基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.

基于2D-VMD和BD结合的医学图像去噪算法

为提高去噪图像质量,提出了一种基于二维变分模态分解算法(2D-VMD:Two Dimensional Variational Mode Decomposition)和巴氏距离(BD:Bhattacharyya Distance)的结合算法用于图像去噪。该算法首先使用2D-VMD算法将图像分解为若干个固有模态函数(IMFs:Intrinsic Mode Functions);然后使用BD测量每个IMF的概率密度函数(PDF:Probability Density Function)与原图像PDF间的几何距离,区分出信号主导IMF和噪声主导IMF;最后将噪声主导IMF经小波阈值去噪后与信号主导IMF重构,得到去噪图像。将算法应用于医学图像去噪,理论分析和仿真结果表明,2D-VMD和BD结合算法与全变分模型(ROF:Rudin Osher Fatemi)算法、中值滤波和小波阈值滤波相比,其在主观和客观评价方面都具有较好的去噪效果,有效地提高了去噪图像质量。

基于DIGWO-VMD-CMPE的轴承故障识别方法

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。

一种2D-VMD与NLM结合的芯片图像去噪算法研究

为了提高智能电表芯片图像的字符识别精度,需要消除芯片图像中的噪声,以减小干扰;文章提出了一种基于二维变分模态分解算法(2D-VMD)与非局部均值(NLM)滤波的芯片图像去噪算法;首先利用2D-VMD将含有噪声信号的芯片图像分解为K个模态分量;然后根据提出的结构相似(SSIM)阈值设置方法确定噪声分量并将其去除,使用剩余的有效分量重构图像;最后通过非局部均值滤波算法对重构后的图像进行处理,进一步滤除残余噪声,达到二次去噪的效果;实验结果表明,相比传统的图像去噪算法,提出的算法能在较好保留原始芯片图像的字符信息的基础上,去除不相关的噪声干扰,使去噪后的芯片图像的均方误差值变小,峰值信噪比增大,提高芯片图像质量。

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。

基于二维变分模态分解的GPR噪声自动抑制方法

探地雷达(GPR)回波信号经常被各种随机噪声所干扰,引起后续目标解译的困难。近年来,模态分解方法被广泛地应用于GPR数据噪声压制,然而,现有应用基于一维信号的模态分解需要对B-scan的每一道分别进行处理,忽略了道之间的相关性。除此之外,在复杂场景下的去噪效果也有待提升。为此,文中提出了一种基于二维变分模态分解的GPR噪声自动抑制方法,可以有效识别多个二维模态及其对应的中心频率。通过应用这种自适应方法,将图像分解为不同的信号模态和噪声模态,最终以带限方式准确再现输入的B扫描图像。此外,为了进一步完善信号提取过程,采用频谱分析技术自动选择最相关的信号模态。仿真和实测数据验证表明,所提方法可以较好地实现对低信噪比GPR数据的噪声去除,提高后续目标检测与识别等解译工作的精度。

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解(VMD)能量熵与卷积神经网络(CNN)相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。

复杂背景下航拍图像的电力线自动提取算法

无人机对电力线巡检的关键问题是如何从复杂背景的航拍图像中准确地提取电力线。本文提出了一种基于二维变分模态分解(2D-VMD)提取电力线的新算法。首先对原始航拍图像进行预处理,加快数据处理速度;然后采用2D-VMD算法对预处理后的图像进行分解,通过改进后的点锐度算法,选取带有电力线特征的IMF分量图,并利用Roberts算子进行边缘检测;最后利用形态学改进的Hough变换,完成对电力线的提取。试验结果表明,本文方法比传统的Canny算子结合Hough变换方法、LSD方法、Roberts算法结合形态学改进的Hough变换方法更具精确性、抗噪性、自动化。