基于小波阈值去噪算法的研究

在D.L.Dohono和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数。与传统的硬阈值和软阈值比,该函数不仅易于计算,而且具有优越的数学特性和清晰的物理意义。实验结果表明,该方法可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值及改进的软硬阈值折中算法,充分体现出小波阈值去噪方法的优越性。     

基于小波的信号阈值去噪算法研究

阈值去噪的方法就是在小波分解后的各层系数中,对模大于或小于某阈值T的系数分别处理,然后对处理完的小波系数再反变换重构出经去噪后的信号.在阈值去噪中,阈值函数体现了对超过和低于阈值的小波系数模的不同的处理策略以及不同的估计方法.     

基于小波变换的心电信号阈值去噪算法研究

心脏病是威胁人类健康的病症之一,发病率一直居高不下。但纯净的心电信号不容易得到,心电信号中总有各种噪声。对心电信号的去噪研究逐渐成为人们研究的热点。由于传统傅里叶去噪的局限性,近年来逐渐兴起的小波分析逐渐成为人们去噪研究的重点。通过对前人工作的总结和分析,提出了一种新的阈值去噪的方法,既克服了软硬阈值函数的缺点,同时又能在它们之间进行灵活选择,并最终通过实验模拟达到了理想的去噪效果,证明该算法比传统的方法更能得到纯净的心电信号。     

基于噪声方差小波阈值去噪算法研究

为了克服小波阈值去噪中硬阈值小波系数不连续和软阈值估计小波系数与分解小波系数之间恒定偏差的缺点,改进的阈值去噪方法被相继提出。文章根据高斯白噪声和信号在小波变换以后得到的小波系数呈现不同的特性,基于噪声方差提出一种新算法。最后通过MATLAB仿真验证该算法在信噪比、均方根误差、相关系数、信噪比增益4个去噪指标的效果。     

基于小波变换的图像阈值去噪的改进方法

基于Donoho提出的传统的阈值去噪方法,提出了一种新的阈值函数,并应用于图像的去噪.与Donoho的软阈值和硬阈值函数相比,这种新的阈值函数有更多的优点:可以实现能量自适应去噪;能够保存图像的边缘信息;函数的表达式简单,避免了硬阈值函数的不连续性;相比软阈值和硬阈值函数,新阈值函数更灵活.仿真结果表明,改进后的方法应用于图像去噪,无论是视觉效果还是信噪比都有了改善.     

基于新阈值函数的小波阈值去噪算法

小波基、分解层数、阈值和阈值函数是小波阈值去噪的关键性因素.针对小波基和分解层数的确定,提出了一个算法来实现;对于传统硬、软阈值函数的局限性和阈值函数在临界阈值处不存在平滑过渡区的现象,提出了一个参数化的新阈值函数,该阈值函数具有更高阶,通过灵活调节参数使之介于硬、软阈值函数之间,且兼具硬、软阈值函数的优点,并在临界阈值内添加平滑过渡区,可在阈值处理时保留一部分有用的高频信号,较好地抑制了细节系数的过扼杀和信号振荡现象.仿真结果表明:新阈值函数提高了去噪信号的信噪比,减小了均方误差,取得了较好的去噪效果.     

基于小波变换的信号去噪的应用研究

文章指出了小波变换去噪方法与一般意义下去噪方法的不同,讨论了小波变换算法的优越性,进而提出了利用小波算法对含噪信号进行逐层分析与重构,将原始信号分解为不同频带,滤除不需要的频带,最后用Mallat重建算法得到去噪后的信号,既有效地滤除了信号噪声,又保留了信号的突变性。大量的实验结果和进一步的分析表明,该技术应用在动力系统的去噪研究中将更加有利于系统的稳定运行。     

基于粒子群优化算法的图像小波阈值去噪研究

将粒子群优化算法应用于图像小波阈值去噪，从理论上分析了小波去噪基本原理，并采用PSO的算法求小波变换各子带的最优阈值，讨论了粒子数目、噪声大小、小波基的选择对本算法效果的影响。实验结果表明，与普通小波阈值去噪方法相比，该算法能获得较好的图像效果，提高信噪比。     

基于粒子群优化算法的图像小波阈值去噪研究

将粒子群优化算法应用于图像小波阈值去噪,从理论上分析了小波去噪基本原理,并采用PSO的算法求小波变换各子带的最优阈值,讨论了粒子数目、噪声大小、小波基的选择对本算法效果的影响。实验结果表明,与普通小波阈值去噪方法相比,该算法能获得较好的图像效果,提高信噪比。     

基于小波变换的图像自适应阈值去噪算法

针对传统小波阈值去噪算法的不足,提出了一种新的自适应阈值去噪算法.该算法引入了一个新的阈值函数,利用GGD模型对小波子带内的系数进行建模,再根据小波子带系数的局部邻域信息进行方差估计,从而得到自适应最优阈值.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统小波阈值去噪算法具有明显改善.     

