朱华[1]2007年在《小波分析及其在信号降噪中的应用研究》文中研究说明信号与信息处理是信息科学中近二十年来发展最为迅速的学科之一，信号处理主要包括：信号去噪、特征提取、边缘提取。信号去噪是信号处理中最为常见的，经典的信号去噪方法如纯时域法、纯频域法、Fourier变换、加窗Fourier变换等各自有其应用的局限性。小波变换是20世纪80年代发展起来的一种新的时频联合分析方法，它在时域和频域都具有良好的局部化特性，在信号去噪中小波变换得到了广泛的应用。主要工作包括：详细讨论了小波分析的基本理论；介绍了连续小波变换、离散小波变换和二进小波变换；给出离散二进小波变换的快速分解与重构算法；最后研究了小波基的数学特性，分析了它们对实际应用的影响和作用。详细介绍了小波变换模极大值去噪的原理，分析了去噪过程中几个参数的选取问题，并给出一些选取依据；对小波阈值萎缩去噪方法的几个关键问题进行了详细讨论，并在半软阈值函数的基础上提出了一种改进方案，最后通过仿真实验，证明了这种改进方案的有效性；在相关去噪算法的基础上，与阈值去噪相结合，提出了一种组合去噪算法，数值试验结果表明，由该算法滤波之后得到的小波系数不仅连续性好，准确率高，而且易于重构信号。
姚胜利[2]2007年在《地震信号的小波去噪方法研究》文中研究表明提高地震资料的信噪比是地震信号数字处理的重要任务，因此地震资料去噪方法的研究一直是地震勘探领域的研究热点。随着数字信号处理技术的发展，很多优秀的去噪方法涌现出来，如何结合地震资料的特点，运用合适的去噪方法来提高地震资料的信噪比，具有重要的的现实意义。近年来兴起的小波分析方法以其良好的时频分析能力迅速成为非平稳信号处理的有力工具，基于小波分析的去噪方法更是大量涌现，且被证明其具有传统傅立叶变换去噪方法所不能比拟的优越性。本文研究了四种小波去噪方法，分析了四种方法各自的特点。处理结果表明，小波变换模极大值去噪方法，在低信噪比的信号去噪中具有优势，适合信号中混有白噪声且含有较多奇异点的情况；小波变换尺度间相关性去噪方法比较适合噪声水平不是很高的信号去噪，且具有较好的边缘重构能力；小波变换阈值萎缩去噪方法广泛的适应性，且有很好的去噪效果；平移不变量小波阈值去噪方法，能很好的抑制阈值去噪方法的伪吉布斯效应，且能得到更好的视觉效果。本文把以上四种小波去噪方法应用于地震资料处理，通过人工合成地震记录和实际地震资料的处理证明了方法的有效性，达到了提高地震资料信噪比的目的。
韦力强[3]2007年在《基于小波变换的信号去噪研究》文中认为小波变换是一种新型的数学分析工具,是80年代后期迅速发展起来的新兴学科。小波变换具有多分辨率的特点,在时域和频域都具有表征信号局部特征能力,适合分析非平稳信号,可以由粗及精地逐步观察信号。小波分析的理论和方法在信号处理、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用,它被认为是近年来在工具及方法上的重大突破。信号的采集与传输过程中,不可避免会受到大量噪声信号的干扰,对信号进行去噪,提取出原始信号是一个重要的课题。Donoho的硬阈值和软阈值去噪方法在实际中得到广泛的应用,而且也取得了较好的效果。但是硬阈值函数的不连续性导致重构信号容易出现Pseudo-Gibbs(伪吉布斯)现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。此后的众多文献都是在Donoho的去噪方法基础上作了一定的改进。这些方法一定程度提高了信号的信噪比,达到了去噪的目的。