基于邻域结构相似性的混合噪音线性滤波算法

本文提出一种基于像素邻域结构信息相似性的混合噪音线性滤波算法(GLMF)。该算法是对线性混合滤波器(LMF)的一种改进,它利用图像中存在着大量冗余信息的特性,恢复被混合噪音染污的像素,在判断邻域内像素的相似性时,除考虑像素灰度值的相似性之外,又考虑了像素邻域结构的相似性,用像素灰度值的梯度来表示邻域结构信息。仿真实验证明,用GLMF去噪的视觉效果和峰值信噪比(PSNR)均优于已知的同类滤波器。该算法适用于恢复被高斯噪音和随机脉冲噪音混合污染的数字图像。     

基于ROLD统计量的混合噪音线性滤波算法

提出一种基于ROLD统计量的混合噪音线性滤波算法（RLMF）。算法把用来检测脉冲噪音的ROLD统计量运用于混合噪音的滤波算法上,提高了混合噪音中脉冲噪音成分的检测效率,它不仅适用于恢复被混合噪音污染的数字图像,而且也适用于恢复被纯脉冲噪音或纯高斯噪音污染的数字图像。仿真实验证明,RLMF滤波后的图像视觉效果和PSNR均优于已知的同类滤波器。     

基于C4. 5和NB混合模型的数据流分类算法

具有概念漂移的含噪数据流的分类问题成为数据流挖掘领域研究的热点之一。提出了一种基于C4. 5和Naive I3ayes混合模型的数据流分类算法CDSMM。它以C4.5作为基分类器,采用朴素贝叶斯分类器过滤噪音,同时引入假设检验中的u检验方法检测概念漂移,动态更新模型。实验结果表明,CDSMM算法在处理带有噪音的概念漂移数据流时具有比同类算法更好的分类正确率。     

基于LMF100的有源带通滤波器的设计

针对有源开关电容滤波器LMF100芯片，设计了一种基于LMF100与单片机由低通、高通构成的四阶有源带通滤波器，带通滤波器的截止频率由外部时钟决定，具有截止频率精确及可调、系统功耗低的特点。最后给出了实际电路的调试结果。     

抗噪音谱估计误差干扰的语音增强处理

在实际应用中通常无法精确估计得到背景噪音谱,传统语音增强效果也随之大大降低。为弱化估计误差引入的干扰,在对数最小均方差估计器（LSA）语音增强方法基础上提出了一套切实可行的增强方案。引入信号检测自动机判别帧成分,针对帧与帧之间的不同特点采取不同级别的噪音抑制处理方案,对确定为噪音帧的部分进行进一步深度抑制,而语音帧部分则沿用改进的LSA方法。实验表明,使用方法能有效抑制背景噪音,特别当噪音谱估计误差较大情况下,相比于LSA该方法具有更优秀的去噪、抗干扰性能。     

基于卡尔曼滤波的倒立摆控制系统噪声抑制

在二级倒立摆稳摆控制中,摆杆的角度信号受到测量噪音污染,通过差分获取角速度时,该噪音被放大,导致稳摆控制器的输出产生较大的随机波动,同时电机作为执行器,也混入了较大的过程噪音.这两种噪音使系统出现较强抖动,既不利于摆杆稳定,也缩短了电机寿命.对此,将稳态卡尔曼滤波器与渐消记忆法结合起来,找到了确定稳态卡尔曼滤波器增益矩阵的有效方法,既克服了模型误差,又满足实时性要求,减小了电机抖动,取得了较好的效果.     

