针对拖尾噪声的中值滤波-小波消噪算法分析

与高斯噪声相比,拖尾噪声有更多的异常值,利用传统的小波阈值方法不能对其有效消噪.提出利用中值滤波-小波消噪方法进行处理,首先利用中值滤波抑制异常值,然后利用小波阈值方法消除残留噪声,并给出了适合拖尾噪声的消噪效果评价准则.基于提出的准则,通过实验比较了小波阈值方法与中值滤波-小波消噪方法的消噪效果,结果表明所提出的方法能更好的消除拖尾噪声,具有较好的鲁棒性.     

一种消除椒盐噪声的迭代自适应中值滤波算法

针对传统中值滤波算法对高密度椒盐噪声图像滤波效果差的问题,基于循环迭代处理思想,提出一种消除椒盐噪声的迭代自适应中值滤波算法。在传统基于决策滤波方法基础上,所提算法自适应调整滤波窗口尺寸并计算滤波窗口内非椒盐像素中值以替换噪声像素,进而根据噪声密度自适应决定算法迭代次数,以完全消除椒盐噪声并恢复原始图像。仿真结果表明,对噪声密度为10%～99%的图像,与标准中值滤波及其4种改进算法相比,所提算法能较快消除椒盐噪声且可较好恢复原始图像细节。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

基于改进Canny算子的图像边缘检测方法

针对传统Canny边缘检测算法采用高斯滤波处理图像不能有效消除椒盐噪声的问题,提出改进Canny算子用于检测图像边缘.首先利用双滤波设计-融合自适应模糊中值滤波和双边滤波去除图像椒盐噪声,降低图像噪声同时保证图像边缘.然后在研究过程中遇到边缘检测人工阈值选取自适应不足的问题,采用最大类间方差(Otsu)算法计算得到高低...     

基于PSO和改进神经网络的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法（PSO）的图像滤波方法。该方法利用对数最小均方误差函数（LNLS）代替BP神经网络传统的最小均方误差函数（LMS）,用来减小图像噪声对神经网络精度的影响;并将改进后的BP神经网络利用PSO算法优化,从而避免神经网络陷入局部极小值点,进一步提高神经网络滤波能力。实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节。     

基于噪声分离和小波阈值自适应图像去噪算法

针对VisuShrink小波阈值滤波算法的不足和混合噪声的情况,提出了一种基于噪声分离和尺度的自适应混合图像去噪算法.算法首先通过极值检测分离脉冲噪声和高斯噪声,然后分别对脉冲噪声应用多窗口中值滤波及高斯噪声应用基于尺度的小波阈值滤波完成去噪.实验表明,该混合滤波算法能有效去除图像中的脉冲噪声和高斯噪声,并较好地保存了...     

基于脉冲耦合神经网络的椒盐噪声滤波

基于脉冲耦合神经网络,提出了一种有效的椒盐噪声图像滤波算法.首先利用PCNN相似群神经元同步发放脉冲的特性检测噪声,并给出了神经元参数的估计方法.然后考虑到噪声点应和最近的非噪声点最相似,提出了一种扩展窗口中值滤波算法对噪声点进行滤波.仿真表明,本文提出的方法对不同强度的噪声图像均体现了优异的滤波性能,和相关的中值滤波算法相比也体现了相当明显的优势.     

一种用于消除红外图像噪声的自适应加权滤波算法

针对带有高斯噪声和椒盐噪声两种混合噪声的红外图像,提出了一种自适应加权混合去噪算法。该算法首先通过邻域像素的灰度差值来判断像素噪声的类别,然后对高斯噪声采用自适应加权均值滤波法滤除,对椒盐噪声采用自适应加权中值滤波算法滤除。实验表明,该方法优于传统均值滤波算法和中值滤波算法,能同时消除混合噪声,并具有较好的保护图像细节的能力。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

广义高斯混合模型的自适应盲信号分离

针对传统盲信号分离算法中信号概率密度函数计算速度慢、计算效果一般等问题,提出一种广义高斯混合模型的自适应盲信号分离算法。该算法根据信号拖尾特性的不同,自适应地选取t分布与广义高斯模型,分别估计重拖尾信号和轻拖尾信号的概率密度函数,通过建立峭度和形状因子的查找表得到不同信号评价函数的估计值,并对亚高斯信号和超高斯信号的混合信号进行有效分离。实验结果表明,该算法能对传统算法难以分离的重拖尾与轻拖尾混合信号进行快速有效的分离,具有较好的分离效果。     

Hybrid Polynomial Filters for Gaussian and Non-Gaussian Noise Environments

Traditional polynomial filtering theory, based on linear combinations of polynomial terms, is able to approximate important classes of nonlinear systems. The linear combination of polynomial terms, however, yields poor performance in environments characterized by Gaussian and heavy tailed distributions. Weighted median and weighted myriad filters, in contrast, are well known for their outlier suppression and detail preservation properties. It is shown here that the weighted median and weighted myriad methodologies are naturally extended to the polynomial sample case, yielding hybrid filter structures that exploits the higher-order statistics of the observed samples while simultaneously being robust to outliers for both Gaussian and heavy-tailed distributions environments. Moreover, the introduced hybrid polynomial filter classes are well motivated by analysis of cross and square term statistics of Gaussian and heavy-tailed distributions. A presented asymptotic tail mass analysis shows that polynomial terms, both under Gaussian and heavy-tailed noise statistics, have heavier tails than the observed samples, indicating that robust combination methods should be utilized to avoid undue influence of outliers. Further analysis shows weighted median processing of polynomial terms for the Gaussian noise case, and weighted median and weighted myriad processing of cross and square terms, respectively, for the heavy-tailed noise case, are justified from a maximum likelihood perspective. Filters parameter optimization procedures are also presented. Finally, the effectiveness of hybrid filters is demonstrated through simulations that include temporal, spectrum, and bispectrum analysis     