为了得到最好的去噪效果,不但要选择合适的小波函数,还要确定最佳的分解层数并选取合适的阈值。阈值的选取直接影响到最终的去噪效果,如何最大限度去除噪声的同时保留信号的原始特征是去噪过程中的一个难点,如果阈值选取过小,则会出现消噪不足,过多的保留了噪声,致使信号的弱特征成分被噪声淹没;如果阈值选取过大,则会出现过消噪,将信号中的弱特征误认为噪声消除。当信号所含噪声的水平不同,去噪时采用的阈值也应有所不同。本文从小波变换的定义和信号与噪声的不同特性出发,在对比分析了各种去噪方法的优缺点基础上,本文先构造了一个新的阈值函数,同Donoho的阈值函数相比,新阈值函数具有表达式简单,连续性好且高阶可导的优点,便于进行各种数学处理。本文提出了一维信号去噪的新方法,该方法对去除一维平稳信号含有的白噪声有非常满意的效果,具有有效性和通用性,能提高信号的信噪比。将该方法应用于语音信号去噪,对单个的字词语音的去噪效果比较满意,能有效去除语音信号含有的白噪声,提高了语音的信噪比和可识别性。通过对二维图像信号的研究,本文提出了基于小波变换的二维信号去噪方法,采用该去噪方法能去除二维图像信号含有的白噪声,主观评价具有很好去噪效果,能提高图像的清晰度和可识别度。本文还研究了基于小波包变换的二维信号的去噪,对指纹图像采用小波包变换进行去噪能取得很好的去噪效果。
付维勇[4]2008年在《基于小波变换的语音信号处理的应用研究》文中研究说明对于信号去噪方法的研究是信号处理领域一个永恒的话题。经典的信号去噪方法,如时域、频域、加窗傅立叶变换、维纳分布等各自有其局限性,因此限制了它们的应用范围。小波变换是八十年代末发展起来的一种新时-频分析方法,它在时、频两域都具有良好的局部化特性;并且在信号去噪领域获得了广泛的应用。本文主要研究了小波变换理论,分析了小波变换的特点,着重分析了在非平稳信号去噪中的应用。比较了几种常用小波去噪方法,研究了阈值去噪法。并针对阈值去噪法中会遇到的小波基及分解层数的选取和阈值的合理选取两个难点,我们进行了系统深入的讨论。最后,我们采用实际中的一个典型的例子,利用Matlab的小波分析工具箱研究分析了实际的语音信号,并根据信号的噪音模式,提出了一种改进的小波域语音去噪方法。试验结果表明:该方法适用于非平稳信号的情形,比较简单而切实可行。完全满足课题提出的要求。理论分析和试验结果的一致,表明该方法具有一定的参考价值。
赵奉奎[5]2015年在《能量色散型X射线荧光光谱仪关键技术研究》文中认为能量色散x射线荧光光谱分析是一种多元素分析技术,可以对样品中元素的种类和含量进行精确测量。然而能量色散x射线荧光光谱构成复杂、频率成分多、谱峰重叠,而且吸收边的存在使光谱含有很多奇点,所以对能量色散x射线荧光光谱的分析比较困难。因此开展对能量色散X射线荧光光谱的去噪、本底扣除和特征峰解析等的研究具有十分重要的意义。光谱中的噪声不但会导致光谱中出现伪峰,还会导致寻峰程序遗漏弱峰或增大峰面积误差,本文提出了一种基于平稳小波变换的光谱去噪算法。针对大多数阈值估计规则需要估计噪声水平的缺点,本文将交叉验证和平稳小波变换相结合,得到了一种最优阈值,而且最优阈值计算过程无需估计噪声水平。之后利用该最优阈值,根据软阈值函数对平稳小波分解系数进行阈值处理,用阈值处理过的系数进行重构,即可得到去噪后的光谱。光谱经去噪后,信噪比得到有效的改善,均方根误差大幅减小,而且在奇点附近也不会发生Gibbs现象。光谱中的低频本底会影响净峰面积的计算和峰位置的判断,本文提出了一种基于双树复数小波变换的本底扣除算法。