一种具有抗噪音能力的增量式混合学习算法

文中提出了一种具有抗噪音能力的增量式混合学习算法ＩＨＭＣＡＰ,该算法将基于概率论的符号学习与神经网络学习相结合,通过引入ＦＴＡＲＴ神经网络,不仅实现了两种不同思维层次的靠近,还成功地解决了符号学习与神经网络学习精度之间的均衡性问题。其独特的增理学习机制不仅使得它只需进行一遍增量学习即可完成对新增示例的学习,还使该算法具有较好的抗噪音能力,从而可以应用于实时在线学习任务。     

一种新的用于语音识别的噪音估计及非线性谱相减方法

提出了一种新的噪音估计及非线性谱相减方法，通常的噪音估计一般基于语音检测方法，取噪音段的谱平均作为噪音谱的估计，该方法在信噪比较低时性能下降严重。提出的基于能量聚类的噪音谱估计方法，不依赖于语音检测直接估计噪音谱，提高了噪音谱估计的精度。还在一般非线性谱相减方法的基础上提出了改进的谱相减方法，该方法根据单个mel滤波器频带内局部的信噪比，来决定该频段内非线性谱相减的多少，细化了非线性差谱的额度，在有效抑制噪声的同时减少了语音谱的失真。     

软件可靠性增长模型的不确定性量化研究

数量激增的软件系统被开发出来为用户提供了极大便利性,但也给系统开发带来了极大的不确定性.故障调试过程中的故障检测率FDR（Fault Detection Rate）是不规律变化的,且通常被描述为白色噪音.白色噪音具有马儿可夫性,但是在实践中,噪音出现非马尔可夫性是普通现象,而噪音呈现马尔可夫性仅仅是例外.在许多真实情况下,白色噪声的理想化假设是不足的：真正的不规则因素总是非马尔可夫相关性的.我们提出了一个新的模型来量化调试过程相关的环境不确定性因素.基于广泛应用于软件故障检测过程的非齐次泊松过程（Non-Homogeneous Poisson Process,简称NHPP）模型,我们将环境的不确定性考虑为任意分布和时间相关性的噪声.通过与一些现有模型的比较,新的框架表现出更接近实际观测数据的特征.除了常用的关注故障数的平均值,我们提供了公式来计算其累积密度函数（CDF）和概率密度函数（PDF）,来获得调试过程的完整统计信息.     

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器. 随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合（Gaussian mixture,GM）技术获得了该滤波器解析的递推形式——-多模型 GM-CBMeMBer 滤波器,并简要给出了它在非线性条件下的扩展卡尔曼（Extended Kalman,EK）滤波近似. 仿真实验结果表明所建议的多模型 GM-CBMeMBer 滤波器能有效地对多个机动目标进行跟踪而单模型 GM-CBMeMBer 滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度（GM probability hypothesis density,GM-PHD）滤波器,接近于多模型高斯混合势概率假设密度（GM cardinalized PHD,GM-CPHD）滤波器.     

基于稀疏结构噪声检测的指静脉图像去噪算法

针对携带污染噪声的指静脉图像中背景区域、静脉区域和噪声区域的稀疏特性,提出一种改进的指静脉图像去噪算法。利用指静脉稀疏结构特性建立鲁棒主成分分析（RPCA）模型,通过交替方向乘子法求解RPCA模型获得含稀疏目标的前景图像并对其进行阈值分割以提取噪声分布图,同时根据提取结果建立修复优先度规则和自适应选择性滤波模板,实现指静脉图像的去噪处理。实验结果表明,与自适应非局部均值去噪算法和基于分数阶微分梯度噪声检测的去噪算法相比,在零误识情况下该算法处理后的带噪指静脉图像拒识率平均降低5.95%和3.64%,有效提升了带噪指静脉图像的识别性能。     

种子像素滤波法去除随机脉冲噪声

为了在去除图像高密度随机脉冲噪声的同时最大程度地保护图像边缘和细节,提出一种新方法。该方法首先利用图像局部灰度相似性,提取种子像素;然后只对种子像素进行开关中值滤波,去除误判的种子像素,采用自适应变窗口尺寸;最后利用种子像素先探测漏选的种子像素,接着重构非种子像素。实验结果表明,与其他方法相比,该方法是综合性能最优之一。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

A novel method for speckle noise reduction and ship target detection in SAR images

It is very difficult to detect small targets when the scattering intensity of background clutter is as strong as the targets and the speckle noise is serious in synthetic aperture radar (SAR) images. Because the scattering of man-made objects lasts for a longer time than that of background clutter in azimuth matching scope, it is much easier for man-made objects to produce strong coherence than ground objects. As the essence of SAR imaging is coherent imaging, the contrast between targets and background clutter can be enhanced via coherent processing of SAR images. This paper proposes a novel method to reduce speckle noise for SAR images and to improve the detected ratio for SAR ship targets from the SAR imaging mechanism. This new method includes the coherence reduction speckle noise (CRSN) algorithm and the coherence constant false-alarm ratio (CCFAR) detection algorithm. Real SAR image data is used to test the presented algorithms and the experimental results verify that they are feasible and effective.     

