基于正交小波包变换的工程图纸降噪方法

针对工程图纸数字图像的特点，对小波包降噪方法中阚值和阈值函数的选择进行了讨论，给出了适合工程图纸数字图像降噪的小波包方法的具体实现步骤。实际应用结果表明，该方法可有效消除图像中的噪声，所选阈值和阈值函数是合理的。     

小波域中的自适应模糊阈值图像去噪

对小波阈值去噪中的常用阈值和阈值函数进行分析,提出一种自适应的模糊阈值去噪算法,该算法在BayesShrink阈值基础上,通过增加一个修正因子,并结合模糊理论,自适应地对图像进行模糊阈值函数处理.实验表明该算法与BayesShrink软阈值函数去噪算法相比,去噪后图像的峰值信噪比PSNR和最小均方误差MSE均有所提高,并且图像也更清晰,具有较好的去噪效果.     

基于改进小波阈值的植物电信号降噪方法

多尺度分析方法对于小波分析参数选取与设计具有很强的依赖性，针对初步采集得到的植物电信号特点，提出一种小波阈值计算和选取方法，该方法融入了小波分解层数和调节因子，通过对小波阈值方法进行改进实现更加合理的植物电信号分解和降噪预处理。结果表明，该方法在植物电信号降噪效果方面获得了较好表现，同时根据信噪比(SNR)以及均方误差(MSE)计算结果，该方法进行降噪效果更为理想，能够满足信号分析需求。     

小波阈值去噪在地震解释图像处理中的应用

在数字图像处理过程中,如何减弱或消除噪声对源图像的干扰是图像预处理技术中的难点和关键步骤。将基于小波变换的阈值去噪方法应用于地震解释图像的预处理中,并采用了一种改进的小波阈值函数,改进后的小波阈值函数可以有效抑制传统软硬阈值方法所带来的固有缺点。给出了具体的算法流程。试验证明,该算法可有效去除三维地震资料相干切片图像中的噪声并保持边缘细节,为下一步对断层的提取及解释提供有力保障。     

图像去噪的自适应插值小波算法

将插值小波算法和自适应积分方法相结合,提出了一种用于偏微分方程求解的新方法—插值小波自适应精细积分法。实现了由该种方法构造的小波形函数的快速算法,有效的提高了计算效率。利用自适应多层插值小波算法对热传导方程进行求解,实现了对图像的降噪,实验结果表明了该方法用于图像降噪的有效性。     

基于二维经验模态分解与小波变换的农作物图像去噪

将小波自适应阈值去噪引入二维经验模态分解（bidimensional empirical mode decomposition,BEMD）中,提出一种自适应图像去噪算法,该算法首先对农作物噪声图像进行二维经验模态分解,获得具有不同尺度特征的固有模态函数（intrinsic mode function,IMF）子图像序列;然后将该序列中前3个子图像分别进行3层小波变换,引入一种新型自适应小波阈值去噪函数模型分别进行噪声抑制,实现小波系数重构;最后,对去噪后的固有模态函数子图像与剩余固有模态函数进行重构,获得去噪后的农作物图像。对实地拍摄的农作物图像进行去噪试验,结果表明,自适应图像去噪算法与均值滤波算法、小波阈值去噪算法相比,性能有较大幅度的提升。     

一种基于图像分析的玉米病虫害智能化识别方法

农业病虫害智能化探测是现代农业发展的必然趋势,也是基本要求之一。以玉米病虫害为研究对象,借助计算机图像分析技术,提出了一种玉米病虫害智能化识别方法。首先对降质的玉米病虫害图像实现单层小波分解,以实现图像信号的多尺度分解,获得低频分解系数和高频分解系数。由于低频分解系数包含绝大多数图像低频信号,降质程度可忽略不计,设计了一种具有调节因子的自适应增强函数模型,通过设定固定阈值,对高于该阈值的系数进行只适应增强,反之则进行抑制。然后对上述各高频系数进行第二层小波分解,对获得的低频分解系数予以舍弃,对于高频系数则通过设计一种随着分解层数的变化而自适应调整阈值的小波阈值函数模型来进行处理。最后分别进行2层小波系数重构。结果表明,该方法对玉米病虫害图像的复原效果优于小波硬、软阈值函数模型,能够根据复原后的图像进行病虫害的准确识别,稍加改进可应用与农业智能化设备(如农业机器人)的内置程序中,能实现对病虫害图像的实时化地获取、处理,智能化地识别。     

