基于CEEMD的小波软阈值和粗糙度惩罚平滑技术的联合信号去噪方法

为了有效去除采集信号中的噪声,基于MEMS水听器在采集信号时混入不同噪声的情况下,提出了一种基于CEEMD的小波软阈值和粗糙度惩罚平滑技术的联合信号去噪方法。CEEMD用于将一个含噪信号分解为几个固有模态(IMFS),然后把几个固有模态和原始信号作一个线性相关分析,分为相关性高的模态和相关性低的模态。将软阈值技术应用于相关性低的固有模态,并将粗糙度惩罚平滑技术应用于相关性高的固有模态,以提取尽可能多的信息,然后把处理后的新的固有模态重构形成去噪信号。分别在仿真和真实数据的基础上进行了实验,验证了方法的有效性。结果表明,联合信号去噪方法无论在去噪效果和性能指标上都优于基于CEEMD的小波软阈值的去噪方法和CEEMD的去噪方法,克服了经验模态方法和小波软阈值去噪的不足,为进一步分析与处理信号提供参考。     

一种复合局部与非局部梯度的图像去噪变分模型

局部变分有效地增强图像的轮廓信息，但不可避免地模糊图像的细节并在平滑区域产生阶梯效应。非局部变分能有效重构图像的纹理信息，但同时会破坏图像的结构轮廓信息。考虑到局部与非局部变分的互补性，提出了一种基于图像局部梯度与非局部梯度的复合变分模型，并通过Bregman交替迭代极小化图像的局部梯度与非局部梯度的L1范数,使去噪后的图像在去除噪声的同时更好地保留图像的结构与细节信息。对比实验证明，提出的复合变分模型有效地利用了图像的局部变分与非局部变分的优点,在图像评价的主客观方面都表现出了更好的性能。     

基于小波分析与数学形态学融合的降噪算法研究

本文建立了实际工程应用中信号的仿真模型和干扰模型,运用小波变换和数学形态学相融合的方法进行降噪,并将该方法与小波阈值方法、小波模极大值法、数学形态学方法的仿真结果进行对比分析,仿真分析结果发现小波-形态融合方法能够有效的消除噪声且能较好地保留原信号的形态特征。     

基于ICA的图像去噪技术研究

ICA(Independent Component Analysis)可以仅由简单的几个假设条件,还原出原始相互独立的分量。利用ICA这一特点可对与噪声数据相互独立的图像数据进行分离,达到图像去噪的目的。文章对有噪图像进行小波处理,构建一个虚拟通道作为一个输入,对原有噪图像和构建出的虚拟通道进行分离,可得到去噪图像。传统去噪方法与文中所用方法的处理结果进行了比较。