用噪声残差似然估计改进经验模态分解基信号去噪方法

现有的基于经验模态分解(EMD)的信号去噪算法,用于幅值取阈以及信号重建的本征模函数(IMF)基本都是靠经验筛选,影响了算法的去噪性能。为解决这一问题,引入噪声残差似然估计(LE-RN)测度以建立IMF的优化筛选准则。由消噪后的重建信号与原始带噪信号,可以形成一个噪声残差(RN)分量。在不同去噪参数组合下,通过最大化RN分量与标准正态分布的对数似然,实现IMF分量的优化筛选。最终,形成一种改进的EMD基信号去噪方法。借助仿真消噪试验,通过与现有的EMD基去噪方法进行对比,验证了所提出的去噪参数优选准则及其改进EMD基去噪方法的有效性。

加权核范数最小化和改进小波阈值函数的图像去噪算法

针对加权核范数最小化算法存在结构残余噪声以及无法较好地保持图像边缘结构的问题,提出基于加权核范数最小化和改进小波阈值函数的图像去噪算法。利用全变分模型对噪声图像进行初步去噪,使用噪声图像与初步去噪后的图像进行差分运算,对差分后得到的噪声残差图像使用改进的小波阈值函数去噪,将小波去噪后的残差图像与初步去噪图像叠加,将叠加后的图像使用基于残余噪声水平迭代的加权核范数最小化算法进行二次去噪。相较于当下主流去噪算法,经该算法处理后的图像的PSNR和SSIM值均有所提升,能够更好地保持图像的纹理结构,且在高噪声环境下效果更佳。

残差噪声模型在PMC技术中的应用

PMC技术在提高语音识别的鲁棒性方面发挥重要作用。但PMC技术仍存在一些难点：如何获得精确的卷积噪声模型；如何在低信噪比情况下提高识别性能。该文提出了PMC技术的改进方法：引入新的残差噪声模型以及伪干净语音模型，结合信号增强技术，能有效地提高系统的鲁棒性。实验是在英国剑桥大学的HTK语音识别工具包的基础上进行，结果表明，新的PMC技术在噪声环境下能显著提高识别性能。

一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 。

一种改进的谱相减语音增强方法

针对一般的谱相减语音增强算法所带来的“音乐”噪声较为严重的问题 ,提出了一种改进的谱相减语音增强算法——噪声残差消除谱相减法。实验结果表明 ,噪声残差消除谱相减法明显地削弱了一般谱相减法所带来的“音乐”噪声。

基于听觉掩蔽效应的MMSE语音增强算法

针对MMSE语音增强算法低信噪比时产生较大的语音畸变的缺点,提出了一种结合人耳听觉掩蔽效应的MMSE语音增强算法。该算法利用掩蔽阈值来调整MMSE算法中的增益值,使得增强后的语音信号残留噪声和语音畸变较小。通过计算机仿真对增强前后语音信号的信噪比分析以及主观试听表明:改进的MMSE语音增强算法不仅提高了语音信号的信噪比,而且减少了语音畸变,提高了语音的可懂度。

基于线性模型的图像对比度增强取证

针对当前全局对比度增强检测算法在中低强度JPEG压缩质量因子下分类精度不高的问题,文章提出了一种基于线性模型的图像对比度增强检测算法。文章首先提出从图像中提取图像噪声残差,对图像噪声残差采取分块策略计算每块的线性模型,根据对应图像块的线性模型计算相应的功率谱密度来呈现线性模型的特性。然后,计算整幅图像的均值功率谱密度作为分类特征。最后,采用支持向量机进行分类。实验结果表明,此方案能够有效地分类对比度增强图像,而且能够抵抗图像的JPEG压缩。