基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

基于遗传搜索区域特征的图像融合算法研究

提出了一种基于遗传搜索块的区域特征选择的图像融合算法。该方法首先根据分类结果对待融合的两幅图像进行自适应消噪处理分析,然后对处理后的图像进行小波分解。小波分解后的子图像应用遗传算法搜索最优图像子块（即区域）的大小,比较相应区域特征确定重构时小波系数,最后进行一致性检验。实验表明,该算法能够得到良好的融合效果,而且对于各种不同的源图像具有通用性,并用客观评价标准对算法进行了定量分析。     

基于比特平面分解的图像消噪方法

灰度图像消噪方法一般是借助于图像的平滑处理技术如均值、中值消噪、数学形态学消噪.这些常规消噪方法都是在空间域对像素的邻域进行某种平滑或积分处理,反映到频域就是在图象的高频区域进行分量抑制或衰减,从而不可避免地导致图像轮廓或边缘区域变得模糊.基于比特平面分解的图像消噪方法,是依据分解所得的各比特平面对原图像边缘信息的贡献,并不对高位的比特平面进行平滑消噪,使得消噪后图像的轮廓或边缘的清晰度较常规平滑消噪有所改善.     

基于小波分析的阈值降噪算法研究

小波变换的阈值消噪方法是利用小波交换技术对含噪图像进行分解和重构,对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理,然后利用处理后的小波系数重构出消噪后的图像。分析了小波消噪的算法和实现步骤,并基于Matlab软件平台编写仿真程序,消噪效果良好。     

基于虚拟通道独立分量分析的阻抗胃动力消噪

为消除胃动力阻抗信号中混叠的噪声信号,利用独立分量分析的冗余取消特性,提出一种新的胃动力阻抗信号消噪方法。采用经验模态分解构造虚拟噪声通道,将一维原始胃动力阻抗信号扩展为多维观测信号,应用FastICA算法对其实施盲分离。仿真实验结果表明,该方法能有效消除叠加在胃动力阻抗信号中的噪声,不需要大量的观测样本,可运用独立分量分析实现对单个观测样本的消噪处理。     

独立分量分析在图像去噪方面的应用

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪信号的独立分量分析(Noisy ICA),结合传统有噪图像分离方法与结合改进FastlCA算法有噪图像分离仿真研究进行对比。结果表明,该算法即使在高水平噪声图像中,也能够分理出比较清晰的图像。     

基于EEMD与改进提升小波的脑电信号消噪方法

为消除混杂在脑电信号中的噪声,提出一种总体平均经验模态分解(EEMD)与改进提升小波相结合的脑电信号消噪方法。利用EEMD算法将含噪脑电信号分解为若干个内蕴模式函数(IMF)分量,通过自相关函数特性法提取出由噪声主导的高频IMF分量,并运用改进提升小波进行消噪处理,将保留的低频IMF分量与消噪后的高频IMF分量进行叠加,从而得到消噪后的脑电信号。实验结果表明,与传统提升小波消噪方法以及改进的提升小波消噪方法相比,该方法的信噪比较高,均方根误差较低。     

一种改进的基于ICA特征子空间的目标识别方法

介绍了独立分量分析（ICA）的基本原理和算法,并提出了基于独立分量分析的特征子空间的目标识别方法。该方法首先利用快速独立分量分析（FastICA）算法对训练集目标图像进行ICA分解,据此建立特征子空间,然后根据待识别图像在特征子空间的投影系数进行判别。本文的改进在于根据类内类间距离比值最小化准则进行最有利于分类的特征的优化选择。实验结果显示,和传统方法相比,改进的方法能有效提高识别的准确率和效率。     

一种边缘保持的医学图像去噪方法

医学图像去噪在图像处理中占有重要地位,对获取的医学图像进行去噪是进一步分析和计算的基础.将一维经验模式分解方法扩展到二维,提出了基于二维经验模式分解的医学图像边缘保持去噪方法.该方法先将图像进行经验模式分解,得到内蕴模式分量IMF和剩余分量,图像的噪声及边缘信息主要集中在IMF中;然后再将IMF进行经验模式分解,得到IMF的高频分量和剩余分量;最后将两次分解的剩余分量叠加,得到边缘保持的去噪图像.实验结果表明,处理后的图像较传统的医学图像去噪方法有明显的改善,在有效去噪的同时增强了边缘保护的能力.     

基于独立分量分析的单通道语音增强算法

传统的独立分量分析要求观测信号的个数不能小于源信号的个数,无法直接对单路信号进行独立分量分析。为了能够利用独立分量分析分离加性噪声,须构造一路观测信号。基于语音信号的短时平稳的特性,该文提出一种构造噪声信号的算法,实现了信号与噪声的分离。仿真结果表明,利用该算法可得到很好的消噪结果,提高信号的信噪比。