改进的基于中值滤波和小波变换的图像降噪方法

针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声,对于脉冲噪声得不到好的降噪效果的问题,提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。仿真实验结果表明,结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善,从而证明了该方法的有效性。     

基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法

针对煤电厂炉膛火焰图像含有脉冲噪声和高斯噪声混合含噪图像的特点,提出了中值滤波和小波变换相结合的火焰图像去噪方法。首先采用自适应权重中值滤波方法对火焰图像去噪,然后再对去噪后的图像进行小波分解,分解后对不同子带采用不同的滤波方法进行有效滤波。实验结果表明,该方法不仅能够有效地滤除图像噪声,提高火焰图像的质量,而且在边缘保持能力上比传统的去噪方法要好。     

基于小波变换和模糊中值滤波的图像边缘检测

小波变换是近年来兴起的信号处理技术。它具有良好的局部化分析特性和多分辨率分析特性,非常适合于图像处理。实际图像中常常含有噪声,噪声在小波变换中会产生大量的奇异点。中值滤波器是一种非线性滤波器,具有良好的边缘保持特性。该文提出了结合小波变换、中值滤波器和多分辨率分析的边缘检测方法,给出了一种自适应选择模糊中值滤波器因子的方法。实验结果表明,该方法是有效的。     

基于小波变换和中值滤波的Canny边缘检测算法

传统的Canny边缘检测算法采用的是高斯平滑,用来去除图像中的计算噪声,这种去噪方法虽然对抑制高斯噪声效果较好,但对脉冲噪声等的去除并不理想。针对这一问题,提出了用小波变换与中值滤波相结合的方法取代了传统的高斯滤波法,并对平滑后的图像作图像增强。实验表明,该方法有效地提高了边缘检测的准确性,得到了比较理想的边缘检测效果。     

基于多级中值滤波的小波去噪方法

经典图像去噪方法中,多级中值滤波有良好的保护细节的特性,近年来在小波域中对信号的处理,能使噪声抑制更加有效。结合两者的特点,提出了基于多级中值滤波的改进算法,利用最大最小中值之差判断平坦及边缘区域,实现了在小波域中平滑噪声的同时还可以保护图像细节不受损失。实验表明该方法与Donoho的软门限方法相比较,可以得到更好的去噪效果。     

基于小波变换的滤波方法

小波变换正在众多学科掀起研究和应用热潮，并已获得了许多成功的应用。本文系统地研究了小波变换在滤波方面的应用，根据不同类型的噪音，给出了基于不同小波变换的滤波算法，并研究了其滤波原理。仿真结果表明，小波滤波方法不仅能实现各种滤波功能，而且简单易行，是一种有效的滤波手段。     

结合小波变换和中值滤波心电信号去噪算法研究

在采集心电信号数据的过程中,必然会涉及到肌电干扰、基线漂移和50Hz工频干扰,而使用常规系统辨识法则常常在一定程度上难以鉴定心电信号的特性.中值滤波器是一种操作简单的、高速的非线性信号滤波器,它常用于心电信号中低频去噪过程,如基线漂移.因为WTS的二进小波是一组带通滤波器,不同尺度有不同的频带,小波变换被选定用来分解原始信号,小波变系数的重建形成了消除干扰的心电信号.采用模拟实验是要确定如何进行自适应的阈值选取,适当的分解层数和小波函数.通过使用MIT/BIH数据库的心电信号,并结合计算机仿真形成的心电信号来对该方法进行检验.结论表明此算法可有效抑制心电信号中的主要噪声,满足心电波形临床分析和诊断的需求.     

基于中值滤波的小波域水印算法

提出一种小波域鲁棒图像水印算法,水印信息被嵌入小波变换的低频子带。为检测对视觉不敏感的离散小波变换低频系数,将小离散波变换的低频子带进行中值滤波,并与原小波变换低频子带的小波变换系数比较,对变化程度小的系数嵌入水印信息。实验结果表明,该算法与基于小波低通滤波的水印算法相比,保证不可见性,对压缩、中值滤波、剪切、锐化等具有更强的鲁棒性。     

基于拓扑中值滤波的红外图像小波边缘提取

分析了边缘类型对小波多尺度边缘提取的影响.针对红外目标图像对比度低、噪声大、灰度缓慢变化的特点,在进行小波变换前利用拓扑中值滤波法的边缘象素定位精度高的特性,滤除噪声并初步定位大部分边缘象素.经试验此方法可明显提高红外图像的小波多尺度边缘提取的质量.     

