自适应阈值的小波变换在纸病去噪中的应用

以图像噪声会影响下一步图像处理、分析及识别为启示,分析了常用的数字滤波算法优缺点,提出一种自适应阈值小波变换去噪方法．该方法根据含噪信号特性和信噪比,自适应地选择小波变换的最优分解层数和最佳软阂值,达到最优的降噪效果．仿真结果表明,这种算法在高斯噪声和椒盐噪声滤波能有效地滤除噪声,同时还能较好地保护图像细节,使图像达到更好的视觉效果．     

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 .     

小波自适应阈值和双边滤波的图像去噪

针对VisuShink阈值去噪参数选取仅考虑到噪声标准差和信号长度的不足,提出一种自适应小波阈值并结合双边滤波实现图像去噪的方法。从分析小波子带系数的统计特性出发,选取小波分解层数与子带之间相互关联的自适应阈值,实现图像小波分解自适应去噪,再结合双边滤波去噪方法,以获得能保留图像丰富细节信息的图像降噪效果。通过多幅图像加不同强度噪声所做测试显示,新方法相比传统的软硬阈值函数去噪方法更有效,尤其是对高强度高斯噪声图像去噪,可得到较好的峰值信噪比和视觉图像质量。     

一种快速收敛的自适应波束形成算法

为了解决传统最小均方(LMS)自适应波束形成算法在低信噪比环境下收敛速度较慢的问题,提出了一种快速收敛的小波域自适应波束形成算法. 该算法利用小波变换软阈值法消除信号中的加性高斯白噪声,并在此基础上将牛顿法应用于LMS算法中,提高了小波域LMS算法的收敛速度. 仿真结果表明,相比传统LMS算法,在低信噪比环境下,该算法收敛速度加快,稳态误差减小,波束形成精确度有较大的提高;同时相对于已有的小波域LMS算法,该算法的收敛速度和精度也有所提高.     

基于小波神经模糊系统的一种非线性滤波方法

针对信号中含有复杂噪声难以滤除的问题,提出了一种把自适应神经模糊推理系统(ANFIS)与小波变换相结合的方法,该方法通过ANFIS逼近噪声,利用小波变换中小波的分解与重构来调整适当的阈值来达到最终滤波的效果.仿真结果表明对于一个含有复杂噪声的信号而言,此种结合的方法与单独利用ANFIS或小波变换相比,滤波效果更佳,并且对实际中含有未知噪声的去除问题提出了一种可行有效的方法.     

SAR相干斑噪声的抑制

研究了相干斑噪声抑制技术，提出了(1)增强小波软阈值相干斑噪声抑制方法．考虑SAR杂波复杂情况，不同类型的区域滤波要求不同，将小波软阈值滤波方法与SAR杂波特点结合．(2)增强小波维纳相干斑噪声抑制方法．基于合成孔径雷达图像杂波结构，结合小波变换和自适应维纳滤波提出了新的抑制SAR图像相干斑噪声方法，该方法能够较好保留杂波边缘和点目标．实验表明这两种相干斑噪声抑制方法能够获得比较满意的效果，并且增强小波维纳方法略优于增强小波软阈值方法效果．     

一种SAR图像相干斑噪声抑制新算法

为抑制合成孔径雷达(SAR)图像乘性相干斑噪声,同时有效保护SAR图像的边缘特征,给出了相干斑噪声在小波域的一种加性转换噪声模型．并以此模型为基础,提出了一种非下采样小波包分解下自蛇扩散与改进L1-L2联合优化相结合的相干斑噪声抑制新算法．该算法利用非下采样小波包变换对SAR图像进行多层子带分解,然后对低通子带系数进行自蛇扩散滤波,并将滤波处理后的系数作为原SAR图像在小波域的局部均值估计,再以此局部均值为基础,利用改进的L1-L2联合优化对其他各高频子带系数进行自适应软阈值收缩滤波去噪．最后通过重构滤波后的各子带系数实现SAR图像相干斑噪声抑制．实验表明: 与经典的空域Kuan滤波算法、P-M扩散滤波算法及基于非下采样小波变换的Γ-WMAP算法相比,本算法在SAR图像的相干斑噪声抑制与边缘保护方面均取得了较好的效果．     

直扩系统中基于小波包变换的自适应干扰抑制技术

研究了用离散小波包变换实现直扩通信系统中输入信号的分解，分析了小波包变换抵消窄带干扰的机理，对原有算法进行了优化并提出了相应的自适应去干扰算法．采用自适应滤波技术取代子带剔除法，自适应地跟踪窄带干扰，改善了有用信号的丢弃情况，有效地抑制了窄带干扰．分析和仿真结果表明，基于树结构算法的自适应小波包干扰抑制方法比传统的子带剔除法在性能上更为优越，干扰定位速度也较快．     

淹没在分形噪声中的心电信号R波检测

针对淹没在1/f分形噪声中的心电信号的R波检测问题,基于小波变换、W iener滤波与自适应差分阈值法,提出一种去除1/f分形噪声、检测心电信号中R波的方法。该方法先将带有1/f分形噪声的心电信号分解成多尺度的子带信号,通过小波变换对1/f分形噪声进行白化,然后利用自适应W iener滤波实现噪声和有用信号的分离,估计出各子带中的有用信号,利用小波重构恢复出有用的心电信号,最后利用改进的自适应差分阈值法检测心电信号中的R波。实验结果表明,该方法能有效地消除心电信号中的分形噪声,准确实时地检测出R波位置。     

