自适应线性预测图像椒盐噪声去除方法

针对灰度图像中的椒盐噪声,提出了一种基于自适应权值与线性预测方法相结合的噪声去除方法。用椒盐噪声模型确定图像中的噪声点,以及噪声点所在滤波窗口内的噪声密度,在密度较小时利用设计的权值函数进行加权平均计算,以达到去噪声的目的;在噪声密度较大时,利用线性预测方法预测噪声点所在位置的灰度值,以实现去噪。对于非噪声点像素则不做处理,较好地保持了图像的细节。实验结果表明,与同类方法相比,此方法有良好的去噪性能。     

噪声图像边缘检测方法的研究*

对图像中常见的高斯噪声和椒盐噪声的特性进行了分析,对含有这两种噪声的数字图像的边缘检测方法进行了研究,尤其对基于顺序形态学的噪声图像边缘检测方法进行了深入的分析研究,基于顺序形态学理论提出了针对分别含有高斯噪声和椒盐噪声的图像边缘检测方法。通过仿真验证表明,对于含有以上两种噪声的图像,提出的方法不仅能够去除噪声而且能够提取出准确清晰的边缘。     

去除图像中高斯-脉冲噪声的有效方法

数字图像在获取和传输过程中常常会受到噪声的污染,有时会同时受到高斯噪声和脉冲噪声的污染。然而现有的去噪算法大多针对单一的高斯噪声或脉冲噪声,在处理混合噪声时无法取得令人满意的去噪效果。给出了一种去除数字图像中高斯-脉冲混合噪声的有效方法,去噪过程分为两个步骤：首先采用一种称为边界判定噪声检测的脉冲噪声检测方法检测出混合噪声中的脉冲噪声,对噪声图像作中值滤波后得到一幅受高斯噪声污染的过渡图像。然后用贝叶斯最小平方-高斯尺度混合模型对过渡图像进行滤波得到降噪后的图像。实验表明,同现有的其他去噪方法相比,该方法能够更有效地去除混合噪声。     

基于K近邻算法的噪声种类识别和强度估计

对于目前噪声种类识别和强度估计方法都是针对单噪声,无法估计混合噪声中源噪声的强度的问题,提出了一种有距离阈值的K近邻（KNN）算法,实现对单噪声和混合噪声的种类识别,并结合混合噪声识别结果和噪声基重构估计混合噪声中源噪声的强度。首先,选用频域数据分布作为特征向量;然后,采用噪声种类识别算法进行种类识别,并且在噪声基重构过程中以重构噪声与真实噪声的频域余弦距离作为强度估计算法的最优化评价标准;最后,实现对源噪声强度的估计。在两个测试数据库上的实验结果表明,所提算法的噪声种类识别的平均精度高达98.135%,混合噪声强度估计的误差率为20.96%。实验结果验证了噪声种类识别算法的准确性和泛化性,以及混合噪声强度估计算法的可行性,并且该方法为混合噪声强度估计提供了新思路。采用该方法获取的混合噪声种类和强度信息有助于去噪方法和去噪参数的确定,进而提高去噪效率。     

运动模糊图像的噪声功率的精确估计

由运动模糊图像复原出原图像关键问题是获取点扩展函数和噪声信息,其中噪声通常假设为高斯白噪声。针对匀速直线运动模糊图像,提出一种差分噪声功率估计方法,该方法对模糊图像的差分图进行叠加,放大噪声,并保持每列的噪声互不相关,叠加后的图像的方差与原始噪声方差存在一个数量关系,通过该数量关系来估计出原始噪声方差。实验证明该方法能够相当准确地估计出噪声功率。     

