联合小波-频域变换的自适应能量检测

针对传统能量检测方法在频谱感知领域中极易受低信噪比环境干扰,忽视可用频谱的定位亦会影响频谱状态的判别结果,提出了一种联合小波-频域变换的自适应能量检测方法,旨在提高能量检测的噪声灵敏度和判别精确度。通过离散小波包变换对信号进行分解并计算子带能量;结合能量范数降低自适应阈值的计算复杂度,以便与子带能量比较;采用快速傅里叶变换定位可用频谱范围。对该方法进行模拟仿真,探究自适应阈值与不同性能参数之间的变化关系。仿真结果表明,该方法具有良好的环境适配性与系统稳定性,且在不同信噪比环境下的检测误差更小。此外,对子带信号进行频域分析以实现归一化频率范围的重新排序,进一步提高了频谱感知的准确度。

基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法

研究低成本和便携的红外成像技术是最近几年带电检测的发展趋势,为减少红外检测环境、红外传感器以及其他因素的影响,解决红外检测中红外图像含噪声干扰、模糊和对比度低的问题,文章设计了一种基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法。对原始红外图像进行NSCT域变换;变换后含有噪声的高频分量采用VT去噪后,接着采用改进模糊增强处理;对变换后含有电力设备主体的低频分量进行灰狼自适应阈值分割为背景和前景部分,随后分别进行增强处理;最后将处理后的各分量进行逆NSCT变换。经对比应用,验证了该算法应用在变电站电力设备红外检测上的优越性:文章算法与其他算法相比在边缘强度、信息熵、对比度、标准差、峰值信噪比五类评价指标上的涨幅至少为3.94%、2.16%、9.86%、7.45%、21.86%。文章算法处理后的红外图像符合人眼视觉效果,更易于人眼识别故障,有利于电力设备热故障的检测与故障定位。

两步式自适应阈值法滤除心电信号中运动伪迹

心电信号广泛应用于心脏疾病的医学检测中,可穿戴动态心电监测设备可以实现对心律失常的风险识别并预警.相比于静息心电信号,动态心电信号在采集过程中会受到更大运动伪迹的干扰,这些干扰会覆盖心电信号的关键信息,限制其临床应用.本文兼顾心电信号局部和全局特征,利用其周期性,研究了一种将心电信号低频PT波和高频QRS波群分开处理的两步式自适应阈值滤波算法,适用于单通道心电信号中的运动伪迹滤除.第一步先通过多分辨率阈值初步抑制心电信号低频部分中的运动伪迹;第二步,对受运动伪迹影响而不平衡的QRS波进行自适应阈值修复,通过对QRS波形调节,减少心电信号中高频部分运动伪迹,同时设置自适应阈值对心电信号P波、T波对应的小波系数进行处理,超出自适应阈值范围的小波系数通过波形缩放进行调整,进一步抑制低频运动伪迹.研究通过不同心电数据库评估算法的性能.在输入信噪比从-10~10 dB时,心电信号信噪比提升了10.9122 dB和4.3912 dB,滤波后心电信号与纯净心电信号的相关系数分别为0.6876和0.9783,提取的运动伪迹与原运动伪迹相关系数分别为0.9530和0.8529.实验结果表明,算法在不同噪声水平下,利用自适应阈值的优点,能有效复原受运动伪迹污染的心电信号波形特征,最大限度保留心电信号的临床信息,可作为可穿戴心电设备滤除运动伪迹的有效工具.

三参数小波变换自适应阈值压制地震数据高频随机噪声

在有效压制高频随机噪声的基础上,最大限度保留有效信号一直是地震数据降噪处理中的难点.小波变换阈值降噪因其优秀的降噪效果和较高的计算效率受到地球物理学家们的青睐.在小波变换阈值降噪中,小波基、阈值函数以及阈值是影响降噪效果的3个关键因素.针对这3个关键因素开展相关研究:(1)采用更加适合地震信号分解的三参数小波作为母小波,可以更好进行信噪分离;(2)采用改进的阈值函数克服传统硬、软阈值函数的不足,基于改进阈值函数得到的降噪地震数据不仅波形光滑、连续,而且基本保持原始信号的特征,综合了硬阈值和软阈值函数的优点;(3)针对统一阈值"过扼杀"有效信号这一缺点,提出自适应阈值,自适应阈值不单以能量为标准进行有效信号和噪声的识别,还考虑有效信号小波系数的相关性,避免有效信号被当成噪声舍弃.最后通过模型试算和实际地震数据验证所提方法的有效性和实用性.

