基于小波的图像去斑点噪声方法的研究

根据超声图像斑点噪声统计模型的特性,通过对超声图像进行连续小波变换、分形插值小波变换等变换方法以及小波分析的软阈值滤波方法,提出了结合小波软阈值与中值滤波去噪的方法,在不同尺度对信号小波系数进行处理,达到降噪目的.     

小波变换在语音增强中的应用

通过分析语音信号的特性,采用了先对信号进行清浊音的判断,其次运用小波变换来处理带噪语音信号在不同尺度上的带噪小波系数,从而实现在重构中增强语音信号的目的,并通过计算机仿真结果验证了该方法的有效性.     

基于小波变换和均值滤波的图像去噪

通过对图像中含有高斯噪声的分析和研究,结合现有图像去噪的方法,提出了采用均值滤波和小波变换相结合的方法来消除图像噪声。对含噪图像进行小波分解并且对各层小波系数进行阈值量化和进行小波重构,采用不同的模板对水平、垂直、以及对角方向子图像进行均值滤波,将低频近似子图像与处理后的各细节子图像结合得到去噪后的图像。仿真结果表明,所提出的方法相比于其它单一的去噪方法具有更好的去噪效果。     

基于波动法的斜拉桥索力测试研究

针对实际测量中正弦脉冲激励下产生的应力波含噪声大,走时时差难以分辨的问题,根据小波变换下有效信号和随机噪声在多尺度空间中模极大值不同的传播特性,采用近似对称的sym3小波对含噪信号图进行分解,每一层的小波分解系数用不同的软阈值处理.经过修正后的小波系数重构得到的信号图能够消去大部分噪声,清晰地反映入射波和反射波之间的时差.     

基于小波变换的自适应图像去噪研究

小波域的信息处理有多分辨率分析的特性,图像经一系列小波变换就可以得到不同尺度下的图像特征,并能较好地刻画图像的非平稳性,在图像去噪方面有着传统去噪方法无法比拟的优势.本文,笔者阐述了图像小波去噪的原理,分析了影响去噪的关键因素、阈值函数的构造、阈值的选取及小波的分解层数等,并给出了优化的自适应图像去噪方案.     

各向异性双树复小波包变换

基于双树复小波变换提出了一种新的复小波包变换。该变换引入了各向异性分解方式,由此得到的小波基在各个方向上尺度可以不同,并具有更好的方向性。这种变换可用在二维或三维数据的处理上。图像和视频去噪实验结果的PSNR值与各向同性复小波变换相比有0.1～1dB的提高,去噪后图像视觉效果更好,证实了该变换方式的优越性。     

光纤陀螺自适应阈值滤波新方法

通过Lipschitz指数分析不同分解尺度上信号与噪声对应的小波系数变化情况和光纤陀螺输出信号模型,研究了一种新的基于离散小波变换的自适应滤波方法. 该方法可根据光纤陀螺输出信号的能级自动调整小波系数在不同尺度上的阈值. 构造了一种新的阈值函数,用一个多项式来削弱低于阈值的小波系数,能最大限度地保留真实信息. 与软硬阈值函数相比,对于不同信噪比的信号均表现出较好的性能. 仿真实验表明,与传统固定阈值滤波相比,新算法能更好地去除噪声,改进光纤陀螺的零偏稳定性和随机游走等技术指标.     

基于小波变换的自适应图像去噪研究

<正>小波域的信息处理有多分辨率分析的特性,图像经一系列小波变换就可以得到不同尺度下的图像特征,并能较好地刻画图像的非平稳性,在图像去噪方面有着传统去噪方法无法比拟的优势。本文,笔者阐述了图像小波去噪的原理,分析了影响去噪的关键因素、阈值函数的构造、阈值的选取及小波的分解层数等,并给出了优化的自适应图像去噪方案。     

基于小波分析提取大跨径公路桥梁运营期GPS变形监测中的动态特性

针对运营期大跨径公路桥梁GPS动态监测数据受观测环境污染导致无法准确提取桥梁动态特性的问题,研究了利用小波分析技术从GPS观测数据中提取大跨径桥梁动态特性时4种常用小波阈值的选取准则,提出了基于分层、分段的处理方法处理桥梁GPS动态监测数据在不同阶段产生的不同大小振幅和噪声,最后将小波包技术应用在桥梁GPS动态监测数据高频阶段有用信号的提取。以苏通长江公路大桥作为研究对象进行试验,分析显示4种小波阈值中固定阈值存在过度去噪的现象,而自适应阈值在去噪的同时可以保存桥梁GPS监测数据丰富的实际特征,采用分层、分段的方法对桥梁GPS动态监测数据进行处理,结果表明该方法既可得到光滑的去噪结果,又能够最大程度地保留桥梁信号的特征,使提取的大跨径桥梁变形信息更为丰富。对比分析小波包法与小波法的去噪结果,表明基于小波包法在对桥梁GPS动态监测数据去噪的同时能够保留桥梁高频信号中更多的有用动态特性。     

小波变换应用于信号去噪研究

分别对小波分解与重构法去噪法、非线性小波变换阈值法去噪法以及小波变换模极大值去噪法的原理进行了阐述，并比较了这几种小波去噪方法的优缺点，通过计算机仿真结果表明有效可行。     

基于Shearlets变换的SAR图像去噪

在合成孔径雷达(SAR)相干噪声模型基础上提出了一种基于剪切波(Shearlets)变换的SAR图像去噪算法. Shearlets变换继承了Curvele变换和Contourlet 变换的优点,既有灵活的方向选择性又易于实现,并且对于包含C2 奇异曲线或曲面的高维信号具有最优逼近特性. 该文采用Shearlets逼近SAR图像,再用基于贝叶斯估计
理论的双变量阈值函数对Shearlets变换系数进行处理得到去噪图像. 仿真结果表明,相比使用同级Contourlet双变量阈值去噪,该算法峰值信噪比提高2 dB;相比使用非下采样Contourlet变换双变量阈值算法去噪,该算法去噪后图像不仅峰值信噪比有所提高,而且更平滑,计算时间也大大减少.     