基于检测的脉冲噪声滤除方法

为了将柴油机瞬时转速信号中的脉冲噪声滤除,使用了基于检测的脉冲噪声滤除方法。在已有的检测方法基础上,计算被检测点与中值之差将已有的检测方法可能漏掉的脉冲噪声检测出来,改进了脉冲噪声的检测方法来保护信号的细节信息。而且此方法对脉冲噪声干扰较为严重的信号特别有效。使用本方法对含有大量脉冲噪声的柴油机瞬时转速信号的滤波结果表明,改进的脉冲噪声检测法能够更准确地检测出脉冲噪声,更好地保护信号中的细节信息。     

相位匹配噪声估计的高阶谱去噪方法

大多数去噪方法只能对高斯噪声或某一类有色噪声进行去噪处理.提出一种新的相位匹配噪声估计的高阶谱去噪方法.利用该方法既可以去除高斯噪声又可以去除非高斯噪声,通过高阶谱和相位匹配实时的逼近当前噪声,建立二次去除噪声方法,通过实验证明该方法能够非常明显的去除高斯与非高斯噪声,在无法分出噪声的种类情况下进行信号的去噪,取得非常好的去噪效果.     

一种保边缘的图像去噪方法

提出一种保边缘的去噪方法。该方法利用4个方向核卷积检测图像中的噪声点和非噪声点,对非噪声点不进行处理。在噪声点的3×3邻域中选择距离最小的非噪声点,若无非噪声点则邻域扩大为5×5,若有非噪声点则用这些点的中值替换噪声点,否则用邻域中距离最远像素点的均值替换噪声点。实验结果表明,该方法不仅能有效去除图像的噪声,且能较好地保护图像边缘。     

卫星遥感影像预处理中噪声去除方法的研究

主要介绍了在遥感卫星影像预处理过程中遇到的噪声问题及其解决方法,内容有常见的遥感噪声现象包括整像素偏移、字节错位、影像错行、带状噪声、条纹噪声等,在描述噪声现象的同时给出了针对上述噪声的相应处理方法如空域滤波方法以及频域滤波方法等。实践证明所述方法在遥感卫星影像预处理过程中得到了很好地应用。     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

Improving Gabor noise

We have recently proposed a new procedural noise function, Gabor noise, which offers a combination of properties not found in the existing noise functions. In this paper, we present three significant improvements to Gabor noise: 1) an isotropic kernel for Gabor noise, which speeds up isotropic Gabor noise with a factor of roughly two, 2) an error analysis of Gabor noise, which relates the kernel truncation radius to the relative error of the noise, and 3) spatially varying Gabor noise, which enables spatial variation of all noise parameters. These improvements make Gabor noise an even more attractive alternative for the existing noise functions.     

一种改进的自适应中值滤波算法

传统的自适应中值滤波算法,利用极值判别像素点是否为噪声点。该方法容易将边缘点误判为噪声点,将噪声点误判为信号点。本文针对这一问题,提出一种利用边缘点与噪声点的差异判别噪声点,并将噪声点分为平滑区噪声点与边缘区域噪声点,对不同类型噪声点进行不同处理。从而达到更好的抑制噪声与保护图像细节效果。     

一类非线性网络系统中噪声改善信号的相关性

基于相关系数研究了在一类非线性神经网络系统中加性和乘性噪声作用下的阈上随机共振现象。仅在加性噪声或者乘性噪声的作用下,对每一个固定的系统阈值,加性噪声下的阈上随机共振比乘性噪声下的阈上随机共振更容易发生,且相关系数所达到的峰值也比在乘性噪声下的峰值大,这说明加性噪声更有利于改善信号的相关性。系统阈值的增加会降低阈上随机共振的功效;而阈值单元数目的增多,会提高阈上随机共振的功效。加性和乘性噪声共同作用下的阈上随机共振现象同样存在,对系统阈值进行恰当选取和增加系统阈值单元数目使得阈上随机共振现象更加明显;给定乘性噪声而改变加性噪声比固定加性噪声而改变乘性噪声阈上随机共振更容易发生,且功效更好。     

高阶统计量方法在谐波恢复中的应用

谐波恢复是信号处理中的重要问题,谐波恢复就是在噪声中分析组成信号的各次谐波.噪声分为加性噪声和乘性噪声,本文分析加性噪声和乘性噪声的特点,提出采用高阶统计量的方法抑制噪声,恢复谐波.通过四阶统计量的切片抑制乘性噪声,采用二阶累积量谱抑制加性噪声.仿真结果表明,本方法具有很好的抑制噪声效果.     

