基于形态学的ECG小波自适应去噪算法

为了消除心电信号中的噪声,提高心电监护仪的性能和计算机自动诊断效率,已经提出了多种方法来消除这些噪声.针对常规的ECG信号去噪算法存在的缺陷,提出了一种基于形态学的小波自适应去噪算法.该算法利用线性组合形态学滤波器去除基线漂移信号,然后对处理后无基漂的信号送入小波自适应滤波器,选取合适的阚值对其进行二次滤波去噪,最后得到无噪声的ECG信号.实验结果表明,该算法是一种有效的去噪算法.     

基于形态学和小波变换的心电信号去噪算法

在处理心电信号采集过程中混入的基线漂移、工频干扰及肌电干扰等噪声的过程中,小波变换取得了广泛的应用。针对小波算法的缺陷及不足,提出了一种基于数学形态学和小波阈值的混合算法。该算法利用非线性形态学滤波器滤除基线漂移,将获得的含高频噪声心电信号通过小波阈值算法进行处理,最后获得无噪声的ECG（心电）信号。采用MIT/BIH Arrhythmia Database中的数据对算法进行了验证,实现了三种主要干扰的滤除,本算法效果良好,为后续特征点的识别奠定了基础。     

心音信号的自适应小波去噪

在采集心音信号过程中，难免要引入噪声，这些噪声影响到心音的分析结果。由于心音信号的非平稳性，普通的滤波方法在滤去噪声的同时，会丢失部分心音成分。文中提出了一种新的基于小波变换的自适应滤波方法，该方法能够有效抑制噪声，经实例验证，取得了满意的结果。     

心音信号的自适应小波去噪

在采集心音信号过程中,难免要引入噪声,这些噪声影响到心音的分析结果。由于心音信号的非平稳性,普通的滤波方法在滤去噪声的同时,会丢失部分心音成分。文中提出了一种新的基于小波变换的自适应滤波方法,该方法能够有效抑制噪声,经实例验证,取得了满意的结果。     

自适应提升小波变换与信号去噪

文章引入了基于提升法的自适应离散小波变换,根据LMS自适应法使伯恩斯坦预测算子自适应匹配特定的数据序列,而且应用该方法于信号的软域值去噪,数值仿真实验表明自适应提升小波变换同经典的小波变换相比,去噪后信号的信噪比效率相近,提升方法的优点在于其设计上的灵活性和计算简单。     

基于数学形态学与小波变换的边缘检测算法

针对传统边缘检测方法去噪效果不理想的情况,分别对数学形态学和小波变换基本理论进行了分析,提出了一种基于数学形态学和小波变换的边缘检测方法。首先利用数学形态学基本运算对含有噪声的图像进行滤波,然后利用小波变换原理提取图像边缘。通过Matlab仿真分析,对比其他几种边缘检测算法,验证了该方法能够有效地检测出图像的边缘。     

基于形态学小波变换的数字滤波算法

电子产品所在电路中出现的各种干扰信号会导致电路中正常信号波形的畸变,从而影响电子产品的正常运行和使用寿命。为了排除干扰信号对电子产品的不良影响,采用形态学小波构造数字滤波算法来滤除电子产品所在电路中的各种干扰信号。大量仿真实验结果表明,该滤波算法对电子产品所在电路中出现的高频连续干扰、随机背景噪声干扰和电磁瞬态干扰都有很好的滤除效果。     

基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究

Electrocardiogram (ECG) signal denoising has always been a hot research issue. In order to eliminate the noises in ECG signal, a denoising method based on adaptive complete set empirical mode decomposition (CEEMDAN) and wavelet improved threshold function is proposed. Firstly, this method firstly decomposes the ECG signal by CEEMDAN to obtain a set of intrinsic modal functions (IMFs) from high frequency to low frequency. CEEMDAN decomposition is performed on ECG signal to yield several modal components (IMF). Secondly, the correlation coefficient method is used to perform wavelet denoising with improved threshold on the high frequency IMFs. For the low frequency IMFs, by setting a fixed threshold, the IMFs below the threshold is considered to be the baseline drift signal and removed. Finally, the denoised IMFs and the retained IMFs are reconstructed. The experimental results show that the proposed method is more effective than the empirical mode decomposition (EMD) wavelet denoising, and the global average empirical mode decomposition (EEMD) wavelet denoising method.     

