基于噪声检测的高密度椒盐噪声自适应滤波算法

为了减少图像中的椒盐噪声对后续图像处理的影响,针对高密度噪声污染图像,提出了基于噪声检测的高密度椒盐噪声滤波算法。噪声检测方法理论可靠,保证了较高的噪声检测率,根据噪声点邻域信号点分布的不同采用不同的策略,能最大限度的保护图像的细节信息,使得高密度噪声污染图像也能得到较好地恢复。实验结果表明,所提出的滤波算法具有较强的自适应性、较高的算法保真率及较好的滤波效果。     

噪声密度不敏感的随机采样椒盐噪声滤波算法

中值滤波系列算法在处理被不同密度椒盐噪声污染的细节图像和平坦图像时,降噪性能不一致。本文借鉴开关中值滤波和压缩感知的思想,提出了随机采样滤波算法去除椒盐噪声。算法以噪声检测为基础,将被椒盐噪声污染的图像分为疑似噪声像素和信号像素,随机采样仅对信号像素采样。然后,利用正交匹配追踪算法重构出被污染前的图像,替代了中值滤波对噪声像素的估计。由于随机采样滤波基于压缩感知理论,对稀疏信号的重构具有最少测量次数的条件,因此随机采样点的数量具有一定的浮动空间,表现为对噪声密度不敏感。以被不同噪声密度污染图像的纹理、平坦局部区域进行验证,实验表明,当噪声密度在一定范围内变化时,算法可以实现对噪声密度不敏感。在高密度噪声污染的情况下,相较于中值滤波系列算法,随机采样滤波算法具有更好的细节保留能力和滤波能力。对标准测试图像进行了全局滤波,不同噪声密度具有一致的滤波效果,与自适应滤波算法相比,随机采样滤波算法在处理包含密集边缘特征的区域时更具备优势。      

一种快速去除高密度椒盐噪声的滤波算法

为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法。该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变。仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80%)污染的图像,在去噪的同时能够很好地保护图像的细节。     

高密度椒盐噪声图像开关自适应滤波算法

针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法。该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度。对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像（噪声密度大于30%）,则根据窗口中信号点的分布情况采用加权迭代滤波方法。实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度（90%）噪声情况下与其他算法相比获得的峰值信噪比（PSNR）仍高出10 dB左右。     

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。     

一种窗口自适应的去椒盐噪声滤波算法

为了有效地去除图像中的椒盐噪声,提出一种窗口自适应的滤波算法。算法先采用3×3窗口进行噪声检测,如果中心点为噪声点,则统计窗口内为非噪声点的数量。当非噪声点的数量大于2时,采用中值均值滤波算法;当非噪声点的数量小于等于2时,将窗口尺寸扩大至5×5,采用中值均值滤波算法。如果中心点为信号点,则保持原值不变直接输出。仿真实验结果证明,这种算法对不同程度椒盐噪声污染的图像具有较强的去噪能力,同时较好地保持了图像的细节。     

一种改进型椒盐噪声滤波算法

针对极值中值(EM)滤波算法在去除椒盐噪声时误检率较大的问题,提出了一种改进的椒盐噪声去除算法.算法由漏检率和误检率都较低的噪声检测过程和多窗口噪声滤波过程组成,对受不同强度噪声污染图像的去噪实验表明,该方法在不同噪声率下均优于传统的中值(SM)滤波法及其一些改进方法,当噪声率达到70%时其峰值信噪比(PSNR)提高了16 dB.     

基于细节保留的椒盐噪声自适应滤波算法

针对灰度图像中椒盐噪声的特点,提出了一种更加精确的噪声检测方法:该方法利用滤波窗口内像素点灰度值的不同,将受椒盐噪声污染的图像中像素点划分为噪声点,疑似噪声点和信号点.通过设定阈值,并参考相邻像素点的相关性来进一步区分疑似噪声点,最终建立噪声标记矩阵.对于被标记的噪声点,采用自适应滤波算法,保留更多的图像细节.仿真结果表明,该算法在除去噪声点的同时,对于边缘细节也有非常好的保护作用.     

一种基于灰色关联度的椒盐噪声滤波算法

针对中值滤波算法在去除椒盐噪声时峰值信噪比(PSNR)提高有限和细节保持能力不佳的问题,提出了一种基于灰色关联度的两步式双阈值椒盐噪声滤波方法.第一步通过窗口中各像素的灰色关联度与阈值T<,1>的比较识别出被噪声污染的点;第二步将窗口中所有点的灰色关联度与软阈值T2(中位值)进行比较,选取灰色相关的正常点来恢复出被噪声污染的点.实验结果表明:在噪声率较高的情况下,该算法提高了图像峰值信噪比,改善了图像的主观效果.     

