基于Meyer窗函数剪切波变换的蝗虫切片图像去噪

蝗虫显微切片图像纹理边缘细节丰富,在图像获取、增强等预处理过程中经常会受到外部噪声的干扰,因此针对蝗虫切片图像去噪同时并保留纹理边缘细节的探索是研究不同蝗虫种类细胞构造的基础。基于张量的传统二维小波因其滤波器各向同性,只能表示水平和垂直两个方向,在去噪的同时会把图像中边缘纹理等细节模糊,而剪切波构造的滤波器各向异性,能够表示多个方向,这些优点使得剪切波可以有效地处理高维数据,在逼近奇异曲线时达到最优逼近。本文提出的基于Meyer窗函数的剪切波算法可以识别出图像边缘和纹理,并在去噪的同时保留纹理,以Meyer小波作为剪切波基函数,利用Meyer小波函数和尺度函数构造窗函数,然后采用Meyer窗函数来建立各向异性剪切波滤波器,再利用该剪切波滤波器对蝗虫切片图像进行多尺度分析,经过剪切波变换获得剪切波系数,最后应用硬阈值方法去除蝗虫切片图像噪声系数,经过逆变换得到蝗虫切片去噪图像。采用经典图像质量评价指标均方误差（MSE）、峰值性噪比（PSNR）、结构相似度（SSIM）对本文算法去噪性能进行评价,在噪声标准差等于30时,将本文算法与Meyer小波、偏微分方程等去噪方法进行比较,其中PSNR比Meyer小波提高2.5dB左右,比偏微分方程算法的PSNR提高2dB左右。仿真试验结果表明,本文算法去噪后的蝗虫切片图像去噪效果明显优于其他传统去噪算法,去噪结果在视觉效果上也优于其他传统去噪算法。     

基于变分法和剪切波耦合算法的蝗虫切片保纹理图像降噪

保纹理降噪在农业领域图像处理中具有非常重要的作用。现有降噪方法由于无法正确识别纹理和噪声导致降噪效果不理想。针对该问题,该文提出多尺度插值小波框架下的变分法和剪切波变换耦合降噪方法,其中变分法可以识别图像中的主要目标物轮廓,但把纹理识别为噪声;而剪切波变换可识别图像中的纹理细节,但也容易把噪声当作纹理。耦合方法首先对图像进行错切变换,实现图像中纹理区域的降噪,然后通过变分法消除剪切波变换中误将噪声作为纹理重构出现的人工伪影。耦合方法结合了2种方法的优点,使图像降噪效果得到提高。最后以蝗虫切片图像的降噪为例进行数值验证,相对于变分法,峰值信噪比PSNR提高了6.37%;相对于剪切波,PSNR提高了5.90%,数值结果表明了该方法的有效性。     

基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。     

基于块排序的降噪方法及其在农业图像中的应用

农业图像采集过程中,环境因素常会带来噪声干扰,图像噪声又会对最终信息的分析结果带来影响,因此降噪对提高农业图像处理质量具有重要意义。基于块排序的非局部均值算法是一种有效的图像降噪方法,但是存在处理时间长,对大图像的处理内存要求高等问题。提出了分块优化方法,首先对大图像进行了适应于图像纹理丰富度的图像分块研究,然后分别对每个图像块进行处理。针对处理后的图像块再组合引起的边界效应,采用图像延拓的方法,有效地消除了边界影响,提高了图像降噪效果。实验结果表明,对于一般的硬件设备,改进的块排序非局部均值降噪算法能够快速处理农业中常用的图像。对于尺寸大小为512像素×512像素图像,当噪声标准偏差为50,分块数为16时,改进后的块排序降噪方法能够有效处理噪声图像。分块数为64时的处理速度是分块数为16时的1.89倍。     

基于EMD自适应阈值的铡草机振动信号去噪

针对铡草机振动信号噪声污染的问题,采用EMD(Empirical mode decomposition)与基于SURE(Stein's unbiased risk estimate)的自适应阈值算法,并利用自相关函数性质与二阶可导阈值函数,对铡草机振动信号进行研究.结果表明:1)模拟信号经EMD自适应阈值去噪后,信噪比...     

