CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解(CEEMD)方法与K奇异值分解(KSVD)学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数(IMF);按频率由高到低依次排列IMF各分量,并做自相关分析,去除噪声主导的IMF分量;将累加的过渡IMF分量叠加重构并做CEEMD二次分解,通过自相关分析再次去除噪声主导的IMF分量;分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量,得到两个新的含噪信号,并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号,即由稀疏系数重构去噪后地震信号,进而重构最终去噪结果。实验结果证明:该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。

正则化参数自动优选的RAKSVD方法在地震弱信号去噪中的应用

K均值-奇异值分解(KSVD)去噪方法存在病态问题,因此需要引入正则项进行改进。通过改进正则化近似参数设定,利用AKSVD(近似KSVD)方法对弱信号的识别优势,提出正则化参数自动优选的RAKSVD去噪方法,并进行模型测试和实际资料处理。结果表明,该方法不仅取得了预期的去噪效果,而且更加注重对弱信号的保护,去噪后地震弱信号没有发生畸变,从而有利于对弱信号的提取和识别,同时计算效率还得到了提升。

自适应字典改进Canny算子CT图像分割

首先利用自适应字典学习算法对含有较强伪影噪声和随机噪声的医学图像进行降噪;其次根据边缘的特点,将降噪后的医学图像利用改进的Canny算子对图像进行边缘检测,并利用差值把不连续的边缘连接起来;再次使用区域的连通性将相关区域合并起来;最后将感兴趣区域提取出来。介绍了基于自适应学习的字典训练算法,深入研究了CT医学图像的降噪方法,通过MATLAB平台仿真,验证了此方法的有效性。