基于Matlab的小波阈值折衷去噪算法研究

基于硬阈函数和软阈函数的小波去噪算法处理的信号分别存在着偏差和方差过大的缺点,为有效解决这一问题,提出基于硬软阈值的折衷小波去噪算法。并采用四种常用的信号用matlab对去噪效果进行了仿真。仿真结果进一步表明了基于硬软阈值折衷去噪算法的优越性和有效性。     

基于新阈值函数的小波阈值去噪算法

针对传统小波阈值函数在阈值处的不连续性、小波估计系数存在偏差等不足,导致去噪后的图像出现失真、产生吉布斯震荡等问题,提出了一种改进的阈值函数,与常用的硬阈值、软阈值以及已有改进的阈值函数相比,该函数不仅易于计算,而且具有优越的数学特性。为了验证该阈值函数的优越性,通过仿真实验对几种小波去噪方法的峰值信噪比（PSNR）与均方差（MSE）进行了对比。实验结果表明,此去噪方法无论是在视觉效果上,还是在均方差和信噪比性能分析上均优于常用的阈值函数。     

小波阈值去噪算法的新改进

在D.L.Donoho和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数。与传统的硬阈值、软阈值、半软阈值以及已有的改进阈值函数相比,该函数不仅易于计算,而且具有优越的数学特性。通过Heavisine和Droppler信号的仿真实验表明,新的阈值函数可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上,均优于上述几种去噪方法,具有较高的实用价值。     

基于模极大值小波域的去噪算法研究

根据信号与噪声在小波变换下的不同特性，提出了基于模极大值小波域的去噪算法。该算法先用Adhoc算法求出信号的模极大值，再根据模极大值小波域的定义求出信号的模极大值小波域，从而得到信号的小波系数，然后逆变换得到信号。实例分析表明：该算法能有效消除噪声，与交替投影模极大值算法相比，该算法在原理上更简单，程序实现更容易，去噪速度更快，能满足在线监测的要求。     

心电信号的Lipschitz指数与基于小波变换的去噪算法

心电信号是对人类心脏的生理和病理过程进行无创检测最主要的手段，是近年来信号处理领域的一个研究热点。本文在概述小变换理论的基础上，首先通过实验计算测定了心电信号的Ｌｉｐｓｃｈｉｔｚ指数，然后基于小波变换下奇异信号民随机噪声尺度空间中的不同特性设计了一种去噪算法。     

心电信号的小波阈值去噪算法研究

本文采用基于小波变换的阈值去噪方法对心电信号进行了去噪处理.给出了基小波、分解尺度、阈值的具体选择方法,在比较采用不同的基小波进行阈值处理方法的基础上.给出了采用coif4小波进行局部自适应软阈值处理的改进算法.实验结果表明,采用该算法降噪后信号的信噪比为34.019dB,将原含噪信号的信噪比提高21.879dB,去噪效果较好.     

一种改进的语音数据小波阈值的去噪算法

小波阈值去噪是一种简洁有效的信号去噪方法,在信号处理领域得到了广泛应用。结合语音信号特有的频率分布特点,在软硬阈值函数的基础上,提出了一种改进的基于分解尺度的小波阈值去噪函数。仿真实验表明,该函数能够较好的滤除语音数据中的噪声,并且在更大程度上保留原始语音信息。     

小波变换应用于图象去噪

数字粒子图象测速技术（ＤＰＩＶ－ＤｉｇｉｔａｌＰａｒｔｉｃｌｅ－ＩｍａｇｉｎｇＶｅｌｏｃｉｍｅｔｒｙ）已在国内外得到广泛的重视和应用,但目送２其最大的问题是精度问题,由于ＤＰＩＶ的图象数据是用ＣＣＤ摄像机经相应的图象卡采集示踪粒子图象得到的,这样在实验过程不可避免引入的噪声（主要是示踪粒子大小、示踪粒子数值量、诊断窗口大小、诊断窗口内的速度梯度和量化效果等引入的噪声）降低了实验测量的精度。本文应用     

基于双树复数小波变换的切屑图像阈值去噪

由于在金属切削加工时通过CCD相机采集的切屑图像含有大量噪声，因此如何有效地去除噪声，获取切屑边缘信息是分析切屑形态参数，实现切屑控制的关键。目前小波变换图像去噪效果较好，而复数离散小波变换比实数小波变换具有更多优势，如：平移不变性、方向性等。并可提高图像的去噪能力。为了提高切屑图像的去噪能力，提出了一种采用双树复数小波变换进行切屑图像去噪的方法，即在原信号(噪声标准方差)未知情况下，采用GCV准则选取去噪阈值，双树复数小波变换进行去噪。典型图像与切屑图像去噪结果显示，该方法能有效地提高金属切削加工过程中切屑图像的噪声去除及屑形边缘检测的能力。     

基于改进小波阈值去噪的图像增强算法

针对传统小波阈值去噪算法容易导致重构信号出现附加的振荡和阈值处理前后存在恒定偏差的情况,提出了一种新的阈值去噪算法:在第n层小波变换阈值λn两侧分别取一正值a,b,使得小波系数的绝对值在a,b处连续且一阶可导,旨在增强阈值的灵活性。实验表明,去噪效果较传统方法更加高效。同时,在此基础上,选择对比度图像增强技术来进一步提升含噪图像分割质量。通过仿真实验,运用传统方法和本文改进算法分别对附加了高斯噪声和随机噪声的图像进行处理,结果表明,本文改进算法在信噪比和峰值信噪比数据上都具有明显的优势。