基于提升小波变换的并网逆变系统信号去噪

分布式电站的功率调节系统采用并网逆变器进行直流/交流电转换输出,其核心处理器是定点型DSP器件.为了抑制系统外部干扰和测量噪声,需要在控制系统中加入滤波环节.由于采样信号波形是非光滑曲线,存在跳变点,为了获得去噪后良好的近似精度和不失真,选用自适应小波变换来线性近似信号.文章针对控制系统的处理器的特点,选择提升小波变换,应用于DSP嵌入式系统的反馈信号数字滤波.实验结果显示,采用自适应提升小波变换滤波后,在不影响控制系统的实时性能条件下,具有良好的抗干扰能力和去噪效果.     

基于小波变换的图像自适应阈值去噪算法

针对传统小波阈值去噪算法的不足,提出了一种新的自适应阈值去噪算法.该算法引入了一个新的阈值函数,利用GGD模型对小波子带内的系数进行建模,再根据小波子带系数的局部邻域信息进行方差估计,从而得到自适应最优阈值.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统小波阈值去噪算法具有明显改善.     

一种基于形态学的小波自适应去噪算法

针对常规的去噪算法会引起图像边缘模糊,而在保留和增强图像边缘时又会影响图像的去噪效果的缺陷,提出了一种基于形态学的小波自适应去噪算法,利用多种结构元复合形态滤波器对噪声图像预处理,然后对处理后的图像采用小波自适应阈值进行二次滤波去噪,最后对图像进行重构得到去噪后的图像.实验表明,该算法能对受不同程度、类型的噪声污染的图像进行有效地的处理,并且在去噪时能保持更多的图像边缘.     

一种冗余小波变换的心电信号噪声消除方法

平稳小波变换去除心电信号噪声较好抑制了小波空间适应法消噪产生的伪Gibbs现象,但其重建过程相对复杂。提出对受噪声污染的心电信号移位一次,将移位信号及原信号分别进行正交小波变换阈值去噪,以它们的平均作为去噪结果。实验表明可以获得与平稳小波变换相同的去噪效果,但算法实现更简单快速。     

基于小波变换与形态学运算的R波检测算法

本文提出了一种基于小波变换与形态学运算的R 波检测算法。采用二进Marr小波的Mallat算法对心电信号作多分辨率分解，利用数学形态学运算突出信号的峰谷点特征，将小波变换模极大值检测原理与形态学峰谷检测算法相结合，不仅可以实现对 R 波的准确检测和精确定位，同时也具有较好的算法实时性。     

一种基于小波变换的自适应图像水印算法

在离散小波变换的基础上，提出了一种自适应的新数字水印算法，将伪随机二值序列作为水印嵌入灰度图像中，在检测端需要原始宿主图像。该算法具有以下特点：在水印嵌入时利用了小波变换域系数的均值，可广泛地适用于各种灰度图像；针对每幅图像，都可调节水印的嵌入深度，找到隐形性和鲁棒性的最佳折中。实验结果表明，该算法既实现了水印的隐形性，又对常见的图像处理操作具有很强的鲁棒性。     

基于小波阈值的心电信号去噪算法

将小波阈值方法应用于心电信号的去噪处理,在对常用阈值函数理解分析的基础上提出一种改进的阈值函数,并利用Matlab对MIT-BIH数据库中的心电数据进行仿真,分别采用常用阈值函数和改进阈值函数进行硬、软阈值处理．实验表明,改进阈值函数的软阈值去噪方法能有效地滤除心电信号中主要干扰,并较好地保留了心电信号的特征信息．     

一种基于小波包分解的自适应数字水印算法

提出一种基于人类视觉特性和小波包分解的数字水印算法.该算法充分利用小波包分解的特点,将水印信息有选择地嵌入到原始图像中,水印的嵌入强度和嵌入位置均根据原始图像的内容自适应地决定.理论分析和实验结果表明:该算法很好地解决了水印鲁棒性和不可见性之间的矛盾,对一般的图像处理和攻击,如JPEG压缩、滤波、加噪声、裁剪等有很好的鲁棒性.     

基于小波自适应算法的传感器信号降噪研究

基于MALLAT算法原理和自适应算法,设计了小波自适应算法的结构,并对算法进行了理论分析和仿真研究。仿真结果表明,小波自适应算法在传感器信号降噪方面表现出了良好的性能。