基于小波变换的自适应阈值微震信号去噪研究

针对矿山微震信号中所包含的随机噪声对微震监测和微震源的准确定位存在着严重干扰的问题,根据前人的研究成果,在分层阈值上增加分层自适应因子,提出一种新的分层自适应阈值方法.该方法根据矿山微震有效信号的低频特性,利用分层自适应因子,将高频部分的噪声信号最大限度地去除,提高矿山微震信号的信噪比;同时,最大程度地保留低频部分的信号.通过实际数据与分层阈值的对比,验证了该方法的有效性与优越性.

邻域窗能量平均的Contourlet变换自适应阈值去噪算法

针对Contourlet多尺度阈值去噪算法中阈值的选取忽略了方向信息影响的问题,提出一种基于邻域窗能量平均的自适应阈值去噪算法。根据Contourlet系数能量分布特点,将系数划分到三个不同的区域,对三个区域的阈值采用不同的因子进行调整,从而得到更好的去噪效果。实验结果表明,与小波阈值去噪、Contourlet阈值去噪以及Contourlet多尺度阈值去噪相比,该算法在峰值信噪比以及视觉效果上都有明显的提高,且能够有效地保留图像边缘细节信息。

基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。

小波变换的自适应阈值图像边缘检测方法

在Marr的计算机视觉系统中,图像边缘检测占据着重要位置。但由于问题本身的复杂性和技术手段的限制,图像边缘检测的研究困难重重。近10年来,由于小波分析技术在工具和数学方法上的重大突破,试图将小波理论应用于图像边缘检测。根据边缘检测的评价标准,参照最佳边缘滤波器的设计要求,确定选择用于边缘检测的小波母函数的一般准则,并在此基础上构造出二次B样条小波,提出了基于小波变换的自适应阈值图像边缘检测的新方法。通过计算机仿真对该算法进行了验证,结果明显优于采用固定阈值的小波边缘检测。

基于小波包变换与自适应阈值的SMT焊点图像去噪

为提高表面组装技术焊点图像去噪效果,提出一种基于小波包变换和自适应阈值的焊点图像噪声去除新方法.利用小波包变换对图像进行多层分解,通过对图像小波包树系数的分析,对小波包树系数高频部分和低频部分进行Wiener滤波;为提高去噪性能,通过计算小波包系数对应的中值绝对方差估计,提出一种改进的自适应小波包阀值算法,并对图像进行第二次去噪;最后采用中值滤波对图像进行平滑处理,得到最终的去噪图像.结果表明,与传统方法相比,所提出的算法不仅能提高去噪性能和去噪效果,而且能很好的保留表面组装技术焊点图像边缘信息.

基于小波变换的自适应阈值三维图像分割

图像分割技术是由图像处理到图像分析的关键步骤,应用基本的分割技术很难得到精确的阈值。研究了三维图像分割技术,提出一种自适应阈值三维图像分割技术,先对三维图像分解成一系列二维图像,根据小波变换理论,分析不同分辨率下小波变换的特点,确定分割区域数和分解层次,再由低分辨率开始对每幅二维图像直方图进行小波变换,逐步到最高分辨率,并根据不同分辨率下小波变换结果,由粗到细地自动设定精确的阈值分割每幅二维图像,最后将多幅二维图像合成三维图像。实验表明了该方法的有效性,能够满足目标识别的要求。

基于小波变换的改进阈值函数自适应去噪方法

在多分辨分析小波阈值去噪方法的基础上[3],用一种改进的阈值函数和自适应阈值选取算法相结合的方法,克服了硬阈值法不连续性和软阈值法有偏差的缺点。该方法能自动跟踪噪声,不同尺度自适应采用不同的阈值,可有效去除每一尺度上的噪声,保留有用信号,提高信噪比。仿真实验和地震资料处理结果表明,该方法去噪效果明显,可在各类消除随机噪声的信号处理中发挥作用。

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.