本文深入研究了利用滤波器组构造双树复数小波的理论和双树复数小波的性质,该小波近似解析,且具有平移不变性和正交性,非常适合对能量色散X射线荧光光谱进行本底扣除。利用双树复数小波对光谱进行分解,提取大尺度的逼近系数进行重构,即可得到估计的本底,从原始光谱中减去估计的本底,即可实现本底扣除。与其他方法的分析结果相比,双树复数小波在准确扣除本底的同时,不会引入波形畸变。大部分本底扣除方法都依赖于特征峰和本底的频率差异,本文根据削峰法的思想,提出了一种基于迭代小波变换的光谱本底扣除算法。根据光谱本底的分布特点,利用小波熵原理选取了最优小波基。对光谱进行迭代小波分解,逐步减少逼近系数中所含有的特征峰的频率成分,小波逼近能够逐步接近真实本底。此外,本文还提出了小波逼近能量的概念,用以衡量本底含有能量的多少,并以此作判断迭代停止的标准。该方法能够获得准确的本底,不会引入波形畸变,而且对特征峰与本底频带重合的光谱也能够准确估计本底。谱峰重叠给峰数目、峰位和净峰面积的计算带来了极大的困难,本文提出了一种利用小波变换模拟导数进行重叠峰解析的算法。分别利用高斯峰的一阶导数和四阶导数所对应的高斯小波对光谱做连续小波变换,所得小波系数经调整后,可以分别代替光谱的一阶导数和四阶导数进行谱峰解析,用来提取特征峰的拐点宽度、峰数目和峰位。该方法可以通过分解不同的尺度调节解析分辨率,而且具有较强的抗噪性。对仿真光谱和实测光谱的分析表明该方法可以准确提取各特征峰的信息。本文用小波分解系数代替导数进行线性组合生成零面积补偿谱,零面积补偿谱与原始光谱相作用后可使光谱分辨率明显提高并且保持峰面积不变。之后将小波计算导数提取的峰数目、峰位和峰宽等参数作为初始值,以高斯峰作为特征峰模型,利用非线性最小二乘法对重叠峰进行曲线拟合,得到各特征峰净峰面积。本课题设计了一套能量色散X射线荧光光谱分析系统,下位机采用X射线管作激发源,Si-PIN探测器检测特征X射线,并用FPGA设计多道分析器。上位机采用LabWindows/CVI设计了软件系统,实现对下位机的控制和数据处理。最后结合《能量色散X射线荧光光谱仪校准规范》对本系统进行了测试,各项指标均能满足设计要求而且部分指标已超过设计要求。本论文的研究,丰富了能量色散X射线荧光光谱分析的思路,能够解决当前存在的一些关键问题,对于其他领域的谱处理也有一定的借鉴意义。
杨帆[6]2008年在《基于Contourlet变换的图像去噪算法研究》文中研究指明图像去噪是信号处理领域中的一个前沿课题,基于Contourlet变换的图像去噪方法是近年来该领域中的一个研究热点。作为多尺度几何分析方法之一,Contourlet变换不仅继承了小波变换的多分辨特性和时频局部化特性,还具有多方向性和各向异性,能够更有效地捕捉到自然图像中的重要信息,因此,Contourlet变换在图像去噪方面具有广阔的应用前景。本文在研究Contourlet变换以及现有图像去噪方法的基础上,重点研究了图像经Contourlet变换之后,其Contourlet系数在同一尺度内和不同尺度间表现出的相关特性,从而提出了两种新的基于Contourlet系数相关特性的图像去噪算法,主要工作如下:在深入研究了Contourlet变换的理论及算法的基础上,利用图像对应的Contourlet系数在尺度内的邻域特性,构造并得到一个自适应阈值,进而提出了一种基于邻域信息的Contourlet自适应阈值去噪算法,取得了很好的去噪效果。深入研究了Contourlet系数之间的相关性及其统计模型,在此基础上,提出了一种基于尺度间系数相关性的Contourlet域图像去噪算法。该算法在应用阈值法对Contourlet系数进行取舍的同时,还将Contourlet系数尺度间的相关性作为Contourlet系数进一步取舍的依据。实验结果表明,该算法在提高PSNR值的同时,很好地保留了图像的边缘信息,取得了令人满意的视觉效果。
