一种基于Bayes估计的小波自适应绝缘子红外图像去噪方法

采用无偏最小方差估计准则对不同尺度空间和不同方向上信号的小波系数进行自适应估计,以后验概率均值作为小波系数的估计,然后对小波系数进行小波逆变换得到去噪后图像。该方法最大程度的保留了图像的信息,具有良好的去噪效果。数值试验证明,与固定阈值法和极大极小阈值法比较,运用该方法去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE)。

基于BayesShrink软阈值的Bandelet域SAR图像去噪

合成孔径雷达(SAR)图像产生的相干斑噪声是一种乘性噪声,严重影响SAR图像的质量。本文提出一种新的极化SAR图像的去噪方法,该方法对极化SAR图像进行自适应Bandelets阈值方法,阈值采用BayesShrink软阈值方法,将其应用于自适应Bandelets系数。通过实验对比,证实此法与小波阈值去噪相比,能够更好地保持图像纹理和边缘特征。

基于Bayes阈值估计的小波在转子故障信号降噪中的运用

提出了一种有效的转子故障信号的降噪方法。该方法利用概率统计的最优估计原理对样本信号进行估计,增加了小波阈值参数的可靠性。根据Bayes估计风险最小的原则,对不同子带的小波系数估计小波阈值,通过软阈值函数进行逐层降噪,对降噪后的信号进行重构,达到对转子故障信号降噪。把从多功能振动实验台上取得的转子故障振动信号,利用该方法进行降噪。并将降噪结果与Birge-Massart小波阈值降噪法和Donoho小波阈值降噪法的处理结果进行比较,结果显示使用Bayes(贝叶斯)阈值估计降噪法处理的信号能够很好地保留信号的细节部分,而且信噪比(SNR)也有明显提高。

改进的小波与Bayes阈值估计图像降噪算法

针对传统小波与Bayes阈值估计算法存在的不足,将小波多层变换方法和Bayes阈值估计算法相结合,提出了基于小波与Bayes自适应阈值估计的一种新的图像降噪方法。该算法改进了小波系数并进行Bayes阈值估计算法的处理,重构了经过处理的小波系数。经过仿真实验验证,该方法相对于传统的小波与Bayes阈值估计图像降噪算法在图像峰值信噪比(PSNR)指标衡量上更加优良,达到了图像降噪的优化效果。

基于Contourlet变换的图像非局部Bayes阈值去噪方法

轮廓波是一种有效的图像多尺度变换工具,由于其包含更多的有效信息,并能更好地刻画图像细节,因而被广泛应用于图像去噪领域。对非下采样轮廓波变换后的噪声系数进行统计,分析了不同强度噪声图像经轮廓波分解后,噪声系数在各方向子带间的分布特点,提出了非局部贝叶斯阈值去噪方法。首先,最外层各个子带进行以模板为单位的自适应Bayes阈值选取操作,并对相应噪声点进行预处理;其次,对预处理后的分块图像进行重构;最后,对重构图像进行非局部均值滤波处理。实验结果表明,该方法无论在视觉去噪效果还是客观评价指标上都明显优于传统的硬阈值去噪方法,并且较传统的非局部均值滤波也有所提高。

基于SURE无偏估计的自适应小波阈值去噪

本文在D .L .Dohono提出的小波阈值去噪的基础上 ,提出了一种新的阈值函数 ,与原来的分段阈值函数相比 ,此函数具有明显优点 ,表达式简单易于计算 ,连续可微 ,易于求导 .此函数的这些优点为实现信号的自适应去噪提供了可能 .本文应用此阈值函数 ,基于SURE无偏估计 ,给出了一种自适应去噪方法 .并用受污染的blocks、bumps、heavysine、doppler等典型信号做实验 ,实验结果显示此方法能在最小均方误差 (MSE)意义上收敛 。

基于小波熵自适应阈值的语音信号去噪新方法

针对语音信号去噪问题,提出小波熵自适应阈值去噪法。首先利用小波变换分解带噪语音信号,计算小波分解后信号子带区间的小波熵,然后将小波熵和自适应阈值相结合确定各层高频系数的阈值门限,采用折中指数阈值函数对各层高频系数进行去噪处理,重构降噪后的语音信号,最后对比小波熵自适应阈值、极大极小阈值、固定阈值和无偏风险阈值去噪方法的性能。实验结果表明,当输入信噪比为5 dB时,小波熵自适应阈值去噪法的输出信噪比是最大的,且其输入输出信噪比曲线高于其他三种阈值去噪法的输入输出信噪比曲线,从而证实该算法具有更好的去噪性能。

遗传算法用于局部放电小波自适应阈值去噪

小波去噪用于局部放电信号在线监测具有良好的效果,阈值选取与局部放电去噪后信号的畸变具有紧密联系。为提高局部放电监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出一种小波自适应最优阈值去噪算法,用于变压器局部放电脉冲信号去噪。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于史坦无偏似然估计(SURE)的最优阈值自适应选择方法,并引入一种新的具有多阶导数的阈值函数,结合二进制遗传算法全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。对局部放电仿真信号和现场局部放电信号的去噪结果表明,该方法与Donoho阈值计算公式及标准软阈值法相比,能更好地去除局部放电信号中的白噪声,去噪信号失真度较小,具有良好的应用价值。

