MPEG-4 AAC感知噪声替代算法的研究与改进

针对先进音频编码(AAC)中感知噪声替代(PNS)标准算法在对噪声进行检测时容易造成误判而导致编码音质恶化的问题,提出了一种新的噪声检测算法.该算法利用了噪声频谱比音调频谱更为平坦的特性,设置了帧和比例因子带的双重门限,以对噪声进行精确检测.另外,在PNS模块中加入了预编码模块以进一步提高PNS的编码效率.实验结果表明,与标准算法相比,该算法大大提高了噪声的检测精度,在不增加编码复杂度的同时获得了更高的编码效率.

AAC解码中感知噪声替代算法的研究和实现

针对先进间频解码(advanced audio coding,AAC)中感知噪声替代(perceptual noise substitution,PNS)模块运算量大、不易硬件实现的问题,利用线性反馈移位产生伪随机序列模拟知觉噪声,并利用分段查表的方法对噪声进行整形,从而简化了PNS的解码算法。电路设计上,采用与AAC解码器复用RAM和运算模块的方法,以降低硬件资源消耗。设计结果表明,通过了现场可编程门阵列(field-programmable gate array,FPGA)验证并完成流片,芯片采用0.18μm CMOS工艺,PNS解码耗用1 528个逻辑门,整个AAC(含PNS)解码器功耗为8.5 mW,保持了原有设计低功耗的特点。

噪声条件下二语辅音感知中的区别特征信息传递研究

由一组中国英语学习者和一组英语母语者参加的在不同类型噪声条件下对英语辅音进行感知的实验结果显示,中英被试在发音位置、发音方法、发声特征以及咝声特征等区别特征上的信息传递均有差别,体现了二者在噪声条件下的辅音感知中区别特征运用策略的不同。由上述分析可知,母语对中国学习者英语辅音感知会产生影响,因而在英语教学中应加强对学习者运用音位间关键区别特征的显性指导。

故宫游客对景区噪声感知情况的调查分析

首先分析了故宫在不同时间段、不同景点噪声污染特点,然后采取问卷调查、双因素分析法分析了不同群体游客对故宫噪声的感知状况.研究结果表明:在不同的时间段故宫均存在噪声污染;不同性别、出游方式对游客噪声感知没有明显影响;不同年龄、学历、游览次数、游览目的的游客对噪声感知存在显著差异.为了给游客创造更好的游览环境,需要从噪声控制、创造理想的声环境两个方面对故宫噪声加强管理.

噪声条件对二语英语辅音感知的影响

本文对中国二语英语学习者与英语本族语者在安静和噪声条件下对英语辅音的感知进行了实验对比研究。结果显示,信息遮蔽型噪声带来的不利影响总体上小于能量遮蔽型噪声,但在具体辅音上存在差异。本族语者相对二语学习者的总体本族优势在各条件下保持不变,但在具体辅音上呈现出扩大/缩小的对立变化模式,并且与中英语辅音系统的相似/差异性密切相关。本文讨论了中英擦音体系的对应关系与中英被试噪声感知差异之间的关系。

适用于机场噪声感知的改进ZigBee路由算法

近年来,机场噪声污染愈发严重.为了全面、可靠、准确的感知机场噪声,设计一种基于Zig Bee等物联网技术的机场噪声感知方案.并进一步提出了一种适用于机场噪声感知的改进Zig Bee路由算法:通过引入邻居表实时感知邻居节点状态,优化了路由混合选择策略,避免了不必要的路由分组;同时为了避免父节点失效影响子节点通信,通过减小侦听时间有效缩短了路由维护时间.仿真实验表明新算法较ZBR算法和AODVjr算法在报文投递率、路由开销百分比、端到端平均延迟和网络剩余能量百分比方面均有一定改善.