同步挤压小波变换对随机噪声抑制的研究

针对低信噪比信号在噪声去除中存在的问题,提出了利用同步挤压小波变换对随机噪声的处理研究。该变换是一种新的小波变换方法,可将时域信号转化成高分辨率的时频谱,再结合时频谱重排的思想,通过挤压任一中心频率附近区间值,从而得到同步挤压小波变换量值。研究发现,同步挤压小波变换可将随机噪声压缩为点状噪声或者颗粒噪声,并聚集分布,基于噪声这一分布特点,从而选用中值滤波,可达到很好地抑制噪声的目的;而传统小波变换后,随机噪声在大小尺度上均有分布,比较分散,用中值滤波不能达到好的滤波效果。对比结果表明：该方法具有较好的抑制随机噪声的能力。     

基于四分法噪声检测的开关中值滤波算法

为了精确的检测出图像中的脉冲噪声并滤除,提出一种差分四分法的开关中值滤波算法.该算法对噪声检测窗口内像素按灰度值大小排序,通过差分方法划分出高、低阶信号块和高,低阶噪声块4部分.当待测像素属于高,低阶信号块时视其为信号点,否则,根据噪声块与信号块内像素比例关系确定其为噪声点或可能噪声点,若为可能噪声点,则扩展检测窗口重新检测.对于噪声点,基于其邻域噪声密度自适应的确定滤波窗口,取滤窗内信号点的中值作为滤波输出.实验证明该算法对脉冲噪声有很强的抑制作用.     

基于小波变换的动态称重信号处理方法

针对目前动态汽车衡因货车拖磅称重而导致称重信号异常及称重不准确问题,提出采用小波变换极大值信号重构算法对拖磅称重信号进行处理:首先将拖磅称重信号逐层分解到不同频域和时域,在保持频率不变的条件下,对称重信号逐级求极大值点,得出信号逐级变化趋势;然后将多级称重信号按原离散逼近系数重构成新的称重信号,进而得到车辆称重信息。现场实测表明,采用小波变换极大值信号重构算法处理后的货车拖磅称重数据与正常过磅时称重数据的误差小于1%。     

地震信号小波变换的去噪方法

运用模极大值法基本原理进行地震信号去噪研究,进而运用二次小波变换原理通过低层系数处理对常用小波去噪方法进行改进.通过合成不同的染噪地震信号,由一系列仿真实验对模拟地震信号进行不同尺度的小波分解与重构,从而实现最优小波分解尺度上的地震信号噪声去除.与常用的快速傅立叶转换方法比较,仿真结果表明,该小波变换方法能够有效去除地震勘探信号中的噪声,并且针对系数的二次小波变换可以明显改进去噪的效果.     

基于小波变换和神经网络的车内噪声信号重构

为获取较高精度车内噪声主动控制(Active Noise Control, ANC)参考信号,提出了一种基于小波变换和BP神经网络的车内噪声信号重构方法。以在某轿车采集到的噪声信号为基础,用声学传递路径分析(TPA)方法确定影响车内噪声的关键点信号。鉴于噪声源信号对车内信号非线性关系的复杂性,建立BP神经网络的噪声重构模型,并利用小波分解来降低噪声信号的非平稳性。为对比重构效果,建立BP神经网络噪声重构模型。结果表明,本文提出算法的重构值与实测值之间的平均绝对误差比BP神经网络小,并且基于小波变换和BP网络重构模型的平均绝对误差均小于0.01。该方法能够对车内噪声信号进行准确、有效的重构。     

运用小波变换捕捉信号的奇异点

在石油工业中,对泄漏事故及早发现并防止扩散已成为重要而紧迫的研究课题.该检测系统采用负压波检测法,根据泄漏产生的瞬态压力信息传播到上、下游的时间差,以及管内压力波的传播速度,即可计算出泄漏点的位置.但由于工业现场的电磁干扰、输油泵振动等因素,使采集到的压力波形序列夹杂着大量噪声,因此要实现负压波准确定位,关键在于利用小波变换技术捕捉信号奇异点(瞬态压力信息).该方法在MATLAB中对Daubechies小波进行了分析,证明压力波形可以在泄漏开始的瞬间产生较大的幅度变化,从而准确判断泄漏时刻.     

Alpha稳定分布噪声下改进的频域预滤波方法

针对α琢稳定分布噪声和谐波信号在频域均表现为异常值这一特性,提出了一种新的频域预滤波估计方法。通过分数低阶共变将信号转换到频域,在频域利用自适应加权Myriad滤波器滤除尖锐脉冲,提取稳定分布噪声的共变谱,将稳定分布有色噪声转化为稳定白噪声,然后利用基于分数阶共变的Music方法估计信号的共变谱。仿真结果表明,在不需要知道稳定噪声任何统计特性的情况下,该方法在1<α<2的非线性度量空间,该算法取得了理想的效果。     

结合小波变换和Log-Gabor滤波的虹膜识别方法

提出了一种将小波变换和Log-Gabor滤波结合起来进行虹膜识别的方法:小波分解后的低频子带包含了虹膜图像的主要信息,而Log-Gabor滤波能有效提取图像的纹理信息.将归一化的虹膜图像进行两层小波分解,再取其低频子带进行Log-Gabor滤波并量化生成虹膜模板,采用汉明距进行快速分类.实验结果验证了本算法具有很好的识别率和等错率.