基于小波变换的木材近红外光谱去噪研究

木材近红外光谱常常被一系列噪声所污染,影响光谱分析结果.为了提高近红外光谱分析精度,需要对光谱数据进行预处理.光谱导数可以消除光谱背景干扰和基线漂移等因素影响,提高光谱分辨率,但导数光谱在增强信号的同时,也使信号噪声得到增强.应用小波变换对杉木木材近红外一阶导数光谱进行去噪研究,分别采用9点平滑法、25点平滑法、非线件小波硬阈值和软阈值法、9点平滑+小波变换法和25点平滑+小波变换法对光谱数据进行去噪研究.结果显示,小波变换能够有效去除导数光谱中的噪声信号,保留光谱中的有效信息,提高光谱信噪比,提高光谱的分析能力,在木材近红外光谱分析中具有很好的应用前景.     

基于小波包变换和数学形态学结合的光谱去噪方法研究

对反射光谱数据进行去噪是提高光谱信息准确度的前提。传统时域平滑和频域去噪方法存在诸多缺点,本文首次将广义形态滤波方法用于可见近红外光谱的去噪处理,并提出基于小波包变换和数学形态学结合的光谱去噪方法。使用USGS光谱库中的植被光谱进行实验,采用信噪比(SNR)、均方误差根(RMSE)、波形相似度(NCC)和平滑度(SR)四个指标来评估去噪效果。结果表明,小波包最佳基阈值法和广义形态滤波法都能较好地保持波形和平滑度,广义形态滤波法能较好地消除幅值较大的随机噪声,但其对连续随机噪声中幅值较小的噪声成分不能有效消除;而小波包最佳基阈值法不能有效消除幅值较大的噪声成分;二者结合的方法组合了这两者的优点,使得幅值较大、较小的噪声成分都能较好地消除,同时还提高了相似度和平滑度指标,充分表明小波包最佳基阈值与广义形态滤波结合的方法是一种更好的可见光近红外光谱去噪方法。     

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.针对以卜特点,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.为克服噪声方差小同的特点,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.     

基于中值滤波和提升小波分析的图像去噪方法研究

 针对现有算法大多对单一高斯噪声或脉冲噪声进行图像滤波的问题，在对二维图像平滑去噪的过程中，采用基于中值滤波和提升小波变换相结合的图像去噪方法。在中值滤波基础上，构造基于脉冲检测的中值滤波器，找出混合噪声中脉冲噪声并进行滤波；与此同时，对原始小波进行提升，构造提升小波，然后采用提升小波阈值去噪方法抑制高斯噪声。实验结果表明：采用本文方法，混合噪声得到有效抑制，去噪效果好。     

基于广义S变换和奇异值分解的近红外光谱去噪

针对近红外光谱物质含量检测过程中噪声影响模型精度和稳定性的问题,引入广义S变换与奇异值分解(SVD)。利用广义S变换得到光谱数据的时频谱,并将二维时频谱系数矩阵作为SVD的Hankel矩阵求解奇异值,再采用k-均值聚类算法对奇异值序列进行分类计算,确定重构奇异值个数,对去噪后的数据矩阵进行广义S逆变换得到去噪后的光谱数据。给出组合方法的基本理论和具体实现过程,对仿真数据和谷朊粉导数光谱进行去噪,并与传统的9点平滑法和小波软阈值法的去噪结果进行比较。结果表明:所提方法克服了时域或频域单维滤波的局限性,且无需参考噪声数据和选择基函数,在谷朊粉导数光谱去噪中,只需采用两个奇异值就能实现较好的去噪效果,降低了滤波过程的复杂度。采用所提方法处理后,近红外光谱的分析精度和模型的稳健性优于9点平滑处理法和小波软阈值法。相比9点平滑法,所提方法的预测集的决定系数由0.9436增大为0.9985,预测均方根误差由0.0843减小为0.0406,明显提高了谷朊粉中水分含量定量检测的精度。     

