小波多分辨分析用于化学发光光谱的噪声滤除

本文利用小波变换对化学发光光谱进行了多分辨信号分解 ,有效地滤除噪声 ,提高了光谱信噪比。讨论了不同小波基和分解级次对分析结果的影响。分析表明小波分析对离散信号处理具有一定优势。     

基于小波的超声斑纹噪声抑制与对比度增强

提出了一种基于小波变换的降低超声图像斑纹噪声,同时完成对比度增强的非线性处理新方法。斑纹噪声属于乘性噪声,是造成超声图像质量退化的主要原因,采用Jain提出的斑纹噪声模型,完成对数化处理后的超声图像的小波变换,然后在最细分辨级上完成小波变换系数的软阈值方法处理,而在中间分辨级上采用硬阈值方法处理,并采用GAG特性曲线对图像细节特征进行增强。算法在预处理阶段还采用了平滑滤波器对最粗分辨级的平滑小波系数进行滤波,以减少脉冲能量对处理结果的干扰。对多幅超声图象的实验结果显示,相对于现有的去噪方法,该方法可以同时实现降噪与局部特征增强的两重目的,具有更佳的适用性。     

基于多分辨分析的合成孔径声纳相干斑抑制研究

相干斑噪声的存在使合成孔径声纳图像不能正确反映目标的反射特性,严重影响了图像的质量,降低了对图像的分析和理解性能。一个良好的合成孔径声纳图像相干斑抑制算法,必须在有效抑制相干斑噪声的同时,尽量保持图像中的边缘、点目标等细节信息。小波变换具有多分辨特性,可以利用其多分辨特性进行图像噪声消除。由于合成孔径声纳图像相干斑具有乘性噪声的性质,这就需要对其合成孔径声纳图像进行对数变换,把乘性噪声转换成加性噪声。然后对加性噪声进行小波多分辨分析和阈值处理,剔除小于阈值的小波系数后进行逆小波变换和指数变换,从而获得抑制相干斑噪声后的新的合成孔径声纳图像。从相干斑抑制的结果可以看出,基于多分辨分析的相干斑噪声抑制算法能够有效降低合成孔径声纳图像中的相干斑噪声。     

一种光纤SPR传感器光谱降噪的新方法

根据光纤SPR传感器光谱的特点和实验系统的实时性监测要求,提出了一种新的降噪方法--移动小波提升算法.该方法脱离傅里叶变换,将复杂滤波过程分解为若干可逆简单过程,处理快而准,无须额外内存.在共振波长为557.70 nm的理论光谱上加一定强度的高斯白噪声,得到了仿真光谱模型.分别用基于Haar,CDF(3.1),DD(4,2)和5/3小波的移动小波提升算法对此模型进行降噪,得到共振波长分别为556.45,564.06,557.27和557.91 nm.最后一种算法相对误差最小,仅0.037 7%.这比用经证实降噪效果较好的symletll小波降噪法得到的0.043 03%更低.不同时刻采集同一检测系统的多组光谱,其共振波长标准偏差为4.186 7 nm,经新算法降噪后降为1.560 8 nm,也优于symlet11小波降噪法的2.725 3 nm,研究表明,用移动小波提升算法降噪有效抑制了系统噪声,减小了噪声对检测共振波长的影响,保证了光纤SPR传感器的检测精度.     

小波分析在汽车车灯光源色测量中CCD光谱的消噪平滑处理

本文依据小波变换原理 ,提出利用小波变换技术对汽车车灯光源色测量中实时采集的光源光谱信号进行多分辨分解 ,有效地消除噪声 ,提高了光谱的信噪比。由CCD接收的标准A光源谱进行了多层分解 ,讨论了不同小波基和分解阶次对信号分析结果的影响。选取最佳小波基 ,为光谱信号消噪平滑处理提供了较有效的数据处理方法。通过对CCD接收的光谱信号进行了消噪和平滑处理 ,解决了实时采集光谱信号在分析和数据处理上的困难 ,该研究充分体现了小波变换在数据处理方面的优势 ,在依赖于光谱信号的颜色测量领域中起重要的作用。     