基于小波变换的Wiener滤波方法在农产品图像去噪中的应用

农产品图像的去噪是农产品图像处理中最基本、最重要的工作之一。为了更有效地去除农产品图像中的噪声。受二维离散Wiener滤波器计算方法的启发,提出了一种基于小波变换的Wiener滤波方法。该方法采用小波变换和Wiener滤波相结合的方法,具有稀疏性、多分辨率、去相关性、选基灵活性和在MSE意义上对图像进行最优估计的优点。该方法首先对含噪农产品图像ano做第一次小波变换得到低频图像a1和水平、垂直和对角三方向的高频图像 hd1、vd1及dd1;其次对低频图像a1做Wiener滤波得到a1w,再对3个高频图像分别做Wiener滤波并合成得到g1w ;接着对低频的a1w和高频g1w做小波逆变换,得到滤波图像“a1w+g1w”。同时,考虑到噪声主要在高频部分,所以直接把低频的a1和高频g1w做小波逆变换,得到滤波图像“a1+g1w”。这是对含噪图像ano做第1次小波变换的情况,其第2次、第3次及第4次变换的情况与此类似。这样可以得到许多滤波图像,然后根据图像信噪比PSNR和视觉效果,最终确定去噪效果最好的农产品图像。该方法应用于红枣、小麦杂草等农产品图像的去噪中,结果PSNR为158.23(视觉效果清晰),好于邻域平均法(PSNR 为154.14)、中值滤波法(PSNR 为155.82)、数学形态学(PSNR为154.07,视觉效果偏黑)、高斯滤波法(PSNR为153.79,视觉效果太黑)、直接维纳去噪(PSNR为154.14)和小波去噪(PSNR为158.18)等多种方法。试验结果表明,基于小波变换的Wiener滤波方法应用于农产品图像去噪具有信噪比高、视觉效果好等优点;基于小波变换的Wiener滤波方法用于农产品图像去噪是有效的、可行的。     

Wavelet denoising method of temperature signal in the process of coal gas absorption and desorption

The study on the temperature evolutionary trend under both the ground stress and gas pressure is significant in the process of coal gas absorption and desorption. However, the valid signal is difficult to gain because of much noise in the experimental data, so according to the characteristics of the temperature signal gained under different experimental conditions of coal gas absorption and desorption, this essay filtrates noise and restores the valid signal by using the wavelet denoising of MATLAB to obtain the valid temperature evolutionary curve. Through contrasting and analyzing wavelet basis function and different decomposition levels, the essay chooses the sym8 wavelet basis function which has a higher order of vanishing moments and better smoothness. The reconstructed signal filtrates most of high frequency signal, and keep low frequency, as well as smooth signal. The result shows that the de-noising effect is good and the temperature evolution rule can be well reflected in the process of the coal gas absorption and desorption.     

基于噪声类型及强度估计的狭叶锦鸡儿叶切片图像盲去噪

狭叶锦鸡儿叶切片显微图像在获取过程中不可避免的受到噪声污染,会对后续处理造成不良影响。针对现有噪声类型未知,去噪算法存在速度慢、效果不理想等问题,该文提出图像噪声类型估计-强度估计-去噪这一处理过程,实现对狭叶锦鸡儿叶切片显微图像降噪目的。首先采用平滑区直方图重构和拟合法确定噪声类型;然后在此基础上,应用基于图像块的SVD(singular valuable decomposition,SVD)域图像噪声强度估计法对噪声标准差进行估计;最后在确定噪声类型和强度基础上,采用几何均值滤波(geometric mean filtering,GMF)和三维块匹配滤波(block-matching and 3-D filtering,BM3D)对图像进行联合去噪。试验结果表明:该文噪声类型估计法估计出切片图像噪声类型为加性高斯噪声,高斯函数对随机选取的15幅狭叶锦鸡儿叶切片图像平滑区域直方图数据点拟合优度2R均值为0.996,平均均方根误差RMSE(root mean squared error,RMSE)为0.144 6;采用该文噪声强度估计法估计出的切片图像噪声标准差???[2.5,4.0],处理标准差较小噪声,该文算法处理精度、运行速度和稳定性等方面存在明显优势;GMF-BM3D算法在较好去除图像噪声同时,极大的保留了图像纹理、边缘和细节等信息,同时极大的提高了算法运行速度,处理后的图像BRISQUE(blind/referenceless image spatial quality evaluator,BRISQUE)值为10左右,相当于原图BRISQUE值的1/2左右。与传统BM3D算法相比,去噪效果相当,但耗时约相当于传统BM3D算法的1/9。与小波去噪算法(wavelet threshold,WT)算法相比,虽速度相对较慢,但去噪后图像BRISQUE值比使用WT法低4左右。因此,该算法较好实现了对狭叶锦鸡儿叶切片图像准确降噪,为其后续处理提供了可靠技术支持。     

人脸表情识别中滤波算法的研究

去噪滤波技术是数字图像处理中的一个重要内容,是计算机视觉技术、模式识别、图像数据分析的基础,因而受到广泛的研究;并在人脸识别、表情识别、遥感成像等领域获得广泛的应用。通过对多种去噪滤波算法进行比较,选定了一种改进的二维中值滤波快速算法将其应用到表情识别中,得到较好效果。     

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...