Class Noise vs. Attribute Noise: A Quantitative Study

Real-world data is never perfect and can often suffer from corruptions (noise) that may impact interpretations of the data, models created from the data and decisions made based on the data. Noise can reduce system performance in terms of classification accuracy, time in building a classifier and the size of the classifier. Accordingly, most existing learning algorithms have integrated various approaches to enhance their learning abilities from noisy environments, but the existence of noise can still introduce serious negative impacts. A more reasonable solution might be to employ some preprocessing mechanisms to handle noisy instances before a learner is formed. Unfortunately, rare research has been conducted to systematically explore the impact of noise, especially from the noise handling point of view. This has made various noise processing techniques less significant, specifically when dealing with noise that is introduced in attributes. In this paper, we present a systematic evaluation on the effect of noise in machine learning. Instead of taking any unified theory of noise to evaluate the noise impacts, we differentiate noise into two categories: class noise and attribute noise, and analyze their impacts on the system performance separately. Because class noise has been widely addressed in existing research efforts, we concentrate on attribute noise. We investigate the relationship between attribute noise and classification accuracy, the impact of noise at different attributes, and possible solutions in handling attribute noise. Our conclusions can be used to guide interested readers to enhance data quality by designing various noise handling mechanisms.     

Online Noise Estimation Using Stochastic-Gain HMM for Speech Enhancement

We propose a noise estimation algorithm for single-channel noise suppression in dynamic noisy environments. A stochastic-gain hidden Markov model (SG-HMM) is used to model the statistics of nonstationary noise with time-varying energy. The noise model is adaptive and the model parameters are estimated online from noisy observations using a recursive estimation algorithm. The parameter estimation is derived for the maximum-likelihood criterion and the algorithm is based on the recursive expectation maximization (EM) framework. The proposed method facilitates continuous adaptation to changes of both noise spectral shapes and noise energy levels, e.g., due to movement of the noise source. Using the estimated noise model, we also develop an estimator of the noise power spectral density (PSD) based on recursive averaging of estimated noise sample spectra. We demonstrate that the proposed scheme achieves more accurate estimates of the noise model and noise PSD, and as part of a speech enhancement system facilitates a lower level of residual noise.     

微机械悬臂梁中的机械噪声机制分析

本文采用能量统计分布方法研究微机械悬臂梁的噪声模型,对热机械噪声理论模型进行了拓展和修正,使之适用于低温和高频条件.研究了温度、压力和频率对热机械噪声、温漂噪声和吸附-脱附噪声的影响.根据研究结果对静态检测悬臂梁和动态频率响应悬臂梁传感器进行了具体分析.对于静态下工作的微机械悬臂梁,振幅的随机变化取决于热机械噪声.对于工作在谐振状态的微米尺度悬臂梁,在室温常压下热机械噪声是主要的噪声机制;当尺寸进一步缩小至纳米尺度时,表面效应变得显著,吸附-脱附噪声成为主要的噪声机制.基于对不同情况下噪声特性的分析,对微机械悬臂梁传感器的优化设计规则进行了探讨.     

微测辐射热计的噪声分析

以电阻型微测辐射热计作为基本模型,分析其在电压偏置下的噪声特性.针对微测辐射热计中的约翰逊噪声、1/f噪声与辐射噪声,着重探讨了微测辐射热计的偏置电压、电阻、噪声带宽等参数对其噪声和信噪比的影响,并根据分析仿真结果,提出了三种增加微测辐射热计信噪比的方法.