自适应双重点阵DOT图像重建

引入无网格方法替代传统有限元方法（FEM）,求解弥散光学层析成像（DOT）正问题,避免了FEM需要人工根据实际形状生成和调整网格的繁琐过程.优化形函数及各项参数,得到精确解.在求解逆问题时引入第2重较稀疏自适应点阵,能够根据重建迭代过程中的结果自适应调整分布和密度,一方面较大限度地减少了计算消耗,提高计算速度,另一方面抑制了问题的病态性,能够得到更鲁棒的结果.逆问题二维仿真实验表明,在噪声抑制、图像分辨率、网格依赖性方面该方法均优于传统方法.三维仿真实验和实物体模实验结果进一步体现了该方法的优势.     

非正态数据变换为正态数据的方法

约翰逊设计的分布体系包括由变换产生的三族分布。根据该分布体系可将非正态数据变换为正态数据。本文利用Slifker和Shapiro的样本分位值的方法[1 ] 研究非正态数据的正态性变换 ,并以实例说明应用约翰逊分布拟合非正态数据的方法。     

高速PCB上同步开关噪声抑制的多级电容法

基于微波网络理论,研究了同步开关噪声的传播与抑制,提出了一种新的抑制噪声传播的多级电容法,研究表明该方法采用多列分布电容和增大噪声路径传输损耗能够有效地抑制噪声的传播,提高电容噪声抑制的效率。通过FDTD仿真和测试结果验证了该方法的有效性,并给出了多级电容法抑制噪声的应用规则。     

一种适合于边缘保存的混合噪声抑制方法

为了解决边缘检测和混合噪声抑制之间的矛盾,基于小波变换、图像边缘检测的高频能量保存(HFPP)方法和抑制加性高斯白噪声的互能量交叉(MPC)方法,提出了一种结合中值滤波和互能量交叉(M&MPC)方法.该方法主要基于中值滤波适合于冲激性噪声抑制,而小波滤波适合于加性高斯白噪声抑制的特点.模拟实验结果表明,HFPP方法可以很好地检测图像主要边缘,而利用M&MPC方法可以改进混合噪声的抑制能力,该方法可以在边缘检测精确度和混合噪声抑制之间达到最佳折衷.     

基于独立分量测量方法的电磁兼容解决方案

电磁干扰(EM I)噪声发射一直是电磁兼容(EMC)学科面临的重要问题,而EM I电磁干扰噪声的测量将直接影响到噪声抑制的结果.提出了基于独立分量测量方法的EM I电磁干扰噪声分析和抑制解决方案,介绍了独立分量测量方法的原理和EM I噪声处理软件平台,通过对传导噪声进行特征提取和模态分析,为噪声抑制及电磁兼容综合解决方案提供必要信息.对开关磁阻电机构成的风机调速系统进行传导电磁兼容测试,并对试验数据进行了对比和分析,结果表明该方法能有效分离出EM I噪声中的各模态分量.     

基于互高阶谱估计的QR分解法

首次提出一种混合色噪声(相关的高斯色噪声及相互独立的任意色噪声)背景下基于互高阶谱估计的QR分解法,仿真结果表明,该方法在混合色噪声和很低信噪比条件下谱估计的分辨率、稳定性及对混合色噪声的抑制等方面均明显优于自高阶谱估计方法,在具有更强的噪声抑制能力的同时,又使运算量和算法的复杂性大大降低。     

CTIA型读出电路的噪声抑制

分析和讨论了红外焦平面阵列CMOS读出电路中几种常见的噪声及其抑制技术,对电容反馈互导放大器（CTIA）型红外焦平面读出电路,给出了噪声抑制的仿真结果。     

低噪声红外人体探测器前置放大电路的设计

在分析了热释电红外传感器输出信号特征的基础上,针对常见红外探测器前置放大电路的缺陷,设计了一种基于AD转换技术、利用MCU进行信号处理的单电源工作双端输出差分放大电路．实验结果表明,该放大电路能有效降低探测器内共模噪声和环境温度波动对输出信号的影响,输出信号频率与幅度体现了人体移动速度、移动方向等信息．     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

Shearlet变换与核各向异性扩散的图像噪声抑制

为了更有效地抑制图像噪声,改善图像视觉效果,提出了一种基于非下采样Shearlet变换（ nonsubsampled shear?let transform,NSST）与核各向异性扩散的图像噪声抑制方法。首先对含噪图像进行非下采样Shearlet变换;然后对所得到的低频和高频分量分别进行改进的全变差（ improved total variation, ITV）扩散与核各向异性扩散（ kernel anisotropic diffu?sion, KAD）;最后对扩散后的低频和高频分量进行非下采样Shearlet逆变换得到噪声抑制后的图像。给出了实验结果,并且依据主观视觉效果和峰值信噪比、结构相似度两种定量评价指标,与近年来提出的基于小波阈值收缩结合全变差、基于复Contourlet域非线性扩散、自适应Shearlet域约束的全变差等3种噪声抑制方法进行了比较。实验结果表明,该方法的噪声抑制能力更强,且更为完整地保留了图像的边缘和细节信息。