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。

多小波自适应阈值降噪在故障诊断中的应用

为了提取淹没在强背景噪声下的微弱故障信息,引入多小波自适应阈值降噪方法实现滚动轴承的信号去噪,并结合包络解调提取故障特征.多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的对称性、正交性、紧支性和高阶消失矩等优良特性,可匹配信号中的不同特征信息.基于轴承外圈点蚀故障的仿真信号,分别利用GHM多小波和Db2小波对其进行降噪处理.通过信噪比的定量分析表明,相比单小波而言,多小波的降噪优势明显.针对滚动轴承的微点蚀实验信号和现场实采集的工程数据,多小波自适应阈值技术比单小波方法具有更好的降噪效果,且更易于提取出滚动轴承的早期故障信息.

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.

自适应阈值的小波图像去噪

针对VisuShrink阈值和NormalShrink阈值的缺陷,提出了一种改进的自适应阈值图像去噪方法。根据不同的子带特性,定义了一个新的尺度参数方程,以确定适合各个尺度级的自适应最优阈值,并依此对图像进行去噪。实验结果表明,该方法可将每一尺度上的信号与噪声作最大分离,有效去除了白噪声,较好地保留了图像的细节信息,进一步提高了峰值信噪比,且没有增加时间复杂度,能用于实时处理。

基于改进阈值函数的自适应图像去噪方法

经典的BayesShrink通过软阈值函数对小波系数进行修正,使得原小波系数和修正小波系数存在恒定偏差,降低了去噪图像质量。文章利用噪声系数幅值随小波系数幅值的增大而相对减小的特点,构造了具有伸缩性的自适应阈值函数,该方法克服了软阈值函数产生的恒定偏差,依赖小波系数幅值对原始系数和修正系数间的恒定偏差自适应调节。伸缩因子m根据不同图像特点采用二分法自适应寻得最优值。实验结果表明改进后的阈值函数相比经典软阈值函数去噪效果较优。

基于自适应阈值的脑电信号去噪方法

脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。

基于Bayes估计的双小波维纳滤波电能质量信号去噪算法

提出一种基于贝叶斯(Bayes)估计的双小波维纳滤波的电能质量信号去噪算法。该算法在第一个小波域采用基于Bayes估计的小波阈值去噪技术估计期望信号,在第二个小波域将含噪信号和估计信号分别进行小波变换,用估计信号的小波系数设计经验维纳滤波器,对含噪信号的小波系数进行维纳滤波再反变换,从而实现去噪功能。实验结果表明该算法比常用的小波阈值去噪方法及基于它们的双小波维纳滤波算法去噪效果要好;当噪声强度逐渐增加时,该算法能够在诸算法中产生最大的信噪比。

混合粒子群优化小波自适应阈值估计算法及用于局部放电去噪

小波去噪是局部放电(PD)检测中常用的去噪手段,小波阈值的选取会对局部放电信号失真度及误差产生重要影响。为了提高局部放电小波去噪的自适应能力,降低去噪畸变,提出了1种用于局部放电信号去噪的混合粒子群优化小波自适应阈值估计(HPSOWATE)算法。针对普通阈值选取算法容易陷入局部最优的问题,采用融合了交叉、变异的HPSOWATE算法进行了全局自适应搜索最优阈值。引入遗传算法及标准粒子群算法对计算结果进行了验证。对局部放电染噪仿真信号和现场实测信号的去噪结果表明,该算法能够有效地跳出局部最优位置,较快收敛到全局最优,显著提升了结果可信度和算法计算速度。计算结果表明,所提出的算法在不同信噪比下得到的去噪信号的均方误差(MSE)和幅值误差都最佳,能更好地去除局部放电信号中的白噪声,具有良好的应用价值。

自适应小波阈值在磁记忆信号降噪处理中的应用

用金属磁记忆方法检测时信号常常被各种噪声污染,为了降低噪声的干扰,对传统阈值方法的局限性进行了分析,并在改进阈值函数的基础上提出了一种自适应小波阈值降噪方法。通过仿真实验对该方法的性能进行了验证,然后将其应用于磁记忆信号的降噪处理中,结果表明算法较好地剔除了信号中的噪声,提高了重建信号的噪声抑制率,降低了信号的失真率,是一种可行的磁记忆信号降噪方法。

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。

基于小波多分辨率分析和新的阈值自适应的信号去噪

针对信号去噪时,信号和噪声的频带相互混叠,且对信噪比有较高要求的情况,提出一种基于小波多分辨率分析和新的阈值自适应的去噪方法。实验结果表明,在采用相同的小波基的情况下,该文提出的算法和Matlab自带算法以及文献[5]提出的算法相比,信噪比得到较大的提高,减少了计算量,增加了算法的实时性。