基于K-SVD的低频水声信号去噪处理方法

由于浅海环境下的噪声严重且复杂,水听器得到的接收信号往往很大程度被噪声干扰,具有较低的信噪比,导致水声信号处理难度大等问题.针对此问题,为了更有效地去除有用信号中的海洋噪声,采用基于稀疏分解和字典学习的去噪方法.首先随机构造完备离散余弦变换(discrete cosine transform, DCT)字典,之后使用正交匹配追踪算法(orthogonal matching pursuit, OMP)对含噪水声信号进行稀疏表示以及通过K-奇异值分解算法(K-singular value decomposition, K-SVD)对完备DCT字典循环训练更新;根据更新后得到的新字典与稀疏系数完成对水声信号的重构并去除海洋噪声.通过对不同海况即不同信噪比下的仿真信号进行去噪处理,结果表明该方法可以有效去除混在水声信号中的各种噪声,且在去噪的同时可以保留信号细节,信噪比增益可达到20 dB左右.     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。     

自适应秩收敛低秩算法压制沙漠地震随机噪声

针对沙漠地震记录中包含大量复杂噪声降低信噪比的问题,提出一种将变分模态分解(VMD:Variational Mode Decomposition)与混合高斯鲁棒主成分分析(MoG-RPCA:Mixture of Gauss-Robust Principal Component Analysis)相结合的自适应秩收敛去噪算法.首先利用VMD对含噪记录进行分解,将分解得到所有模态重排成一个新的信号矩阵,并对其进行MoG-RPCA低秩分解,当分解误差满足预设要求时提取有效低秩分量,最后将低秩矩阵中每一道信号的所有模态叠加并与含噪记录作差得到最终去噪结果.该方法既规避了 VMD模态取舍问题,同时对传统低秩分解进行自适应秩收敛,从而无需多次调整秩数大小.模拟实验和实际数据处理表明,该算法可以有效压制低频噪声,对有效信号幅度保持均能到达85％以上.     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

基于低秩非局部稀疏表示的图像去噪模型

在去除加性高斯白噪声的过程中,为克服图像失真,提高图像视觉质量,使图像之间联系更加密切,本文提出了一种基于低秩非局部稀疏表示的去噪算法模型。在该模型中,首先通过PCA方法线训练字典得到稀疏字典集,然后用奇异值分解求解低秩问题,最后用欧拉-拉格朗日方法得到去噪图像的能量泛函,从而重构图像。仿真实验结果表明,提出的新算法不仅能克服图像失真,改善图像视觉质量,还提高了峰值信噪比和图像相似度。     

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低下且检测耗时过长的问题,研究一种基于EEMD和OS-DL联合去噪的语音端点检测算法。首先利用EEMD（总体平均经验模态分解）算法对输入语音进行分解得到IMF（本征模式分量）,然后使用OS-DL（一步式字典）算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明：该算法在复杂环境信噪比低于-10dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。     

融合低秩和稀疏表示的图像超分辨率重建算法

针对现有图像超分辨率重建算法收敛速度慢、易受噪声影响的问题,结合低秩矩阵恢复与稀疏重建理论,提出了一种新的单幅图像超分辨率重建算法。对于待重建的退化图像,首先进行低秩恢复,得到含有原始图像大部分信息的低秩部分和主要由噪声组成的稀疏部分,然后对低秩部分利用学习的高低分辨率字典对进行稀疏重建。实验结果表明:本文算法对噪声鲁棒,运行速度快,图像视觉效果更佳;相比基于稀疏表示的统计预测模型(SPBSR),本文算法的峰值信噪比指标平均提高了4dB。     

基于Takenaka-Malmquist系的语音信号压缩与降噪方法

语音信号的稀疏表示是语音压缩与降噪等语音处理的关键技术之一.在匹配追踪(matching pursuit, MP)、正交匹配追踪(orthogonal matching pursuit, OMP)等算法的基础上,提出了一种基于Takenaka-Malmquist系的贪婪权值算法(a greedy weight algorithm based on the Takenaka-Malmquist system, TMGW).采用TMGW对语音信号进行重构时只需要较少的分解项数,从而达到语音压缩的目的.同时,根据稀疏分解后信号与噪声在时频面上能量分布不同的特点,该算法可实现对含噪语音的降噪.实验结果表明, TMGW比基于自适应Gabor子字典的匹配追踪算法(matching pursuit algorithm based on the adaptive Gabor sub-dictionary, GMP)更适用于语音信号的稀疏表示.     

一种改进K-奇异值分解稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

采用遗传算法的分层贪婪字典训练算法

针对稀疏表示残差过大的问题,提出了采用遗传算法的分层贪婪字典训练算法.该算法首先将数据样本变成一维信号,然后将问题划分为若干个子问题,采用贪婪算法思想分层训练字典.为了以一定概率寻找到每一层字典的最优值,使用遗传算法来训练每一层字典,最后将每层字典级联作为最终的字典.在训练每一层字典时,先采用号码矩阵对样本的分类进行表示,然后以平均低秩逼近的残差能量作为衡量适应度的参数,以联赛选择的方式选出优胜个体,通过单点交叉和变异方法产生新的个体.对二值序列的稀疏表示信号重建的实验结果表明,该算法在训练样本量较小的情况下,与传统的核奇异值分解算法相比,训练得到的字典在同样的稀疏度约束下重建信噪比提高了10倍以上.     

