基于形态学与小波变换的信号自适应去噪算法

针对常规的ECG（electrocardiogram）信号去噪算法存在的缺陷,提出了一种基于形态学与小波变换的自适应综合去噪算法。该算法利用形态学滤波器去除基线漂移信号,用小波滤波器去除高频干扰信号,并将这两部分所得到的心电噪声分量作为自适应滤波器的参考输入信号,对ECG信号进行自适应滤波处理,最后得到去噪后的ECG信号。实验表明,本算法是一种有效的去噪算法。     

组合方法在脑电信号消噪中的仿真研究

研究脑电信号消噪问题.脑电信号存在非平稳性且包括大量的噪声,传统的消噪算法不能很好消除脑电信号中的噪声,从而影响后继的脑电信号处理和分析.为了更好的消除脑电信号噪声,提出一种小波变换与自适应滤波相结合的脑电信号组合消噪方法.该方法首先对含噪的脑电信号进行白化处理,然后采用小波分解和重构含噪较大的信号,将重构后的信号作为自适应滤波器的输入,进行自适应滤波消噪处理.仿真结果表明,组合去噪方法能有效去除脑电信号中的噪声干扰.     

基于自适应仿生小波变换的语音增强方法

分析自适应滤波和小波滤波的原理与方法,提出一种基于自适应仿生小波变换的语音增强方法.该方法首先用仿生小波变换对含噪语音信号进行小波分解,这样可以保证对信号频率和幅值的听觉特性,然后将经仿生小波变换所分离出来的噪声成分作为自适应滤波器的输入.通过选用自适应滤波器的最小二乘算法(RLS)从而实现信噪分离的最佳滤波,以保证去除信号中的相关噪声.实验结果表明,该方法对语音信号有显著的增强效果,能实现语音信号在同频段对噪声成分和有用信号的最佳估计.     

基于小波分解的自适应滤波算法及其应用

在管道运行时,由于管道摩阻、周围介质扩散等影响,使得测得的压力与流量信号带有很大的噪声,当噪声频率很宽时,自适应滤波器的参数设置比较困难,致使去噪效果不明显。为此,提出了一种基于小波分解的自适应滤波算法,该算法基于信号和噪声经小波变换后在不同尺度上有不同的特征,即先对信号进行小波多尺度分解,然后对各尺度分解的信号分别选用不同的滤波参数,进行自适应滤波处理。并用该方法对在管道泄漏实验中采集的信号进行降噪处理。结果表明,该方法比普通的自适应滤波方法更能有效地消除信号中的噪声。     

基于形态学和小波变换的心电信号去噪算法

在处理心电信号采集过程中混入的基线漂移、工频干扰及肌电干扰等噪声的过程中,小波变换取得了广泛的应用。针对小波算法的缺陷及不足,提出了一种基于数学形态学和小波阈值的混合算法。该算法利用非线性形态学滤波器滤除基线漂移,将获得的含高频噪声心电信号通过小波阈值算法进行处理,最后获得无噪声的ECG（心电）信号。采用MIT/BIH Arrhythmia Database中的数据对算法进行了验证,实现了三种主要干扰的滤除,本算法效果良好,为后续特征点的识别奠定了基础。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

心电信号去噪的数学形态学滤波器

为探索验证一种基于数学形态滤波器的去除心电基线漂移和工频干扰的高性能滤波器设计方法,借鉴数学形态学一维信号滤波原理,提出自适应阈值ECG去噪算法的思路,讨论了3σ统计准则在ECG自适应阈值滤波中的作用,利用改进的算法对心电图中常见的工频干扰和基线漂移进行校正。通过对MIT-BIH心率变异数据库中多组数据的仿真验证研究,验证了该算法能有效实现心电信号的噪声预处理;数学形态学理论在心电信号处理中具有良好性能,是实时处理一维生物医学信号有潜力的工具。     

基于小波变换的自适应模糊阈值去噪算法

文章提出了一种适合于消除混合噪声的去噪算法——自适应模糊阈值去噪算法。该算法根据信号和噪声的小波系数在不同分解尺度上的传递性,结合中值滤波和模糊理论,自适应地进行软阈值滤波,然后进行小波重构,得到去噪图像。实验表明,与软阈值去噪和改进软阈值去噪算法相比,该算法具有良好而稳健的去噪效果,能够更有效地去除噪声和保持图像边缘细节。     

一种基于形态学的小波自适应去噪算法

针对常规的去噪算法会引起图像边缘模糊,而在保留和增强图像边缘时又会影响图像的去噪效果的缺陷,提出了一种基于形态学的小波自适应去噪算法,利用多种结构元复合形态滤波器对噪声图像预处理,然后对处理后的图像采用小波自适应阈值进行二次滤波去噪,最后对图像进行重构得到去噪后的图像.实验表明,该算法能对受不同程度、类型的噪声污染的图像进行有效地的处理,并且在去噪时能保持更多的图像边缘.     

