三维激光点云多尺度去噪算法研究

针对地面激光点云数据中的多尺度噪声问题,提出一种高效、鲁棒的点云分类去噪算法。算法首先以K邻近距离为评价指标,对噪声点云进行尺度分类,并剔除大尺度噪声。然后,引入双边滤波去噪理论,以过邻域内所有点云的滤波平面为因子确定投影权函数,并引入曲面变分因子,对双边滤波因子进行改进。最后,采用改进的双边滤波去噪算法对小尺度噪声进行处理。实验表明,本文提出的算法能够有效减少邻域噪声的影响,具有一定的推广和应用价值。     

半参数Kalman滤波模型在GPS变形数据处理中的应用

提出半参数回归模型改进经典Kalman滤波系统误差和协方差矩阵,以消除系统误差对滤波的影响。将半参数Kalman滤波模型应用于GPS变形监测数据去噪等数据预处理中,并与自适应Kalman滤波和抗差自适应Kalman滤波进行对比,通过应用实例对比分析表明,半参数Kalman滤波模型去噪及预测精度更高,应用效果更好。     

基于偏微分方程的InSAS干涉图去噪技术研究

针对干涉合成孔径声纳(InSAS)中干涉图的去噪问题,引入了一种基于偏微分方程的去噪方法.与传统的均值滤波和中值滤波方法相比较,仿真和真实试验数据处理结果均表明:基于偏微分方程的干涉图去噪方法不仅可以有效地去除噪声,而且能更好地保持干涉图的细节信息和边缘信息,为后续的相位展开奠定了基础.     

岩石SHPB试验信号的小波包去噪

根据岩石霍布金逊压杆（SHPB）试验测试信号的高噪声与瞬态非平稳特点，利用小波包分析技术对其进行消噪处理。所得结果与传统方法所得结果比较发现：通常经过应变仪滤波和数据邻值平均法所得的测试结果是不准确的。用能够进行时频多尺度分辨的小波包变换方法进行信号的去噪处理。在揭示信号本身的时频信息的同时，能尽可能不失真地在强噪环境下重现有效信号，将这种方法用于岩石SHPB测试信号的去噪处理，能够得到可靠的结果。     

小波分解技术在深基坑监测数据处理中的应用

从小波分解技术的强大的去噪功能出发,提出了基于小波技术的监测数据前处理方法.结合润扬长江公路大桥南锚碇排桩冻结法深基坑的变形监测数据,利用小波分解与重构手段,对变形监测数据进行消噪滤波处理,结果表明,小波分解技术去噪合理有效,可以有效地从误差干扰的变形监测数据中提取数据所反应的原始特征,同时,也不需要监测数据的先验知识,为监测数据的误差消除的一种有效方法,具有一定的理论价值和应用价值.     

Steerable Pyramid分解域地震强随机噪声衰减

为解决油气地球物理勘探中地震资料的噪声问题,研究了Steerable Pyramid分解阈值去噪对地震资料强随机噪声背景下弱信号识别的影响。根据地震资料弱信号的Steerable Pyramid分解系数值较小的特点,从Steerable Pyramid分解域硬阈值去噪出发,采用降低阈值的方法保护Steerable Pyramid分解系数值较小的弱信号,同时针对时域噪声残留采用均值平滑的方法保证去噪效果。经过理论模型和实际资料实验,得出在Steerable Pyramid分解域采用硬阈值降阈值+均值滤波的方法可以从较强的噪声背景中识别出弱信号,并且保证信噪比有足够的提高;在去噪的同时,不但连续性好,反射强的同相轴得到了增强,而且即使连续性差,反射弱的同相轴也得到了有效的保留。采用本方法去噪伪影较少,剖面的保真度较高。     

利用小波去噪方法处理建筑物变形监测数据

本文基于小波分析理论 ,利用小波去噪技术 ,对一组建筑物变形监测数据进行了去噪处理。实际计算结果表明 ,小波去噪合理有效 ,能够敏感识别观测噪声和有用信息 ,不需要待处理数据的先验知识 ,特别适合于建筑物变形监测的数据处理。     

均值滤波及中值滤波在速度谱曲面滤波中的应用

实际获取图像中存在一定的噪声,而噪声必定会影响图像的清晰度、对比度等。为了解决这一问题就需要对信号进行相应的滤波处理,通过对随机信号数据分别进行取平均值和中值的方法进行去噪处理,以比较两种方法在提高信号信噪比和分辨率效果上的不同,并且将两种方法实际运用到速度谱曲面的滤波中,提高速度谱曲面的光滑度,从而便于叠加速度的拾取。     

采用外部数据扩充样本的协同表示去噪算法

针对滤波算法利用内部数据很快达到滤波性能极限、在噪声密度较大时无法满足滤波要求的问题,提出采用外部数据扩充样本的协同表示去噪算法。通过协同表示寻找到与待滤波图像相似的外部数据图像,并利用该图像生成虚拟图像,扩充数据库纹理信息;通过匹配待滤波图像与外部数据图像的相似碎片信息,完成滤波过程。实验结果表明,所提出算法对高密度噪声图像的滤波效果较BM3D算法有大幅度的提升,并具有较好的鲁棒性,可获得高质量的滤波图像。     

Kalman-GM(1,1)组合模型在基坑围护墙顶沉降预测中的应用

针对基坑围护墙顶沉降监测数据受外界随机噪声干扰较大的问题,提出利用Kalman-GM(1,1)组合模型来进行变形分析和预测。即先用Kalman滤波模型对观测数据进行去噪处理,再建立基于滤波数据的GM(1,1)模型,进行基坑墙顶沉降预测。工程实例应用表明,该组合模型有效减弱了随机噪声干扰,其预测精度和可靠性高于单一GM(1,1)模型,更适用于基坑墙顶沉降预测。