共查询到19条相似文献,搜索用时 250 毫秒
1.
2.
3.
提出了基于自适应阈值正交小波变换兰姆波去噪方法 (WT-AL)。首先利用正交小波变换降低含噪兰姆波信号的自相关性,然后利用自适应阈值方法自适应地对不同尺度的正交小波变换系数进行阈值处理,最后利用小波重构获得重构信号。实验结果表明:该方法去噪后信号信噪比明显提高,均方误差明显降低。 相似文献
4.
传统的基于傅里叶变换的谐波检测能够精确的确定出平稳信号中各次谐波的幅值和频率,但不具有时间分辨率;小波变换适合突变信号和非平稳信号的分析,可以准确把握信号的局部细节,但无法准确、方便的分辨出各次谐波.因此,本文采用的是小波变换和傅里叶变换相结合的检测方案.文中还针对谐波信号含高斯白噪声情形对信号去噪问题进行了研究,并用MATLAB仿真,验证了该方法的有效性和可行性. 相似文献
5.
阐述了小波变换去除图像噪声的基本原理和方法,利用小波变换技术对球差自动测量系统中CCD测量的哈特曼(Hartmann)小孔光阑图像进行噪声抑制和去除.讨论了Hartmann光斑数字图像处理中小波分解与重构算法,小波分解得到的高频系数阈值量化处理,然后进行去噪.采用Visual C 6.0和Matlab混合编制程序调用Matlab的小波变换工具箱函数来实现Hartmann光斑数字图像噪声抑制和去噪分析.结果表明,小波变换去除噪声的效果比传统的傅立叶(Fourior)变换方法具有极大的优越性. 相似文献
6.
7.
8.
基于小波变换的光寻址电位传感器信号去噪研究 总被引:2,自引:2,他引:0
基于(LAPS)(光寻址电位传感器)技术的生化传感器中的光生电流是一种微弱的非平稳信号,信噪比(SNR)低。为了提取清晰的LAPS信号,且鉴于传统的傅里叶方法去噪后信号失真严重,本文采用小波变换的方法对LAPS信号进行去噪处理。通过小波变换将信号分解为3层,得到各层的小波系数以及阈值。根据每一层系数特点,按阈值进行分别处理,得到新的小波系数。最后根据新的小波系数,重构信号。对去噪后的信号进行频谱分析发现,信号频谱为有效的LAPS信号谱段。将傅里叶去噪和小波去噪方法进行对比发现,小波去噪得到信号的SNR和平滑度(SR)要高于傅里叶去噪,表明小波变换是LAPS信号去噪的有效方法。 相似文献
9.
10.
11.
软阈值小波消噪在电磁泄漏信号中的应用 总被引:1,自引:0,他引:1
在对环境或者电子设备的电磁泄漏信号检测中,由于混杂有噪声,使得信号检测和后面的信号处理与分析产生误差,甚至错误。文中针对带宽很宽的噪声,传统的傅立叶变换消噪解决不了,采用了小波变换中的软阈值消噪,可以有效的解决改问题[1]。 相似文献
12.
13.
基于离散正交小波变换的红外图像去噪方法 总被引:5,自引:0,他引:5
提出红外图像去噪方法,将小波变换与广义交叉确认原理相结合,在噪声方差未知的前提下,只利用红外图像的输入数据就可以确定所要求的渐近最优阈值。对红外图像进行离散正交小波变换后,分别对各个分解层的高频子带利用所提出的方法进行迭代去噪,使各个高频子带分别收敛于其最大信噪比。实验结果表明,该方法在有效地去除噪声的同时,能较好地保持红外图像的细节信息。算法在性能指标和视觉质量上均优于Donoho提出的小波阈值去噪方法、Johnstone提出经过调整的小波阈值法和传统的中值滤波法。 相似文献
14.
基于小波变换和改进SVD的红外图像去噪 总被引:5,自引:2,他引:3
针对小波变换红外图像去噪需要已知噪声先验知识的缺点,提出了一种基于分块奇异值分解的正交小波变换红外图像去噪新算法。首先对红外图像进行离散正交小波变换,并对高频图像采用改进的分块奇异值分解估计小波系数,其中对奇异向量采用傅里叶变换进行了修正;最后将低频图像与估计的高频图像通过小波反变换得到去噪图像。仿真结果表明,该图像去噪算法能在无噪声先验知识条件下有效去除图像噪声,信噪比有了明显提高,并获得了良好的主观视觉效果。 相似文献
15.
16.
小波变换是一种有效的红外小目标检测方法。然而,在不同的子带、不同方向上,信号和噪声所呈现的特性不同,采用单一的阈值往往无法得到一个令人满意的检测结果。针对这一情况,提出了一种基于小波变换的自适应多模红外小目标检测算法。该算法可以根据不同尺度和方向上噪声的分布自动调整阈值,使得检测结果更加有效。其中分别采用了自适应Bayes Shrink阈值和广义交叉验证阈值处理每个子带的小波系数,接着再利用处理后的系数重构小波图像,最后通过一个简单的全局阈值分割得到红外小目标。实验结果表明,与对照方法相比,所提出的算法具有更好的检测性能和鲁棒性。 相似文献
17.
18.
19.
首先采用Haar小波滤波器,设计出一种数字Shearlet变换算法。然后对Shearlet系数间的相关性进行统计分析,提出了一种尺度相关的自适应阈值收缩图像去噪算法。最后选用峰值信噪比和视觉质量为评价标准,实验验证算法的去噪性能。结果表明,本文算法获得更高的峰值信噪比,更好地保留了图像的细节信息。 相似文献