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。     

非平稳噪声环境下的噪声估计算法

通过对噪音和语音频谱的分析,针对航空背景噪声的特性,提出一种用于语音增强的新的噪声估计算法。通常的噪声估计一般利用语音端点检测方法,取噪声段的谱平均值作为待估计的噪声谱,但该方法在信噪比较低时性能下降严重。笔者提出的基于频率段能量比的噪音谱估计方法,不依赖于语音端点检测而直接由语音帧来估计噪音谱,通过计算一帧语音中各频率段中能量比,以判断该帧是否含有语音来修正噪声谱估计的计算因子。算法提高了谱减法的适用范围,还在一般谱相减方法的基础上提出了改进的谱相减算法。     

微波放大器Rn-Gn模型噪声参数的准确提取

对微波放大器Rn—Gn噪声模型以及噪声参数的提取方法进行了研究,自行研制了精密的阻抗变换器,组建了一套新的噪声系数测量系统,采用加权最小二乘法准确提取出放大器的噪声参数。实验测量结果稳定、可靠,在不同频点下可以得到包括最小噪声系数在内的四个噪声参数,并节省了测量时间,为微波低噪声放大器的设计提供了更加可靠的基础数据。     

静态串扰噪声识别算法

传统的静态串扰噪声识别算法只验证耦合电容和噪声幅值信息,没有考虑噪声宽度对电路逻辑功能的影响,所以给出的结果过于保守,导致设计收敛的时间被延长。文章在传统算法的基础上增加了噪声宽度这一识别指标,克服了以往算法结果过于保守的缺点。实验表明,通过验证噪声幅值和宽度指标,算法准确地识别出对电路逻辑功能产生影响的静态串扰噪声,为IC设计的后端优化提供了准确信息。     

CMOS低噪声放大器的噪声系数优化

目前大量的研究文献已经描述了如何找到使噪声系数最小的低噪声放大器输入网络的最佳品质因数,但是它们往往遗漏了一个重要的参数——源极电感负反馈低噪声放大器中的栅极电感,它的寄生阻抗为低噪声放大器增加了明显的噪声。本研究课题提出了2种优化方法,这2种方法均满足功率匹配并均衡了晶体管所产生的噪声贡献和栅极寄生阻抗所产生的噪声贡献,从而实现了在栅极电感品质因数、功耗、增益限制下的噪声优化。     

一种新型噪声消除宽带低噪声放大器

噪声消除技术是设计低噪声放大器(LNA)时常用的技术之一,而如何解决LNA噪声与功耗的矛盾始终是设计的难点。文章提出一种新型噪声消除结构,通过主辅支路之间添加反馈回路的方式,在不增加功耗的情况下,实现了消除主辅支路噪声的目的。基于180 nm CMOS工艺,设计了一款应用该噪声消除结构的宽带低噪声放大器。仿真结果显示,该LNA的带宽为0.40~2.36 GHz,S11与S22均小于-10 dB,S12小于-30 dB,最大S21为14.5 dB,噪声系数为2.20~2.34 dB,功耗仅为9 mW。     

加性噪声对微波光电振荡器相位噪声的影响

微波光电振荡器是一种基于微波光子技术的高频微波信号发生装置,它能够产生超高频谱纯度及超低相位噪声的微波信号。研究了典型的微波光电振荡器相位噪声产生机理及相位噪声谱密度。从构成微波光电振荡器的核心器件出发,分析了开环状态下,微波光电振荡器中的加性噪声来源及其对相位噪声的影响。     

高超噪比微波固态噪声源设计

固态噪声二极管的雪崩散弹噪声在一定条件下近似为白噪声。根据固态噪声二极管在雪崩击穿状态的等效电路,设计出与之匹配的电路结构,以实现超噪比的最大输出。在8.6~9.6 GH z,超噪比达到32~34 dB,平坦度±1 dB,超噪比随温度变化小于0.01 dB/°C。     

磁带录音技术中噪声问题的探讨

在磁带录音技术中，噪声是一项重要的特性，噪声电平的高低，直接影响声音质量及其效果。本文详细地介绍了噪声的分类及噪声产生的原因。     

基于噪声奇异性的光耦器件爆裂噪声检测新法

为了准确客观地检测出爆裂噪声的存在,提出了基于噪声信号奇异性的光耦器件爆裂噪声检测方法.通过对光耦器件噪声样本的计算发现,含有大量爆裂噪声的样本,其平均H(o)lder指数接近于0,反映到局部奇异性指数分布直方图中,其最可几率所对应的h值也在0值附近.而不合爆裂噪声的样本平均H(o)lder指数则在-0.3附近.实验证实了奇异性检测方法可以明晰地区分良品组与次品组光耦器件.噪声奇异性参数可以作为爆裂噪声是否存在的客观依据.     

脉冲噪声检测与滤除器

从信号的自相关角度出发,分析了信号受脉冲噪声污染的特点.根据信号受脉冲噪声污染的特点,提出了一种从幅度上检测脉冲噪声、从宽度上识别脉冲噪声的方法,然后对检测出的噪声点进行预测插值去噪处理.由于只对噪声污染点处理,未改变非污染信号点,从而极大地保护了信号的细节信息.该滤波器算法简单、能够自动适应信号变化和脉冲噪声特性.实验结果表明,与中值滤波器、均值滤波器相比,该滤波器能够在保护信号细节信息的同时,很好地去除脉冲噪声.