基于小波变换的阈值自适应寻优去噪方法

针对小波阈值去噪算法中图像信息与噪声混叠造成的去噪信号模糊问题,提出了一种基于小波变换的阈值自适应寻优去噪方法。一方面考虑图像的边缘特征,引入比例萎缩因子,使图像有用信息和噪声信息分离;另一方面改进Bayes Shrink阈值函数,通过粒子群优化(PSO)算法自适应地寻找噪声图像的最优阈值。针对小波分解层之间噪声的不同,对阈值函数进行改进,根据不同方向和不同尺度上噪声的分布自适应去噪。对一维信号和二维信号进行去噪实验,与现有文献方法相比,本方法能够有效去除噪声,更好地保留原信号中的有用信息。

基于Tetrolet变换的自适应阈值去噪

提出一种新的阈值函数,在Tetrolet变换域中利用此阈值函数通过最小均方误差进行自适应图像去噪.此方法主要优点是利用图像Tetrolet变换的多尺度框架和方向性来保留原始图像的边缘和纹理等重要信息,同时在Tetrolet变换域中利用新阈值函数通过LMS算法来对图像自适应去噪.实验结果表明:该算法具有更高的峰值信噪比和更好的视觉效果,是有效可行的.

基于小波包变换与自适应阈值的SAR图像去噪

针对SAR遥感图像在探测、传输过程中受到噪声干扰,不利于对其进行处理的问题,提出一种基于小波包和自适应阂值的SAR图像去噪方法。该方法采用小波包对SAR图像进行分解,与传统的小波分析相比,小波包分析能够提供一种更加精细的分析方法;然后采用自适应阈值的方法去除sAR图像中的噪声。实验结果表明,该算法能有效去除SAR图像中的噪声,在信噪比和主观视觉上都要优于小波去噪的方法。

基于小波变换的自适应阈值消噪法

信号消噪与恢复是信号处理的一项前期的、最基本的工作,其目的是尽可能地复原被噪声(或干扰)污染的信号,消噪效果直接影响到后期的信号处理。介绍了几种常用的小波消噪方法,分别是小波分解与重构法、非线性小波变换阈值法、平移不变量法和小波变换模极大值法。针对非线性小波变换阈值法提出了一种自适应阈值消噪法。通过仿真实验证明,该方法不仅消噪效果好,而且可用于对含有时变的噪声信号进行消噪。

基于仿生小波变换和自适应阈值的语音增强方法

提出一种基于仿生小波变换以及自适应阈值的语音增强方法.含噪语音通过仿生小波变换后,针对不同的尺度采用不同的阈值函数进行去噪.由于在小波变换过程中考虑了人耳的听觉特性,所提出方法优于基本的小波语音增强方法.实验表明,该方法在多种噪声条件下均具有较好的语音增强效果.

基于小波变换的自适应多阈值图像去噪

小波图像去噪是小波应用较成功的一个方面,其中最重要的一个环节是最优阈值的确定,为此,提出了一种新的基于小波变换的自适应多阈值图像去噪方法———MultiThresholdshrink去噪法,这种方法是在不同子带和不同方向上选择不同的最佳阈值,而最佳阈值的选取是基于Bayes理论,并认为图像的小波系数是服从广义高斯分布的(generalizedGaussiandistribution)。通过实验证明,这种方法能很好地对图像去噪,与Donoho等人提出的Visushrink去噪方法和Chang等人提出的Bayesshrink去噪方法相比,不仅提高了去噪后图像的信噪比(SNR)和最小均方误差(MSE),而且也使图像更加清晰,并能更好地适合人眼的视觉特性,从而可在客观和主观上同时获得更佳的去噪效果。

基于小波变换模极大值的自适应阈值图像去噪算法

依据白噪声小波变换性态与信号奇异性相比具有显著不同的特点，在大尺度下设置阈值，去掉噪声信号而保留图像细节信号引起的模极大值点。在阈值设置问题上，采用自适应阈值的方法，克服单一阈值不能在每级尺度上将信号与噪声作最大分离的缺点。实验表明，与单一阈值去噪方法相比，该方法不仅可以保留图像边缘信息，而且能提高去噪后图像的峰值信噪比2～5dB。

基于小波变换系数自适应阈值法在语音去噪中的应用

在软阈值去噪算法基础上,根据小波变换后信号与噪音具有的奇异性,提出无偏风险自适应阈值估计算法,并应用于语音信号的去噪处理,实验结果表明该算法的最小均方误差低于其他的去噪算法。