基于区域寻优的监控视频感知噪声盲检测算法

针对感知噪声导致安防监控视频质量出现退化的问题,提出一种视频感知噪声盲检测算法。通过图像的粗糙集表示,采用邻域粗糙集的相关理论获取视频静态区域的下近似集合,去除运动前景的干扰;引入自适应惩罚机制克服过亮过暗区域对感知噪声产生的掩盖效应,确定最优的有效检测区域,结合信息熵作为该区域感知噪声程度的度量指标,实现对视频感知噪声的盲检测。实验结果表明,该算法在视频存在运动前景和局部含有过亮过暗区域时给出了精确的检测结果,具有良好的稳健性,满足安防场景监控视频的实际需求。

基于噪声感知残差网络的JPEG隐写分析方法

为了进一步挖掘自适应JPEG隐写图像中隐写噪声信号特征,提出基于噪声感知残差网络的JPEG隐写分析方法。该方法由噪声感知、噪声分析和判断三部分组成。其中,噪声感知部分提取图像噪声,利用图像去噪网络,更加全面地捕获隐写引入的扰动;噪声分析部分获得噪声信息的统计特征;判断部分确定图像是否携带隐写信息。此外,网络中的残差连接有效融合多尺度特征,并防止训练中出现梯度消失和爆炸。多种条件下的对比实验结果表明,该方法相较于对比算法,能够提升针对JPEG自适应隐写的检测性能并具有更好的泛化能力。

基于物联网的机场噪声感知系统

近年来,随着民航业的迅速发展,机场的噪声污染已成为影响城市生态的一个重要问题。传统机场噪声监测一般采用部署固定监测站方式,系统成本高、灵活性低、维护困难。ZigBee等物联网技术的发展,为建立覆盖全面、实时监测且成本低廉的机场噪声感知系统提供了新的解决思路。本文提出了一种基于物联网技术的机场噪声感知系统,系统由感知节点、汇聚节点、数据处理平台三部分组成,可实现机场噪声的实时监测与处理,为开展机场周边区域的噪声环境影响评估提供数据依据。

机场噪声感知节点泛网格化布局仿真研究

传统的机场噪声感知存在成本高、环境要求高、稳定性差、维护成本高、系统可扩展性差等问题,为此文中提出了一种基于ZigBee的新型机场噪声感知模式。该模式将成本低廉的传感器节点按密集非均匀的泛网格状布置于机场内部及围界,进行噪声数据采集并通过ZigBee网络经由路由节点发送至协调器节点进行汇总及处理,协调器节点经过移动网络传送给中心处理平台,从而实现对机场噪声情况的全面、可靠、准确的监控和管理。文中还提出了一种适用于新型机场噪声感知模式的泛网格化感知节点布局方法,并通过一系列实验分析确定了新型机场噪声感知模式中ZigBee感知节点布局方案。并将得到的布局方案应用于天津滨海国际机场,验证结果证实了新型感知模式和泛网格化布局方法的实用性与有效性。

交通噪声主导下的声环境感知规律研究

城市道路交通噪声已成为影响城市居民健康的主要问题之一。现阶段,交通噪声评价主要以客观参量为主,对于主观参量考虑不足。本文首先将调研广场划分为三个地块作为研究对象,进行语义细分调查,共获得340份调查问卷。其次,通过因子分析寻找公共因子。最后,将三个地块的因子载荷变化规律进行规律总结。研究发现,三个地块可以获得两个公共因子——声舒适感因子和声明晰感因子。声舒适感因子距离道路近总方差解释大,距离道路远总方差解释小(分别为37. 2%、41. 1%,27%)。声明晰感因子随距道路距离增加,总方差解释逐渐增大(分别为12%、15%、19%)。研究可为公共空间设计提供理论依据。

职业人群工作环境噪声感知与心血管疾病、抑郁症状及其共病的关联

目的分析职业人群的工作环境噪声感知与心血管疾病(CVD)、抑郁症状及其共病的关系,为身心疾病的防控提供科学依据。方法采用横断面调查研究设计,来自2021年10-12月四川省、贵州省28个地级市和重庆市33个区(县)中国铁路成都局集团有限公司的西南职业人群队列基线数据,通过问卷调查获取工作环境噪声感知、抑郁症状和CVD史等情况,并采用潜在剖面分析模型确定噪声感知类型,采用多分类logistic回归分析探讨不同噪声感知类型与CVD、抑郁症状及其共病的关系。结果共纳入30509名研究对象,年龄为(36.6±10.5)岁,82.0%为男性。工作环境噪声直接感受、心理影响、听力/睡眠影响程度的增加均会升高单纯CVD、单纯抑郁症状及其共病的患病风险。采用潜在剖面分析,将噪声感知分为低、中、高和极高水平。与低水平噪声感知相比,噪声感知水平越高,与单纯CVD、单纯抑郁症状和CVD合并抑郁症状的关联越强,其中极高水平噪声感知与低水平相比,单纯CVD、单纯抑郁症状、CVD合并抑郁症状人群的患病风险分别增加了2.14(95%CI:1.73~2.65)倍、8.80(95%CI:7.91~9.78)倍、17.02(95%CI:12.78~22.66)倍。结论不同噪声感知类型与CVD和抑郁症状有关,对CVD合并抑郁症状危害更大。应降低职业人群工作环境噪声强度,减少患身心疾病的风险。