一种基于非参数贝叶斯理论的语音增强算法

提出一种基于非参数贝叶斯理论的语音增强算法,在稀疏表示的框架下,把字典学习、稀疏系数表示和噪声方差估计融合成一个贝叶斯后验估计的过程,并利用Spike-Slab先验加强稀疏性.首先,将带噪语音分解为干净语音、高斯噪声和残余噪声3个子信号,分别对该3种子信号采用不同的先验概率模型表达,接着采用马尔科夫链-蒙特卡洛算法计算出3个模型中每个参数对应的后验概率,最后基于稀疏表示的框架重构出干净语音.实验数据使用NOIZEUS语音库,采用PESQ和SegSNR作为质量评价指标,分别在信噪比为0,5和10dB的高斯白噪声、火车噪声和街道噪声上验证了其可行性,并与多种常用语音增强方法进行对比,发现其在低信噪比非平稳噪声情况下的增强效果更为理想.     

面向音频信号的可迁移的稀疏表示字典学习方法

基于字典对音频信号稀疏表示是1种在音频信号处理中被广泛使用的信号表示方法,但是,如果当前信号与字典学习所使用的信号的数据分布不同时,稀疏表示性能会受到严重影响.本文提出1种用于对音频信号稀疏表示的,可迁移稀疏表示字典学习方法,将经验模态分解得到的成分作为音频信号帧的本质特征,提出基于本质特征和原始信号的字典联合学习方法,使字典具有很强的可迁移性.通过不同话者和不同数据集之间信号的稀疏表示,对字典的可迁移性能进行验证,同时,对字典稀疏表示的效果和效率进行了评估.实验结果表明:本文提出的字典学习方法,在不同话者和不同数据集间迁移时,重构信号的信噪比分别相差0.5和0.8,明显低于当前常用的方法.同时,字典具有更高的稀疏表示效率和更好的效果.     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

基于改进经验模态分解的语音信号特征提取法

针对语音信号特征提取在处理含噪语音信号时识别率低,抗干扰性差等问题,提出了一种基于改进的经验模态分解算法对含噪语音信号进行特征提取.该方法通过对含噪声语音信号分解分类并对两类模态分量分别处理再进行重构和特征提取,解决了目前大多数语音信号特征提取过程会滤掉部分原信号问题,在有效地消除了噪声信号的基础上,尽可能多地保存原信号,进而使系统的识别性能得到明显提高.实验结果表明,该算法在不添加噪声的情况下可以达到95.5％识别率,在添加不同比例噪声时,相比于几种传统算法,该算法依然保持高识别率.     

基于字典学习的大气湍流退化图像复原技术应用

为了消除大气湍流对图像的影响, 提高图像质量, 结合稀疏表示理论, 采用字典学习的算法处理大气湍流退化图像。将DCT 过完备字典、K-svd 全局字典和自适应字典的算法应用于图像去噪过程, 并与维纳滤波算法进行比较。结果表明, 该算法能较好地滤除大气湍流退化图像的噪声, 提高图像的峰值信噪比。仿真实验验证了稀疏表示在处理大气湍流退化图像的可行性, 对比传统算法具有更好的去噪性能。     

基于表面波变换的水声瞬态信号降噪方法

为提高对水下目标信号检测的有效性和可靠性,对水声基阵信号的干扰噪声进行分析,提出对含噪信号进行三维表面波变换的降噪方法.通过设置适当的阈值,对变换后的系数进行舍取处理,得到表征信号及微量残余噪声的重构系数;对其进行表面波逆变换后得到降噪后的水声基阵信号.对实际水声信号的降噪实验表明:该方法实现了对基阵信号的并行处理,取得了较好的降噪效果.     

稀疏低秩子空间聚类算法

子空间聚类算法的主要目标是从高维数据中找到其低维表示。在低秩表示子空间算法的基础上,针对采用数据本身作为字典会造成噪声过大的问题,提出稀疏低秩子空间聚类算法,采用稀疏表示优化字典,解决了数据自带噪声难以去除导致最终结果偏离过大的现象。实验结果表明,该算法相比于稀疏子空间算法和低秩表示算法效果有显著的提高。     

基于C-WNNM的地震随机噪声压制方法

针对低信噪比情况下地震信号同相轴不易识别的问题,提出用C-WNNM方法来压制地震勘探资料中的随机噪声.给出了基于WNNM的低秩逼近理论,利用地震信号在时间和空间上具有一定的相似性这一特点来构建近似低秩矩阵,并且由CEEMD分解得到的IMF1分量来近似估计局部噪声方差,从而获得更加精确的权值.经过迭代逼近得到最终去噪后的信号.对由雷克子波生成的模拟地震勘探资料进行C-WNNM滤波处理.结果表明,在地震数据存在强噪声的情况下,该方法能够有效压制随机噪声并且能够更好地保留有效信号,信噪比相比于原始WNNM算法提高了3 d B左右.     

基于鲸鱼优化算法的VMD-NLM脉搏信号滤波算法研究

针对采集到的脉搏波信号中存在基线漂移和高频噪声等干扰,导致后续病理研究分析困难、测量精度相对较差的问题,提出了一种改进的变分模态分解和非局部均值降噪结合的滤波算法。针对变分模态参数选取不同对结果存在不同影响的问题,采取鲸鱼优化算法自适应选取合适的参数,并根据排列熵结果筛选模态分量,对噪声分量进行非局部均值滤波,最后将信号重构,实现对脉搏波信号的噪声去除。实验结果表明：含噪信号经过改善后的滤波算法处理后,其信噪比与均方根误差均优于其他降噪方法,证明该算法能够有效地滤除信号的噪声,有助于脉搏波的分析处理。