刘炜[7]2008年在《基于小波变换的遥感图像去噪与融合方法研究》文中认为TM遥感图像有丰富的光谱信息且价格相对低廉,因此得到了普遍关注和应用广泛。有关TM遥感图像的去噪及与融合的方法一直都是遥感应用学科领域研究的热点和重点。近些年来,各种去噪与融合方法都有应用:如频域中的基于傅里叶变换的低通滤波去噪方法;空间域的中值滤波、自适应滤波去噪方法;基于像素级融合的PCA变换融合法、IHS变换融合法、小波变换融合法、Brovey融合法、Pansharp融合法、Gram-schmidt融合法等。由于在空间域和时间域,小波变换对图像的高频和低频部分都可以自适应的达到高分辨率,因此近年来,小波变换在图像去噪、压缩等图像处理领域应用广泛。本文采用了基于小波变换的软阈值去噪方法去除TM图像中杂乱分布的噪声点和“天女散花”式的细小散碎图班;采用基于主成分变换结合小波变换融合方法和IHS变换结合小波变换融合方法融合TM多光谱图像和具有高空间分辨率的SPOT Pan波段图像。并从目视比较和数理统计分析两方面综合评价去噪和融合的结果。本研究取得的主要结论如下:(1)图像的二维小波分解具有多分辨率“金字塔形”结构,因此可以根据需要提取图像不同分辨率下(尺度下)的概貌低频分量和垂直、水平及对角三个方向的细节高频分量。图像的二维小波分解的这个特点就为从高分辨率图像中提取高频的地物细节信息和为从低分辨率图像中提取低频的地物概貌特征提供了条件。(2)基于小波变换的软阈值去除图像噪声的方法,在去除TM图像中噪声点和“天女散花”式散碎图班的同时,有效的保留了遥感图像中表现地物的细节信息,如河流、道路等线状目标、地物边缘等等,保持了图像的清晰度,为进一步进行图像的监督分类、分层分类或决策分类提供了基础条件。(3)主成分变换结合小波变换的融合方法使得融合图像在最大限度保留TM图像光谱信息的同时,基本上继承了SPOT全色波段图像中的与地物相关的细节信息。(4)无论是TM453假彩色合成方式还是TM432假彩色合成方式,IHS变换结合小波变换的融合方法使得融合图像在最大限度保留TM图像光谱信息的同时,大幅度的增加了空间分辨率,因此融合后的图像在清晰度和光谱保持度上都较为理想。
卢广森[8]2017年在《基于改进阈值函数的小波去噪及其优化研究》文中研究指明在计算机控制系统中,信号的传输、检测和采集等受到环境影响而遭到不同程度随机噪声污染,对此实行信号去噪十分必要。如何滤除实际信号中的噪声,并获取有用信号,是目前研究热点。特别是高频部分和强噪声相混叠信号、微弱信号或非平稳随机信号,传统处理平稳信号的傅里叶变换对这些信号不能局部分析,而小波变换拥有时频局部分析能力,对以上信号去噪效果相对较好,其应用也极为广泛。几类小波去噪方法里,小波阈值收缩去噪法可以在最小均方误差意义上接近最优,且拥有很好视觉成效,而受到及广的运用与深层次的研究。在小波阈值去噪方法里面,小波基、分解层数、阈值和阈值函数是小波阈值去噪的重要性因素。对各种含噪信号的处理,不一样的小波基具有着不一样的特点,可以十分确信的是:往往没有一种小波基函数能够针对所有类型的信号都获得最优的去噪效果。同时,对于分解层数来说,也可以十分确定的是:不相同的信号、不相同的信噪比下会对应着一种去噪效果较佳或接近最佳的分解层数。