基于二阶段噪声检测的滤波算法研究

研究信号优化问题,针对信号中的混合噪声,大大降低了信号的精度和准确性,影响了对真实信号特征的提取,为了消除存在于信号中的混合噪声,提出了一种基于二阶段噪声检测的滤波算法.先通过小波空域法处理由高斯噪声控制的小波系数;根据脉冲噪声控制的小波系数幅度的特点,结合中值滤波算法,构造一种能检测出脉冲噪声控制的小波系数的检测器,处理检测出的小波系数;最后用二次处理后的小波系数进行信号重构,可以去除混合噪声;仿真实验表明方法有效可行并优于单-的小波空域相关去噪法和软阈值去噪法,而且能够较好地去除混合噪声,达到提取信号优化过程.     

A novel intelligent denoising method of ecg signals based on wavelet adaptive threshold and mathematical morphology

Due to high-frequency noise and low-frequency noise in ECG signals will interfere with the accurate diagnosis of cardiovascular diseases. With the intrinsic mode function (IMF), which is the main component indicators of high-frequency noise and low-frequency noise, this paper proposes an intelligent denoising method of ECG signals based on wavelet adaptive threshold and mathematical morphology. Firstly, this method performs Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) for signals containing noise, and adopts zero-crossing rate to identify IMFs containing high-frequency noise and low-frequency noise. Secondly, according to the discreteness and randomness of IMF containing high-frequency noise, a wavelet adaptive threshold mathematical model is constructed. In this model, with the signal-to-noise ratio (SNR) improvement as the threshold adjustment parameter, the wavelet threshold is modified by niche genetic algorithm, and the optimal solution is obtained after removing high-frequency noise by wavelet decomposition and reconstruction. The waveform of IMF containing low-frequency noise changes slowly and its amplitude is large and it is difficult to remove low-frequency noise. Therefore, mathematical morphology is used to remove low-frequency noise. Finally, the intelligent denoising method of ECG signals is designed by superimposing denoised IMFs. MIT-BIH experiments show that in the process of removing high-frequency noise and low-frequency noise, compared with other denoising methods, the percent root mean square difference (PRD) and SNR improvement of the method proposed in this paper are improved, and the denoising effect is significant, which can provide expert knowledge and decision-making guidance for related application fields.

     

改进型中值滤波和形态学组合降噪方法

根据改进型中值滤波和开-闭灰度形态学滤波算子设计了一种基于门限递归中值滤波和灰度形态学滤波组合优化算法,该算法弥补了中值滤波在噪声强度较高时去噪能力下降快的缺点.仿真结果表明,在噪声强度较高时,该算法明显优于单独使用中值滤波和灰度形态学滤波,具有较高的实用性.     

改进EEMD算法在心电信号去噪中的应用

集合经验模态分解（Ensemble empirical mode decomposition,EEMD）方法在去除心电信号噪声时,噪声本征模态函数（Intrinsic mode function,IMF）分量难以选择且将噪声分量直接去掉会导致信号失真。针对上述问题,提出了一种基于EEMD的自适应阈值算法。首先对含噪心电图（Electrocardiogram,ECG）数据进行EEMD分解,得到IMF,根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留信号细节。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

基于噪声检测的自适应中值滤波算法

针对现有中值滤波算法对于高密度噪声图像以及纹理细腻图像的边缘处理能力欠佳的缺陷,提出一种基于动态窗口的自适应中值滤波算法。该算法根据噪声点与周围信息的关联程度调整噪声点滤波值,从而更好地处理图像的细节部分。该算法中的自适应策略加强了滤波算法的去噪性能,使其对于含有任意噪声密度的图像也能很好地进行噪声滤除。通过仿真分析,新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好,有效地提高了图像的峰值信噪比,去噪效果相比其他方法更加优秀。     

用噪声检测算法改进理想低通滤波器

针对图像去噪算法存在滤除噪声与保留图像边缘细节之间的矛盾,提出了一种使用基于分数阶微分梯度的随机噪声检测算法来提高理想低通滤波器的去噪性能的方法。首先,使用不同方向的分数阶微分梯度模板与含噪声图像进行卷积,计算出图像在不同方向上的分数阶微分梯度;然后,依据预先设定的阈值获得不同方向的分数阶微分梯度检测图,将在所有选定方向上梯度都发生跳变的像素点判定为噪声点;最后,只对图像中被检测出的噪声点用理想低通滤波器进行滤波,可使图像在去除噪声和保留图像细节两方面同时获得较优的效果。实验结果表明,所提算法不仅可以获得更好的视觉效果,而且去噪后图像的峰值性噪比(PSNR)表明去噪后的图像更接近原始图像,使用理想低通滤波器获得的最大PSNR为29.0893dB,所提算法获得的最PSNR为34.7027dB。将分数阶微积分用于图像去噪,为提高图像去噪性能提供了一个新的研究方向。