DNA测序信号去噪分析的一种新方法

在DNA荧光测序中,噪声会影响分析的准确度和检出限。相比其他滤波方法,小波分析具有良好的时频域分辨特性。在小波去噪处理中,正确选择合适的小波基函数、去噪阈值和分解层数直接关系到信号去噪处理的质量。为了真实构建噪声模型并准确评价去噪算法的有效性,实验中通过实际系统中采集到的噪声信号叠加理想荧光信号构建DNA测序仿真信号,去噪分析的结果表明：选择sym7小波基函数、分解层数(lev＝5)与使用固定格式软阈值,有效去除了DNA测序信号的噪声;处理后,信号的信噪比提高了5倍以上。将其用于处理实际的DNA电泳荧光信号,相比基于随机噪声模型的算法,去噪后的信号更加真实可靠。     

基于小波变换和维纳滤波的半导体器件1/f噪声滤波

针对半导体器件中普遍存在的1/f噪声提出了一种结合了提升小波变换和维纳滤波器的处理方法.首先利用重新加权迭代最小二乘法拟合1/f噪声的功率谱曲线得到噪声参数的估计,从而选择恰当的小波.其次,对包含了1/f噪声的信号进行提升小波变换.考虑到小波变换对1/f噪声的白化作用,利用维纳滤波器对每一层小波系数进行处理.设计了最优全通滤波器以校正维纳滤波器的相频特性,使得小波系数经滤波后相位不变.最后利用提升小波逆变换获得被1/f噪声淹没的信号.利用实验检验了提出方法的有效性,实验数据采自用于微创外科手术机器人的力传感器.结果表明提出的方法能够有效抑制1/f噪声,并使传感器的分辨力提高了25%. 关键词： 半导体器件 f噪声')" href="#">1/f噪声 提升小波变换 维纳滤波     

非下采样小波变换红外光谱数据去噪

为了降低噪声对实测红外光谱信号的影响,引入了一种非下采样小波变换的红外光谱数据去噪方法。采用非下采样小波变换对原始光谱信号进行多尺度分解,提取信号的多尺度细节特征;根据光谱信号和噪声在不同尺度上的差异,通过应用变分偏微分方程方法调整分解后的各子带系数;重构各子带就可以将原始光谱信号中真实信号和噪声分离,从而达到剔除噪声的目的。通过两组实验对比传统小波和该方法针对红外光谱数据的消噪效果,实验结果表明:非下采样小波变换在红外光谱数据去噪方面具有明显的优势,不仅能够有效地去除噪声,很好地保持信号的形状,并且均方误差较小;在实际的红外光谱数据处理中能够获得较好的去噪效果。     

基于小波变换的卡尔曼滤波法在ICP-AES中的应用

在ICP－AES中，卡尔曼滤波是一种有效的光谱干扰校正方法，它在强背景、谱线重叠严重的情况下，仍可得到很好的分析结果；并且有比传统分析线法在纯组分试样条件下更低的检出限。然而，噪声的存在影响了卡尔曼滤波的准确度。小波变换因其多分辨分析的特性，近年来被用于分析信号的去噪，而且该方法简单、快速，是一种很有效的去噪方法。本文首先用仿真数据研究了噪声对卡尔曼滤波法的影响；其次，将小波变换引入卡尔曼滤波法，提出了基于小波变换的卡尔曼滤波法，仿真实验结果表明，该方法能有效提高卡尔曼滤波法的分析准确度。     

一种基于连续小波变换的LIBS光谱自动寻峰方法

谱线寻峰在激光诱导击穿光谱(laser-induced breakdown spectroscopy)中是必不可少的步骤,然而噪声和背景的存在,干扰了寻峰的准确性。为了提高LIBS寻峰中重叠峰分辨能力和自适应能力,提出一种适用于LIBS谱图的自动寻峰方法。将基于连续小波变换的脊线寻峰法引入到LIBS中,探讨了连续小波变换中的小波母函数的选择并优化了尺度参数和平移参数,提出一套脊线校正方法对脊线寻峰法进行了改进。实验结果表明,该方法与直接比较法、导数法和脊线寻峰法相比,在重叠峰分辨能力和寻峰精度等方面优势显著,可应用于LIBS数据处理。     

基于反向传播神经网络的拉曼光谱去噪方法

拉曼光谱技术作为一种典型的光学检测方法,因其独特的非侵入性、快速、原位和极高的特异性,在生物分析、疾病诊断及分子识别等众多领域得到广泛应用.拉曼光谱的指纹特性使其成为生物医学分析领域的重要工具,但拉曼散射信号微弱,数据处理分析大量依赖分析人员、自动化处理能力低等因素都会极大影响该技术在实际中的应用.实验设备、环境产生的...     