本文针对小波基函数和分解层数的确定创造出一个算法,能够针对待处理的信号做出分析,以信噪比为指标,算法通过计算采用不同的小波基函数或分解层数对待处理的含噪信号处理之后的信噪比改善量,得出其关系模型以确定最适当的小波基函数和分解层数。阈值函数的选取直接影响信号重构精确度,而对于先前的硬、软阈值函数拥有的一定缺点:硬阈值函数曲线在阈值处是不连续的,这种拥有间断点的现象会促使去噪之后重构信号更轻易发生附加的振荡,造成“伪吉布斯”现象,并且大于阈值的小波系数中也通常染杂着噪声的扰动,影响了最后重构信号的质量;软阈值函数也有自己的缺陷:在进行阈值处理时,当小波系数的绝对值大于或者等于此阈值时,直接采取了将小波系数都减去了阈值这个办法,这样会造成小波的估计系数和原来信号的小波系数两者具有一定的偏差,会很大程度上影响最后信号重构的效果。针对传统阈值函数的缺点,许多学者提出了在软、硬阈值中间的改进型阈值函数算法。但这些阈值函数在全部小波空间域内高阶不可导,拥有临界阈值处不能平滑过渡的现象。因此本文提出一个带参数的阈值函数,该阈值函数拥有更高阶,通过手动调节参数使之位于硬、软阈值函数中间,且同时拥有硬、软阈值函数的优点,并在临界阈值内添加平滑过渡区,可在阈值处理时保留一部分有用的高频信号,较好地抑制细节系数的“过扼杀”和信号振荡现象。并且通过实验进行仿真,仿真结果说明了本文提出的新阈值函数增大了信号的信噪比,降低了均方误差,获得了相对很好的去噪效果。采用带参数阈值函数去噪过程中,针对具体的含噪信号,可以灵活调节阈值函数的参数,满足不同信号处理的去噪要求。然而,在实际应用中,待处理信号的含噪情况是不可预测或不可知的。对于这种随机变化的含噪信号进行去噪,阈值函数的参数不应该也不可能是固定值。因此对于随机含噪信号的处理,选择适用的优化算法来对阈值函数的参数进行优化,以期能够适应信号的变化,这也是去噪走向实用化的关键。阈值函数有两个参数,函数优化时参数较少,同时对于变化信号的处理则需在较短时间内完成优化目标,因此,需要收敛速率相对较高的优化算法。通过对比模拟退火算法、遗传算法、神经网络算法、蚁群算法等优化算法,选取收敛速度快、精度高及易实现且无需过多参数调整的粒子群优化算法。采用粒子群优化算法,针对信号含噪情况,自动优化阈值函数参数,实现去噪过程的自动寻优。采用基准信号仿真结果表明,提出的算法可以获得更小的均方误差和更高的信噪比,具有去噪实用化的价值。
胡国浩[9]2007年在《SAR图像相干斑抑制方法研究》文中认为合成孔径雷达(SAR)是一种高分辨率成像雷达，由于采用相干波源，SAR图像存在相干斑干扰。相干斑严重影响了SAR图像的应用，为了提高SAR图像的质量以便进行解译等后续处理，必须对相干斑进行抑制。本文主要研究SAR图像相干斑的抑制技术，其主要目标是在抑制图像相干斑的同时，更好地保持图像边缘细节等重要信息。本论文首先介绍了SAR图像相干斑的基本知识并比较了传统的空域相干斑抑制方法，然后概括了小波相干斑去噪的主要算法和优势。在分析小波系数层内与层间相关性的基础上，本文主要研究了小波域相关性去噪，对其中的几何贝叶斯去噪算法进行了深入的探讨。基于上面的研究，本文提出了一种基于可操纵金字塔的几何贝叶斯估计相干斑去噪算法，并通过实验证明该算法得到了更好的相干斑抑制效果。此外在实验中本文还归纳比较了各种传统相干斑抑制算法的性能，为实际中的应用提供了一定的指导。相干斑抑制中对相干斑的滤除和对图像特征的保留是一对矛盾，融合为解决这一矛盾提供了一个解决方法，本论文的另一内容就是提出一种基于自适应块融合的相干斑去噪方法，先对SAR图像进行区域划分，然后设计一种自适应块融合的算法将两类区域分别去噪后的结果进行了合并。实验表明，这种方法效果明显，融合处理可以综合现有相干斑抑制算法的优点，而且算法比较简明有效，有利于实际中的许多应用。
