一种改进的子空间语音增强方法

提出一种基于奇异值分解的子空间分解语音增强方法,该方法是利用最小值统计噪声估计法代替传统的VAD方法对噪声进行估计,并利用所得噪声和带噪语音构造的协方差矩阵得到纯净语音的协方差矩阵,并将特征值分解的时域约束和频域约束估计方法推广到奇异值分解方法中,通过奇异值分解、重构得到增强后的语音信息.试验表明:该方法具有较好的去噪效果.     

基于图像旋转和分块的奇异值分解图像去噪

奇异值分解在图像处理中具有重要应用,针对奇异值分解在图像去噪中存在的问题,提出了分块旋转奇异值分解图像去噪新方法。首先分析了奇异值分解在图像去噪中的应用及对非竖直水平方向信息的图像在去噪时存在的问题;采用图像旋转的方法,将非竖直水平方向信息的图像变为竖直或水平方向信息的图像,较好克服了奇异值分解在图像去噪中的内在问题;对于图像具有的多方向性信息,通过图像分块获得各个图像块的方向性信息,分别对每个图像块进行旋转奇异值分解去噪,获得了最佳的奇异值分解图像去噪效果。仿真结果表明,与传统的奇异值分解去噪算法相比,     

SVD降噪在载波同步技术中的研究

为了提升突发通信中载波频偏估计的性能,降低有效估计的信噪比门限,提出了一种基于奇异值分解去噪的频偏估计方法。首先,该方法将含噪信号根据相应映射转换成矩阵,并对该矩阵进行奇异值分解;其次,将较大的奇异值判定为信号特征予以保留,否则判定为噪声特征置零;接着,根据降噪后的奇异值重构矩阵,恢复成模拟信号;最后,将预处理后的信号进行M&M频偏估计。结果表明,相比于不去噪的频偏估计算法,该方法能够提升估计精度,降低信噪比门限,具有一定的实用性。     

基于SVD的小波变换图像去噪方法

针对传统SVD图像去噪方法的不足,提出了一种基于SVD分解的小波分解图像去噪方法。通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分。实验结果表明该文提出的方法适用于图像信号的提取,与传统的SVD去噪方法相比,它提取出的信号特征成分更完整,信噪比更高。     

基于K-SVD字典稀疏分解的实木地板去噪方法

针对实木地板的图像获取过程中,所产生的噪声问题,引入了K-SVD字典的学习算法,提出了一种图像的有用信息稀疏分解去噪的方法,目的是有效的保留实木地板的有用纹理信息,并抑制其中掺杂的噪声。通过对图像稀疏分解后得到的值,来进行图像重构,就可以达到图像的去噪目的。首先,构造一个初始化的DCT字典,对图像分块处理;接着,在这个初始化字典的基础之上,进行纹理信息的稀疏分解,同时,对它们之间的残差值进行奇异值分解,更新字典;最后,利用得出的最优化字典,采用正交匹配重构算法,完成去噪图像的重建。实验表明,该算法得出的图像主观效果好,减少了去噪后的模糊程度及保留更多细节信息,在不同程度的噪声下,PSNR较高。     

基于改进的奇异值分解和形态滤波的弱小目标背景抑制

红外弱小目标的复杂背景抑制一直是弱小目标检测与跟踪的一个难点。提出一种改进的奇异值分解和形态滤波Tophat变换相结合的红外弱小目标背景抑制算法。首先通过奇异值分解得到原红外图像的奇异值矩阵和左右奇异矩阵,然后通过对奇异值进行对数非线性变换,利用优化后的奇异值矩阵进行重构得到增强对比度的红外图像,最后利用形态滤波中的Tophat变换进行滤波达到背景抑制的目的。实验结果表明,该算法能够很好地实现红外弱小目标图像的背景抑制,并能使目标信号得到保存和增强。     

基于奇异值分解图像压缩算法的研究

提出了一种奇异值分解（SVD）的图像压缩算法,该算法通过对数字图像矩阵进行奇异值分解,将一幅图像转换成包含几个非零值的奇异值矩阵,实现图像压缩,便于图像的储存和传输。MATLAB仿真分析表明,矩阵的奇异值分解压缩方法具有较好的压缩性能,有效提高了压缩比。     

基于奇异值分解的红外弱小目标背景抑制

复杂背景的抑制是红外弱小目标检测技术的一个难题.为解决这个问题,提出了基于奇异值分解的背景抑制算法.从矩阵的角度出发,通过对原图像进行奇异值分解,将包含弱小目标信息的图像矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过定义的偏差指数所确定的有效的奇异值来重构图像,从而达到背景抑制的目的.与二维最小均方误差算法比较,实验结果显示,该算法对红外弱小目标复杂背景从主观视觉和数值指标都具有良好抑制效果.     

SVD和顶帽变换在舰船检测中的应用

提出了一种奇异值分解和顶帽变换在舰船检测中的应用方法.该方法利用了奇异值分解重构技术来抑制斑点噪声,同时通过使用项帽变换技术去除背景不均匀并提升目标的信杂噪比.奇异值分解重构去斑算法先对图像进行奇异值分解,然后经验选取一定数量的大特征值及其对应的特征向量进行重构图像,在尽量保持原图像中目标边缘信息的条件下可以有效地去除斑点噪声,同时海杂波区域得到了平滑;顶帽变换则有效地补偿了海浪带来的局部不均匀的背景亮度,提高了图像的信杂比,有利于目标的检测.仿真结果证明了算法的有效性.     