基于小波变换的磁共振图像去噪

去噪是图像处理中的一个非常重要的问题. 传统去噪方法在降低噪声的同时会模糊图像的细节,基于小波变换的图像去噪方法能在降低图像噪声的同时较好地保持图像的细节,目前基于小波变换对图像进行去噪已经成为最有前途的去噪方法之一. 本文综合小波域去噪的文献,对小波域的磁共振图像去噪方法进行了综述,详细介绍了各种小波域的磁共振图像去噪方法,并对他们的性能进行了总结,对小波域去噪方法的发展趋势进行了展望.     

高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成。普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果。同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同。针对以上特点,提出一种微分域三维混合去噪方法。首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著。然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法。为克服噪声方差不同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑。最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。对信噪比为600∶1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2 000∶1以上。     

基于边缘软判决的小波域自适应图像去噪

提出了一个新的图像去噪方法。该方法基于非抽样小波变换的多分辨分解,在各尺度下对小波系数进行了边缘和非边缘分类,并根据它们的不同统计特性运用了不同的估计技术。鉴于边缘分类的不确定性,提出了依概率的软分类技术,通过计算边缘发生的概率,判决当前系数应该采用哪一种估计。仿真结果表明:该方法在滤除图像噪声的同时,边缘得到了保持,较目前存在的一些方法更具有优越性。     

基于希尔伯特-黄变换的激光云高仪后向散射信号去噪方法

基于希尔伯特-黄变换(HHT)和Savitzky-Golay滤波,提出了一种结合HHT时频分析的半导体激光云高仪后向散射信号去噪方法.该方法在对云高仪后向散射信号的噪声特性及传统去噪方法的缺陷进行研究的基础上,选择截止分量阶一定的自适应时变时空滤波器组(TFB)结构并辅助Savitzky-Golay滤波抑制噪声,最后利...     

激光云高测量去噪算法研究

针对激光雷达回波信号所含噪声的特点, 对比分析了传统去噪算法的优缺点, 重点就小波自适应阈值去噪方法和独立成分分析去噪方法进行了系统研究。为了验证这两种方法在激光云高测量信号去噪上的有效性和优劣性, 对包含高斯白噪声的模拟仿真信号进行了消噪, 并对半导体激光云高仪实际探测得到的大气回波信号进行了消噪处理, 最后对去噪结果进行了对比分析。仿真结果和实验结果表明, 这两种消噪方法均能够有效降低激光雷达回波信号中所含噪声, 并且独立成分分析消噪效果明显优于小波自适应阈值方法。     

小波域高斯混合模型与中值滤波的混合图像去噪研究

基于高斯混合模型的小波去噪方法并结合中值滤波法对脉冲噪音有较好滤除效果的特点,将这两种方法结合起来,对含有高斯脉冲混合噪音图像进行去噪处理.该算法采用Matlab语言进行仿真.实验结果表明,这种混合去噪方法的效果要优于单纯使用中值滤波或者小波去噪的效果.     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染。为研究冲击信号去噪的问题,本文针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法。单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息。本文将EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变。对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

Noise reduction for lidar returns using self-adaptive wavelet neural network

Lidar has been widely applied in many fields, such as meteorology and environment. However, because lidar returns are very weak, the influence of noise on useful signal is very serious. To obtain useful lidar return signals from raw data, a self-adaptive method combining wavelet analysis and a neural network that suppresses noise is proposed, in which the orthogonal Daubechies wavelet family serves as node functions in the hidden layer of the neural network, a search algorithm is selected to optimize the parameters and thresholds, and the Levenberg–Marquardt algorithm is adopted in the neural network gradient algorithm. Some comparative experiments were carried out to verify the feasibility of the noise reduction method and the results showed that the signal-to-noise ratio (SNR) of the common wavelet threshold denoising method is about 10, while that of the self-adaptive wavelet neural network denoising method is more than 20. From the experimental results, it can be seen that the wavelet neural network denoising method has less distortion and a higher SNR value than other methods, giving it superior performance.