基于小波阈值去噪方法的一种改进方案

利用Donoho D．L．和Johnstone I．M．提出的小波阈值去噪方法,构造了一个新的阈值函数。与传统的硬、软阈值函数相比,其具有不可比拟的灵活性。该阈值函数克服了硬阈值函数不连续的缺点,同软阈值函数一样具有连续性,便于进行各种数学处理;同时还克服了软阅值函数中小波系数估计值与分解小波系数间存在恒定偏差的缺陷。仿真结果表明,新阈值函数的去噪效果有效抑制了在信号奇异点附近产生的Pseudo．Gibbs现象,无论在视觉效果,还是在信噪比增益方面均优于传统的硬、软阈值方法。     

GPS单历元形变信号的小波降噪

阐述了小波变换、多分辨分析及中值滤波的基本原理.研究了对小波变换的高频系数采用中值滤波,然后重构信号达到降噪目的的形变数据处理新方法.并与强制降噪及软门限阈值化小波降噪方法比较.模拟实验表明,基于高频中值滤波的小波降噪方法不仅能有效降噪,保持信号的光滑性,还能在降噪的过程中剔除少量粗差.     

基于背景噪声降噪的管道阀门内漏量化检测

由于天然气管道阀门内漏声发射检测环境复杂、噪声干扰严重,极大地降低了阀门内漏流量的检测精度。为此,提出一种基于背景噪声的小波包软阈值降噪处理方法,并通过对降噪处理后的声发射信号采用基于支持向量回归(Support Vector Regression,SVR)方法进行输气管道阀门内漏流量的量化回归预测。结果表明:采用基于背景噪声的小波包软阈值降噪方法能够获取较为纯净的内漏源信号,降噪后获得内漏声发射信号信噪比为6.11。通过对小波包降噪处理后的特征参数进行输气管道阀门内漏流量回归预测,结果优于未进行降噪处理的预测结果,且软阈值降噪预测结果优于硬阈值预测结果,采用软阈值降噪的预测结果平均绝对比例误差为0.164,有效提高了阀门内漏流量量化回归预测的准确度。     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换（NSCT）平移不变性、多分辨率、多方向的优点，提出一种基于尺度相关与阈值去噪相结合的非下采样 Contourlet变换图像去噪方法。首先对噪声图像进行非下采样Contourlet变换，得到各个尺度各个方向子带的系数，然后采用相关系数归一的方法，结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明，该方法在提高去噪后图像的峰值信噪比的同时，有效保留了图像的纹理信息，避免伪吉布斯现象，改善了图像的视觉效果。     

一种基于中值滤波和小波变换的图像去噪算法研究

针对同时含有脉冲噪声和高斯噪声的混合含噪图像特点,结合自适应中值滤波和小波变换的阈值滤波的各自优点,提出了一种基于中值滤波和小波变换阈值去噪相结合的图像去噪方法,即先对图像进行自适应中值滤波去除脉冲噪声,然后利用小波变换去除剩余的高斯噪声.实验表明：该方法能在有效去除混合噪声的同时,较好地保持边缘和细节信息.     

一种新型高斯噪声滤波算法

为了更有效滤除数字图像中的高斯噪声,提出了一种新型滤波算法.该算法首先将含有高斯噪声的图像进行二维小波分解,得到高频和低频小波分解系数;然后保留低频小波系数不变,对高频小波系数通过维纳滤波器进行滤波,并进行小波系数重构;最后将重构图像进行多尺度小波分解,通过设定新的阈值和判别函数,弱化不重要的小波分解系数,并进行小波分解系数重构.分别采用该滤波算法、维纳滤波、小波阈值法以及均值滤波进行高斯噪声滤除处理,试验证明该滤波算法去噪后图像的PSNR值明显高于其他三种方法.     