基于DWT SVD域的彩色图像水印算法

针对数字产品的版权保护问题,提出了一种结合整数小波变换（DWT）和矩阵奇异值分解（SVD）的彩色图像非盲水印算法。该算法首先对待处理图像的蓝色分量进行整数小波分解,再将得到的低频子带的小波系数矩阵进行奇异值分解,然后对水印灰度图像进行奇异值分解,水印图像的奇异值被嵌入到由源图像小波系数分解得到的奇异值中。经过奇异值分解逆变换及整数小波逆变换得到含水印图像。实验结果表明,该算法对加噪、滤波、JPEG压缩、剪切、缩放和旋转攻击均有较强的抵抗力,具有较好的实用价值。     

八通道MSVD构造及其在多聚焦图像融合中的应用

针对经典的SVD在图像处理中的不足,提出了一种八通道多尺度奇异值分解（Multi-resolution Singular Value Decomposition,MSVD）构造方法,并把它应用于多聚焦图像融合中。首先,在经典SVD的基础上,利用矩阵分块的方法,提出了一种八通道多尺度SVD的构造方法。其次,对参加融合的多聚焦图像进行八通道MSVD分解,得到高层低频和各层七个方向的高频,对分解的低频子图像利用数学形态学增强边缘的方法进行融合、高频子图像采用基于区域能量取大的融合规则进行融合,并重构获得融合结果图像。最后,对融合结果进行主客观评价和分析。实验结果表明,该图像融合方法有较好的视觉效果,结果图像有较高的清晰度,边缘细节信息丰富,没有方块效应。从客观数值和图形评价指标看,该方法有较高的清晰度,其清晰度比基于DWT的融合方法、基于LWT的融合方法、基于Curvelet的融合方法、基于Contourlet的融合方法都高。     

一种新的红外图像增强算法

针对传统红外图像增强容易丢失细节这一缺陷,采用基于分频的同态滤波与奇异值分解相结合的方法,对红外图像进行增强。在同态滤波的基础上,用高通滤波将其在频率域分成高频和低频,分别对高频和低频进行处理,高频通过线性增强,低频先经过奇异值分解,而后加入噪声处理,改变其奇异值,得到新的奇异值矩阵,最后对低频进行灰度调整再加上高频处理红的图像相加得到最后的增强后的图像。通过仿真,对比传统图像增强,该方法处理在峰值信噪比和均方值两方面均有改善。     

基于图像结构信息复数表示与奇异值分解的灰度图像质量评价方法

为了进一步突出图像结构中人眼敏感的重要特征,采用复数矩阵表示图像结构,将图像的局部方差和像素灰度值分别作为复数的实部和虚部。进而对复数矩阵进行分块奇异值分解,分析了传统奇异值分解图像质量评价方法的特点,将复数矩阵每一分块奇异值分布的标准差作为分块图像结构的表征,分别计算参考图像与待测图像对应图像分块奇异值标准差,从而得到了图像结构失真映射图谱,通过计算图谱中的数据分布特征得到最终的量化评价结果。采用LIVE数据库中包含5种失真类型的779幅测试图像验证所提的算法。试验结果表明,本文方法采用复数矩阵描述图像结构信息,平衡了对各种失真类型的敏感程度,与人眼视觉感知(HVS)的一致性优于传统方法。     

基于数据矩阵奇异值分解的时—空二维信号处理

本文提出一种利用阵列接收信号数据矩阵奇异值分解的时－空二维信号谱估计方法，该方法对线阵接收信号构成的数据矩阵进行奇异值分解，构造出噪声奇异向量，利用信号空间与噪声空间的正交性获得时－空二维谱，该方法可用于高分辨测向测速系统中，计算机模拟表明了该算法的有效性。     

基于图变换和DWT-SVD的鲁棒图像水印算法北大核心CSCD

针对图像水印算法在攻击强度较大时鲁棒性差的问题,提出了一种基于图变换(graph-based transform,GBT)、离散小波变换(discrete wavelet transform,DWT)和奇异值分解(singular value decomposition,SVD)的鲁棒图像水印算法。首先对载体图像进行不重叠分块处理,挑选出像素方差值较高的子块进行DWT得到其低频系数矩阵,然后对低频系数矩阵依次进行GBT和SVD得到奇异值矩阵,最后将水印信息嵌入到奇异值矩阵的最大奇异值中。实验结果表明,Pirate图像结构相似度(structural similarity,SSIM)达到0.97以上时,本文算法能有效抵抗噪声、滤波、JPEG压缩、剪切和交换行列等攻击,归一化互相关系数(normalization coefficient,NC)值均在0.9以上。     

利用梯度奇异值分解的图像结构相似度评价

针对传统的图像质量评价方法中对图像结构信息的表征能力不足的问题,在研究了基于结构相似度和奇异值分解的两种图像评价方法的基础上,结合其不同特点提出了基于奇异值分解的结构相似度质量评价方法.该算法分别将参考图像和失真图像的梯度图像分成8×8大小的图像块,并对每一个图像块进行奇异值分解后计算对应图像块的奇异值相似性和各图像块局部方差分布的相似性,最后结合各图像块的奇异值相似性和图像的局部方差分布的相似来表征图像的畸变程度.对LIVE库中包括5种失真类型的982幅图像进行验证,其结果表明该评价方法能很好地对各种失真类型的图像进行评价,比峰值信噪比(PSNR)、结构相似度(SSIM)等算法的主客观一致性更好,更加符合人眼的视觉特性.     

基于奇异值分解动态寻找最佳压缩比的方法

针对奇异值分解变换在对图像进行压缩时,其压缩比是动态可调的,从而提出了一种新的方法,在图像压缩过程中能自适应的寻找最佳压缩比。文章引入能量差Q的概念,利用Q与奇异值个数q之间的关系,通过确定合适的Q值,动态寻找最佳的q值,从而达到动态图像压缩的目的。经过对多幅灰度图像的压缩实验证明,该方法切实可行,具有一定的应用前景。