THz激光主动图像预处理方法研究

鉴于THz激光主动成像以其较低的光子能量和较高的穿透能力在危险品检测、医疗和食品检验等领域有着广泛的应用前景，将对比度拉伸变换、中值滤波和均值滤波常规图像预处理方法引入到THz激光主动图像处理中，对五元人民币纸币的水印THz面阵图像进行了预处理。处理结果表明，对原始图像进行对比度拉伸变换可以较大地提高图像对比度，在此基础上进行的中值滤波和均值滤波可进一步提高图像的辨识能力，中值滤波可以保护目标边缘细节并使图像平滑。在对比中发现，当窗口大小为9×9像元时滤波后的视觉效果最佳。     

基于马氏距离法的荒漠树种高光谱识别

地面实测地物光谱可提供细致的光谱信息,表现同种地物不同理化特性和不同种类地物光谱的微小差异,使利用光谱进行地物识别成为可能。使用美国HR-768型地物光谱仪,在塔里木河下游和吐鲁番沙漠植物园实测胡杨、柽柳、梭梭和沙拐枣高光谱数据,利用包络线去除、一阶微分和二阶微分法对原始光谱进行变换处理,使用马氏距离法确定所测树种原始光谱和变换光谱的差异显著波段,利用逐步判别法检验所选差异波段的识别效果。结果表明:马氏距离法可准确确定树种识别的最佳波段,且上述4树种光谱识别波段大多位于近红外区。原始光谱、包络线去除、一阶微分和二阶微分四种光谱对4树种的识别精度分别为:85%,93.8%,92.4%和95.5%;可见,原始光谱经变换处理可提高树种的识别精度。但不同研究对象、不同光谱处理方法,提高识别精度的效率不同。研究结果将为大尺度高光谱遥感影像用于荒漠植物分类与生境监测和评价提供依据。     

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、环境产生的噪声、待测生物样本的自发荧光等各种干扰因素使得高质量拉曼光谱数据的获得变得较为困难，各种随机噪声会干扰拉曼光谱图中指纹谱峰信息的识别，增大拉曼特征提取的难度，因此，噪声抑制在拉曼光谱预处理中显得十分重要。采用反向传播算法，从数据本身的特征出发，基于理想光谱片段和含噪光谱片段的线性差异，分别构建噪声判定神经网络和光谱去噪神经网络模型。以随机生成的一系列洛伦兹峰数学模型叠加生成拉曼光谱，对生成的拉曼光谱分别加入不同强度的噪声，以此为实验数据，对比新方法和经典滑动窗口均值法、Savitzky-Golay滤波法、傅里叶变换法、小波阈值变换方法去噪的结果。对均方根误差和信号噪声比两个指标进行分析，结果显示，在低噪声干扰下所有去噪方法都能较好地完成任务，但滑动窗口均值方法在光谱的边缘去噪效果会出现下降。随着噪声信号的增大，滑动窗口均值方法、S-G滤波方法、傅里叶变换方法去噪性能都出现明显下降。而基于反向传播神经网络的去噪方法要优于傅里叶变换法、滑动窗口均值法、S-G滤波器法，同时该方法在避免复杂参数寻优设置的同时，获得了和最优阈值小波变换方法近乎一致的去噪效果，大大简化了参数设置，更适合拉曼光谱去噪的自动化实现。     

基于非局部均值和SUSAN算子的混合噪声滤除

为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声,提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同,采用SUSAN算子检测出大量的特征点,特征点主要是脉冲噪声点,也可能含有小部分角点.将特征点进行排序,出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值,以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像,采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明:与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比,本文方法主观视觉效果更好,能够更好地保留图像中的边缘细节,客观评价指标峰值信噪比有较大的提高,滤除混合噪声的优势明显.     

基于改进中值滤波和提升小波变换的阈值去噪方法研究

对于实际拍摄的一些图像信噪比低，噪声密度大，且含有混合噪声，而现有算法大多只能去除单一噪声的问题。针对混合噪声中含有的脉冲噪声和高斯噪声，提出基于改进中值滤波和提升小波变换去噪相结合的方法。去噪过程中，使用中值滤波器提取脉冲噪声并采用中值滤波算法滤波后，构造提升小波，采用改进阈值函数提升小波阈值去噪方法去除高斯噪声。实验结果表明，当噪声值(ρ，σ)=(0.4, 20)时，采用本文去噪方法，峰值信噪比(PSNR)为34.002 1，平均绝对误差(MAE)为2.365 3。