普通话噪声下言语识别及其与年龄相关听力损失和认知水平的关系

目的探讨汉语普通话条件下,年龄相关的听力损失和认知水平与噪声下言语识别能力的关系。方法2018 年1 月至10 月,耳鼻喉科就诊的中老年门诊患者31 例(52~75岁),根据纯音测听平均听阈分为听力正常组和听力下降组。采用“心爱飞扬”中文言语测听平台和剑桥神经心理学成套测试,评估受试者噪声下言语识别能力和非口语测试条件下的情景记忆、工作记忆和执行能力。结果两组间噪声下言语识别能力和情景记忆、执行能力均有显著性差异(U < 68, P < 0.05)。无论信号和噪声是否分离,年龄相关外周听力水平与噪声下言语识别能力正相关;与情景记忆、执行能力正相关(r > 0.360,P < 0.05)。噪声下言语识别任务难度越大,信噪比与认知能力的相关性越明显。结论汉语普通话条件下,中老年人在噪声下言语识别能力表现下降,与年龄相关的听力下降是主要原因之一。听力下降导致情景记忆和执行能力衰减,反过来影响噪声下言语识别能力。噪声下言语识别难度越大,对认知水平的依赖越明显。

基于多图像先验知识的噪声水平评估算法

为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明:较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.

基于CNN噪声分离模型的噪声水平估计算法

现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。

基于视觉感知噪声模型的彩色图像质量评价和彩色图像质量最佳化

建立一种基于人类视觉感知噪声模型的彩色图像质量评价方法用以评价含噪声图像的彩色图像质量。该方法用视觉感知图像质量的质量四参数:信息熵、平均对比度、平均灰度和关键区域图像的标准差,通过实验建立综合的彩色图像质量评价模型,称为最好质量彩色图像评价函数。该函数的最大值对应最好质量彩色图像。该方法的评价结果更符合视觉感知效果。该方法基于图像质量四参数的独立计算,不但不借助于任何参考图像,还能用于评价参考图像质量。如果参考图像质量不够好,还能通过称为Zadeh-X变换的灰度变换获得最好质量的彩色图像。

两阶段多层感知的随机脉冲噪声比例预测

目的基于卷积神经网络(CNN)在图块级上实现的随机脉冲噪声(RVIN)降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度(噪声比例值)进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本(visualcodebook)采用软分配(soft-assignment)编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射(预测);最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果(PSNR指标)较其他主流降噪算法高24dB,处理一幅大小为512×512像素的图像仅需3s左右。结论本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。

采用训练策略实现的快速噪声水平估计

目的大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计(NLE)算法在噪声水平感知特征(NLAF)提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络(CNN)自动提取NLAF特征,并利用增强BP(back propagation)神经网络将其映射为相应噪声水平值的改进算法。方法在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在Ada Boost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0. 5,均方根误差小于0. 9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13. 9 ms。结论实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。

R-fuzzy集的优势测度及其在人类感知领域中的应用研究

给出了一种新颖的R-fuzzy集优势测度的定义,实现了R-fuzzy粗糙近似集与描述符相关的隶属度重要性的量化表示.指出了优势测度是R-fuzzy集隶属度重要性的度量工具,并且具有传统Zadeh模糊集的本质属性.然后,针对不同标准子集对于隶属度集的优势测度序列,采用灰色绝对关联分析的方法对标准子集在隶属度评价方面的差异性进行了量化研究.最后,基于优势测度概念及灰色绝对关联分析方法对观音机场展开了噪声感知实验,讨论了不同年龄评价群体对噪声的理解在优势测度上的差异,证实了优势测度在人类感知辨识领域内的应用价值.