基于小波分析的图像压缩与去噪研究

介绍了图像小波分析的基本理论和基于小波变换的分解与重构原理,利用小波变换对二维图像进行分解,将原始图像分解成不同方向、不同频率成分的子图像.同时对含噪图像进行小波分解,通过选取适当的阈值,对小波分解系数进行阈值量化,再对高低频系数重构,实现图像的去噪.最后运用MATLAB仿真平台进行仿真验证,仿真结果表明:利用小波分析对图像进行压缩和去噪可以得到非常好的压缩效果和去噪效果,对工程应用具有一定的借鉴意义.     

基于层内和层间相关性的小波图像去噪

小波图像去噪已经成为图像去噪的主要方法之一.利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,传统的小波去噪方法大致有小波阈值收缩去噪算法、小波模极大值去噪算法.由于小波系数间存在很大的相关性,本文提出了一种基于层内和层间相关性的小波去噪方法,利用图像细节信息在不同尺度及同一尺度上的相关性进行滤波,达到对低信噪比的图像去噪的目的.在实验中,将本文去噪的结果与Donoho的硬阈值作了比较,结果显示本文方法能获得较好的去噪效果.     

木材近红外光谱小波阈值去噪方法

采用小波分析对木材近红外光谱进行阈值去噪研究,分别采用硬阈值、固定阈值、最大最小阈值和rigsure阈值对光谱信号进行去噪.结果表明,小波变换可以有效去除光谱噪声,并很好地保留了信号中的尖锐和突变部分,在近红外光谱分析中具有很好的应用前景.     

基于MATLAB软件的图像去噪方法比较

一幅图像在实际应用过程中可能存在各种各样的噪声,给后面的图像区域分割、分析判断等工作带来了困难,因此图像去噪是图像处理中的重要组成部分.利用MATLAB软件对均值滤波、中值滤波和自适应滤波3种图像去噪技术进行分析比较.结果表明:均值滤波方法适于去除高斯噪声;中值滤波方法适于去除椒盐噪声,同时能较好保护图像边界;自适应滤...     

Research on Anti-noise Processing Method of Production Signal Based on Ensemble Empirical Mode Decomposition(EEMD)

The grain production prediction is one of the most important links in precision agriculture. In the process of grain production prediction, mechanical noise caused by the factors of difference in field topography and mechanical vibration will be mixed in the original signal, which undoubtedly will affect the prediction accuracy. Therefore, in order to reduce the influence of vibration noise on the prediction accuracy, an adaptive Ensemble Empirical Mode Decomposition (EEMD) threshold filtering algorithm was applied to the original signal in this paper: the output signal was decomposed into a finite number of Intrinsic Mode Functions (IMF) from high frequency to low frequency by using the Empirical Mode Decomposition (EMD) algorithm which could effectively restrain the mode mixing phenomenon; then the demarcation point of high and low frequency IMF components were determined by Continuous Mean Square Error criterion (CMSE), the high frequency IMF components were denoised by wavelet threshold algorithm, and finally the signal was reconstructed. The algorithm was an improved algorithm based on the commonly used wavelet threshold. The two algorithms were used to denoise the original production signal respectively, the adaptive EEMD threshold filtering algorithm had significant advantages in three denoising performance indexes of signal denoising ratio, root mean square error and smoothness. The five field verification tests showed that the average error of field experiment was 1.994% and the maximum relative error was less than 3%. According to the test results, the relative error of the predicted yield per hectare was 2.97%, which was relative to the actual yield. The test results showed that the algorithm could effectively resist noise and improve the accuracy of prediction.     

一种改进的小波阈值去噪方法

为了改进滤波效果,提高去噪质量,在分析目前被广泛应用的软、硬阈值去噪方法的基础上,提出了一种改进的阈值去噪方法.该方法既兼顾了软、硬阈值函数的优点,同时又在一定程度上弥补了它们在图像去噪中的缺陷.有效克服了硬阈值法去噪信号失真的和软阈值法细节模糊现象.仿真结果表明:该方法可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比定量指标上均明显优于传统的软、硬阈值算法,达到良好的去噪效果.