT和DCT的盲的数字图象水印技术

数字水印是解决信息安全和版权保护的有效的方法，已成为多媒体信息安全领域的热门技术，本文提出了一种新的基于离散小波变换和离散余弦变换的盲的水印图象嵌入算法，该算法首先对图象进行小波分解，对LL图象按照一定大小进行分块，然后对每一块进行离散余弦变换，把水印图象的值嵌入到变换后的系数上，最后再进行逆变换。把该算法能够经受住噪声、中值滤波、压缩、高通滤波、低通滤波等的处理，具有很强的鲁棒性。     

基于小波变换的自适应阈值图像去噪技术研究

主要研究了基于小波变换的图像去噪技术在图像去噪过程中的阈值选择问题,对图像信号进行小波变换得到小波系数,选择合适阈值处理小波系数,再将处理后的小波系数经过小波逆变换得到重构后的去噪图像。仿真实验通过对基于小波变换的软阈值去噪、硬阈值去噪以及自适应阈值去噪方法对图像进行处理,达到对图像的降噪效果。仿真实验证明,基于小波变换的自适应阈值去噪技术去噪结果最优,能够清楚地保留图像中的细节,无锐化、过度平滑的现象,且它的信噪比、峰值信噪比的值为最大、均方误差的值最小,从而提升了图像的整体质量。     

基于Harr小波提升格式的图像压缩方法

提出了一种哈达玛变换,离散余弦变换和小波变换相结合的混合型编码,即先采用哈达玛变换对图像压缩,再对处理后的图像用离散余弦进行压缩,最后采用提升Haar小波格式对图像进行了压缩,并引入零树小波分析,得到最优小波树。仿真结果表明,所提出的方法在灰度图像压缩效果方面优于一些传统的压缩方法。     

基于局部余弦变换的多普勒信号降噪方法研究

提出一种基于自适应局部余弦变换和非负Garrote取阈值的多普勒超声信号降噪方法.首先,对信号进行局部余弦变换,并且搜索描述信号的最优基;然后,利用非负Garrote方法对最优基系数取阈值;最后,由取阈值后的系数进行重构得到真实信号的估计.仿真结果表明,该方法在低信噪比情况下优于基于时移不变小波变换的降噪方法,是一种可行而且有效的降噪方法.     

一种自适应时移与阈值的DCT语音增强算法

针对现有语音增强方法在低信噪比下性能降低的问题,提出了一种自适应时移与阈值的离散余弦变换语音增强算法．首先,对软阈值函数进行改进,既能消除噪声主导帧中的噪声,也能消除语音主导帧中的噪声,并依据信噪比自适应地选择阈值,较大程度地保留了语音的原始特征．其次,依据基音周期自适应地选择分析窗时移,降低了固定分析窗时移产生的白噪声,并且引入短时自相关函数和短时平均幅度差函数相结合的加权自相关函数,来进行基音周期的检测,提高了基音周期检测的准确性和对噪声的鲁棒性．理论分析与仿真结果表明,该算法在信噪比低至-5dB噪声环境下,相比现有的经验模态分解算法和子空间算法,输出信噪比有较大提高,鲁棒性更好．     

用连续小波变换识别内燃机噪声源

为了直接利用连续小波变换进行内燃机噪声源识别，提出了一种连续小波变换的改进算法. 研究了信号组成成分的幅值和频率变化对小波系数的影响，根据连续小波变换的基本性质，对连续小波变换后产生的与信号频率有关的衰减系数进行修正，通过对比分析从Matlab6.5的小波工具箱中找出了适合振动噪声信号分析的小波函数.工程信号的分析结果表明，经过对连续小波变换后小波系数的修正，使小波系数的大小能正确反映信号各组成成分的幅值大小，从而可以利用小波系数形成的云图直接进行内燃机噪声源识别.     

基于小波变换的遥感图像增强方法

为了有效地提高遥感图像的整体对比度,提出一种基于小波变换的图像增强方法来增强遥感图像。在小波域中通过对主要亮度层的图像进行分解,得到低亮度层、中亮度层、高亮度层,对三个亮度层分别进行对比度加强,将加强后的亮度层通过逆离散小波变换得到增强图像。实验结果表明,新方法提高了遥感图像的整体对比度,使图像的局部细节有更好的可视性。     

基于小波分析的动平衡机不平衡量提取方法研究

针对动不平衡信号周期性强且伴随有强烈的背景噪声,提出一种基于小波细节系数自相关性分析的分层阈值降噪法,该方法对信号进行离散小波变换,将信号分解为近似系数和细节系数,求出各层细节系数的自相关序列,根据序列是否呈白噪声自相关特性确定该层阈值。通过模拟的方法对含噪振动信号进行了试验,结果表明该方法具有较好的降噪效果。最后,对基于自相关序列分析的分层阈值降噪法在轮胎动平衡测试系统的实际应用进行了研究。实际应用表明,该方法适合动平衡测量,满足高精度要求。     

基于DWT DCT SVD的音频盲水印算法

提出了一种结合离散小波变换（DWT）、离散余弦变换（DCT）和奇异值分解（SVD）的音频盲水印方法,将原始音频数据分段后进行二级小波变换,再将近似分量进行余弦变换,把余弦变化后的前1/4系数进行奇异值分解后嵌入水印. 水印的嵌入容量为2756 bit/s. 实验结果表明,该算法具有较好的透明性,并且对于MP3压缩、重量化、重采样、低通滤波、裁剪替换、高斯加噪等常见音频信号处理攻击具有很强的鲁棒性.     

用A计权连续小波变换识别内燃机噪声源

为了适应内燃机噪声声源识别的需要,当用连续小波变换进行信号分析时,常对小波变换算法作适当的改进.依据连续小波变换的叠加性和尺度转换性质,提出了变换后小波系数的频率修正方法,即在修正小波变换时对信号中不同频率成分小波系数的不同衰减,使变换后小波系数的大小能够准确反映信号中不同频率成分的幅值特性,在此基础上提出了A计权连续小波变换算法,对频率修正后的小波系数进行A计权修正,使之更加适合实际工程中声源识别的需要.利用该方法对某发动机进行了噪声源识别,取得了良好的识别效果.