李茗[10]2008年在《提升小波在局部放电信号消噪及模式识别中的应用》文中进行了进一步梳理绝缘内部的局部放电是导致电气设备绝缘劣化的重要因素,放电模式与电气设备绝缘内部缺陷类型具有紧密的联系。局部放电在线监测与模式识别技术是及时发现电气设备绝缘系统放电性故障并诊断出绝缘内部缺陷的重要手段,对于防止高压电气设备事故发生,提高高压电气设备运行的安全性和可靠性具有重要的意义。电气设备局部放电在线监测的瓶颈问题是局部放电信号的有效提取和六电类型的正确识别。专家、学者已经提出许多方法用于局部放电信号消噪和模式识别,但尚没有能够用于实际工程之中的有效方法。本文介绍已有的局部放电信号消噪和模式识别方法和消噪效果较好的小波变换消噪方法的理论基础——小波分析,对几种经典的小波去噪处理方法进行了分析、比较,通过实验和数据讨论了它们各自的适用范围,将具有通用性和灵活性而且高效的提升小波变换理论引入到局部放电信号消噪和模式识别之中,分析提升小波变换的特点和用提升方法构造传统小波的步骤和方法,研究基于提升方案的适应性交叉提升小波变换理论,将提升方法用于信号去噪和奇异点检测中,并用仿真试验说明该方法具有一定的实用性。本文提出一种新的小波消噪方法——适应性交叉提升小波方法,先从偶数系数中预测奇数系数,作为每一提升构造的标准;然后,从奇数系数中预测偶数系数,把输入序列移一位然后把它反馈到同样的提升后的变换来实现,并进行仿真实验和现场数据处理,结果表明,该方法比提升小波的消噪效果更理想,具有一定实用前景。另外,本文对局放单个时域脉冲信号做提升小波分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,研究了BP神经网络对3种局放信号的模式识别结果。通过对实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,可为局放信号的识别提供了有效的参考。
参考文献：
[1]. 小波分析及其在信号降噪中的应用研究[D]. 朱华. 武汉理工大学. 2007
[2]. 地震信号的小波去噪方法研究[D]. 姚胜利. 中南大学. 2007
[3]. 基于小波变换的信号去噪研究[D]. 韦力强. 湖南大学. 2007
[4]. 基于小波变换的语音信号处理的应用研究[D]. 付维勇. 昆明理工大学. 2008
[5]. 能量色散型X射线荧光光谱仪关键技术研究[D]. 赵奉奎. 东南大学. 2015
[6]. 基于Contourlet变换的图像去噪算法研究[D]. 杨帆. 北京交通大学. 2008
[7]. 基于小波变换的遥感图像去噪与融合方法研究[D]. 刘炜. 西北农林科技大学. 2008
[8]. 基于改进阈值函数的小波去噪及其优化研究[D]. 卢广森. 昆明理工大学. 2017
[9]. SAR图像相干斑抑制方法研究[D]. 胡国浩. 中国科学院研究生院（电子学研究所）. 2007
[10]. 提升小波在局部放电信号消噪及模式识别中的应用[D]. 李茗. 辽宁科技大学. 2008
标签：电信技术论文; 小波变换论文; 信噪比论文; 图像融合论文; matlab小波变换论文; 函数图像论文; 特征分解论文; 图像降噪论文; 阈值论文; 光谱论文;