学生 t 混合势均衡多目标多伯努利滤波器

在有重尾的过程噪声和量测噪声的影响下,高斯混合势均衡多目标多伯努利滤波器(GM-CBMeMBer)的滤波性能会明显下降。针对上述问题,该文提出一种新的学生 t 混合势均衡多目标多伯努利滤波器(STM-CBMeMBer)。该滤波器将过程噪声和量测噪声近似为学生 t 分布,并用学生 t 混合模型来近似多目标的先验强度。从理论上推导出学生 t 混合形式的预测强度和后验强度,建立了势均衡多目标多伯努利滤波器的闭式递推框架。仿真结果表明,在重尾的过程噪声和量测噪声存在的环境中,该滤波器能有效抑制其干扰,相比于传统方法,具有更高的跟踪精度。     

一种针对拖尾噪声的消噪效果衡量准则

文中由于拖尾噪声有更多的异常值，利用传统的消噪效果评价标准不能客观地评价不同消噪方法对拖尾噪声的抑制能力，文中提出利用信噪比提高值和最大误差值两个量来衡量不同方法的消噪效果，并给出了具体计算公式。实验结果表明，与传统的评价方法相比，文中所提的量化方法能更客观地评价不同方法对拖尾噪声的抑制能力。     

基于中值滤波的红外焦平面阵列非均匀性神经网络校正

统的神经网络校正算法存在收敛速度慢和校正精度低的缺点。当背景噪声较大时,它更难以获得令人满意的校正效果。 针对其不足之处, 提出一种基于中值滤波的红外焦平面阵列(IRFPA)非均匀性神经网络校正算法。该算法首先利用中值滤波对强噪声进行预处理,在此基础上 采用改进的神经网络校正算法对IRFPA非均匀性进行自适应校正。实验结果表明,该算法与传统的神经网络方法相比具有收敛速度快和校正精 度高等特点,并且使图像的峰值信噪比至少提高了10dB。     

激光雷达距离像噪声抑制及方法评价

针对激光成像雷达距离像距离反常噪声的噪声抑 制问题,提出了一种改进环圈滤波(IDF)算法并进行了评价。首先,根据 激光雷达距离像噪声的构成,建立了一般化的距离像噪声仿真模型,模型中包含了地面、目 标和细小结构等成分,可模拟 距离反常、失落信息和内部噪声等噪声干扰;其次,提出了一种IDF噪声抑制算法的一般形 式,利用仿真模型对中 值滤波(MF)、IDF等噪声抑制算法进行了分析,对计算结果从整体、非异常 值和细小结构等多个方面, 评价了算法的噪声抑制能力和保护目标细节信息能力;最后,采用实测距离像对算法进行了 验证。研究结果表明,利用建立 的距离像噪声仿真模型,可以有效地评价不同噪声抑制算法的 能力;同时,利用IDF可 以根据目标特性选取校正系数,在满足算法对保护目标细节信息能力要求的前提下,提高噪 声抑制能力。     

基于均值漂移的自适应滤波及其在光谱信号处理中的应用

该文给出了一种基于均值漂移的自适应双边滤波方法,其性能仅取决于空域的核尺度参数,幅度域的核尺度是根据信号的局部特征自适应选取的。该方法能够去除脉冲噪声,能有效抑制非脉冲噪声,并有较强的边缘保护能力。实验和分析表明本文方法的整体性能优于高斯滤波和中值滤波。该文将所提出方法用于天体光谱的去噪,并与均值漂移滤波和小波硬阈值法进行了比较,结果表明:该方法能够有效抑制光谱中天光背景噪声和随机噪声,并能较好地保护谱线信息,更适于天体光谱信号的处理。     

基于神经网络噪声检测的自适应中值滤波器

针对椒盐噪声污染图像的滤波问题,提出了一种基于前馈神经网络的噪声检测器。基于这种噪声检测方法,采用自适应中值滤波算法,依据像素点的不同属性采用不同的滤波策略。实验结果表明,该算法在有效去除椒盐噪声的同时更好地保留了图像的边缘和细节,是一种有效的图像去噪方法。     

Robust adaptive estimator for filtering noise in images

Provides three new methods for storing images corrupted by additive noise. One is the adaptive mean median filter for preserving the details of images when restored from additive Gaussian noise. Another is the minimum-maximum method for moving outlier noise. The third method, the robust adaptive mean p-median filter, is based on a combination of the previous two methods. In the past, proposed restoration methods have generally proven to be inadequate for both detail preservation and noise suppression, but the new adaptive mean p-median filter is shown to be good at both of these tasks, while the robust adaptive mean p-median filter can give good performance even in the presence of outliers. Degraded images are processed by the proposed algorithms, with the results compared with a selection of other median-based algorithms that have been proposed in the literature.     

Denoising jet engine gas path measurements using nonlinear filters

Traditionally, linear filters have been used to smooth time series of gas path measurements before performing fault detection and isolation. However, linear filters can smooth out sharp trend shifts in the signal and are also not good at removing outliers. Since most fault detection and isolation algorithms are optimized for Gaussian noise, they can show performance degradation when outliers are present. In this study, numerical results with simulated data for engine deterioration and abrupt fault show that the nonlinear rational filter with median preprocessor are useful for gas turbine health monitoring applications resulting in noise reduction of 73%-96% while preserving signal features and removing outliers.