基于小波奇异性的结构故障检测

提出了一种新的基于小波奇异性的结构故障检测方法.通过对传感器检测信号进行二进离散小波变换,采用模极大值算法对信号进行去噪滤波,同时根据小波变换模极大值在不同尺度下的分布来完成故障的检测与定位.该方法可有效抑制噪声对残差信号的影响,提高故障检测的鲁棒性.最后,针对歼击机的结构故障进行了仿真,仿真结果表明了本文方法的有效性。     

小波函数在沉降监测中信噪分离效果对比

变形监测的数据中通常不可避免地存在着各种不易消除的噪声,消除这些噪声,提取真实的形变信息是变形分析中一项重要工作。小波变换是一种时频联合分析方法,广泛应用于信号去噪。基于MATLAB进行了叠加高斯白噪声、突变信号的信号仿真,采用不同小波函数对仿真信号进行去噪试验,以均方根误差、估值偏差、信噪比作为衡量指标。对去噪效果进行了对比分析。最后基于仿真试验所得结论,选择最优小波函数对南京地铁春江新城站沉降观测数据进行了去噪处理,得到了较好的去噪效果。     

采用双树复小波和混合概率模型的光学相干层析图像去噪

为了去除光学相干层析图像中的斑点噪声,提出了基于双树复小波变换的混合概率模型ProbShrink算法. 针对原始光学相干层析图像中信号和噪声的分布特点,在微观层面引入了混合概率模型：将OCT图像取对数后进行双树复小波变换,对于层状边缘中与边缘点“方向一致”的小波系数,采用广义高斯模型描述;对于其他小波系数,则采用高斯模型进行描述. 而后采用改进的ProbShrink算法进行去噪. 实验结果表明,该算法在大幅提升信噪比的情况下保持边缘锐度的相对稳定,优于传统的基于小波变换的去噪方法.     

基于心理声学模型数字音频水印算法

提出了一种将心理声学模型和小波变换、离散余弦变换相结合的数字音频水印算法,根据人耳听觉系统的掩蔽效应,计算载体音频信号的掩蔽阈值.为了消除图像水印的像素相关性,首先对水印图像进行置乱,以增强水印信号的安全性.然后将水印信号嵌入到小波变换近似分量的DCT变换域中,嵌入强度由掩蔽阈值自适应控制.仿真实验结果表明：该算法隐藏水印具有很强的不可感知性;叠加了水印的音频信号对数据压缩、加噪、重新采样、重新量化、低通滤波等常用的音频信号处理技术具有很好的鲁棒性.     

图像的平移不变量小波去噪法及其应用

图像的平移不变量小波去噪法是小波收缩阈值去噪法的改进,能够有效抑制小波阈值去噪过程中出现的伪吉布斯现象.分析了图像的平移不变量小波去噪法的原理及其算法,并将该方法应用于颗粒显微图像的去噪.对采用不同去噪方法的图像按照分水岭算法进行分割,然后进行对比.实验结果表明图像的平移不变量小波去噪法的去噪效果较好。     

利用MLT和SRS的混合图像融合与去噪算法

针对图像融合中的去噪声问题,提出一种基于多尺度变换(MLT)和信号稀疏表示(SRS)的混合图像融合与去噪算法,构建混合模型进行剪切变换,阈值化处理MLT分解后的各个系数值,运用滑动窗口技术和平移不变性形成稀疏表示进行图像融合,运用SRS算法去除源图像中的噪声.实验结果表明该算法减少了融合图像的对比度和光谱信息失真情况,显示出高质量的视觉融合效果,在不同噪声水平下能保持较高的PSNR值.     

结合Tetrolet与主动随机场模型的高斯噪声抑制

文中提出一种结合Tetrolet变换和主动随机场模型的去噪方法,用于抑制图像中的高斯噪声.对含有高斯噪声的图像进行Haar小波分解,在小波变换域利用主动随机场算法针对高斯噪声进行去噪,并利用小波逆变换重构去噪后的图像,最后用Tetrolet变换在变换域进一步抑制噪声.实验结果表明,与直接利用小波、Tetrolet、马尔科夫随机场模型以及主动随机场模型等方法相比,该方法对添加不同程度高斯噪声的图像有更好的去噪效果.     

基于自适应阈值的小波消噪算法研究及应用

基于小波多尺度分解的阈值方法是一种有效的信号去噪方法．应用最为广泛的是Donoho阈值法,但由于其阈值为全局阈值,不能在每级尺度上将信号与噪声做最大分离,去噪效果并不理想．在分析Donoho硬阈值和软阈值方法特点的基础上,提出了一种新的自适应阈值消噪方法,结合了硬阈值和软阈值方法的优点,仿真试验和工程实例均证明了该方法优于传统的阈值消噪方法．     

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet 域各向异性扩散和稀疏表示的图像去噪方法. 首先对含噪图像进行非下采样shearlet 变换(nonsubsampled shearlet transform, NSST),将图像分解为低频分量和多个高频分量. 低频分量中包含图像信号的主要能量以及少量的噪
声,而高频分量中含有大部分噪声和图像边缘信息. 然后,利用K-奇异值分解(K-singular value decomposition,K-SVD) 算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD) 算法进行去噪. 最后,对处理过的低频分量和高频分量进行非下采样shearlet 反变换(inverse nonsubsampled shearlet transform, INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节. 实验结果表明,与小波扩散去噪法、shearlet 硬阈值去噪法、K-SVD 稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.