各向同性同质区域选取的高光谱遥感图像噪声估计方法

在现有高光谱遥感图像噪声估计方法中,同质区域的选取通常是最关键的步骤,有效的同质区域选取方法能够提高图像的噪声估计精度。本文充分利用了高光谱遥感图像中丰富的空间信息和光谱信息,提出了一种各向同性同质区域选取算法,其中,为了更好地区分同质区域内像元相似度,构造了一种新的兰氏-光谱角度量;结合基于多元线性回归的去相关法,通过最优区域评估高光谱遥感图像噪声水平。利用不同结构及信噪比的模拟图像和真实高光谱遥感图像进行实验,通过与现有的多种噪声估计方法比较,验证了本文方法在针对不同噪声水平、不同复杂程度的图像时更加准确和稳定。     

采用训练策略实现的快速噪声水平估计

目的 大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计（NLE）算法在噪声水平感知特征（NLAF）提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络（CNN）自动提取NLAF特征,并利用增强BP （back propagation）神经网络将其映射为相应噪声水平值的改进算法。方法 在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在AdaBoost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果 对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0.5,均方根误差小于0.9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13.9 ms。结论 实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。     

随机值脉冲噪声滤波算法

文章详细分析了随机值脉冲噪声污染图像的局部灰度统计特征,定义了一种噪声可信度的估计函数—灰度等级共现几率,并在此基础上提出了共现几率极小的中值滤波算法。算法模拟生物视觉在注视过程中的变分辨率特性,以不同分辨率对噪声进行多层次的定位及滤波。实验结果表明,该文算法可以有效地滤除噪声,并较好地保留图像的边缘细节信息,其滤波效果比其它算法更接近理想的中值滤波,尤其是对于噪声高度污染的情况。     

Addressing image and Poisson noise deconvolution problem using deep learning approaches

Digital images are more important in numerous contemporary applications, and the need for images in the technical field is also increasing drastically. It is used to recognize signatures and faces in many industries and is applicable for intelligent departments. The images are usually associated with the noise content; this may happen due to the instrument imperfections, troubleshooting while collecting data from the acquisition process, and another natural phenomenon. Poisson noise, also known as photon noise, is caused in the images due to the statistical essence of electromagnetic waves. X-ray, visible light, and gamma rays are electromagnetic waves. The enhancement of the convolution model in addressing images is challenging due to the various constituents such as optical aberrations, noise level, and optical setup. The modeling configuration of the image is attained using the point spread function (PSF), which is responsible for the system's impulse response. The quality image is retrieved by denoising and super-resolution (SR) methods; these methods simultaneously eliminate the noise content from the images. A Richardson–Lucy and alternating direction method of multipliers type of non-blind iterative algorithmic approaches associated with the PSF performance in addressing image is comparatively analyzed. The deep learning approach, convolutional neural networks (CNNs), is also employed to understand the nonlinear mapping relationship between the observed data and ground reality. The performance of the various network approaches is compared in this article. The result obtained shows that the deep learning CNNs achieved higher accuracy in producing denoising images. The goal of the proposed system model is to remove the interference noise in images. The high-resolution images are obtained by implementing a SR-based CNN model.     

基于噪声检测和动态窗口的图像去噪算法

针对中值滤波算法在去除脉冲噪声时易造成图像细节丢失的问题,提出了一种基 于噪声检测和动态窗口的自适应滤波方法。首先借鉴 BDND 方法,将图像的像素初分成信号点 和疑似噪声点,以减少需要处理的像素点;然后设计一种窗口自适应的噪声检测方法对疑似噪 声点进一步检测,判断其是真噪声点还是细节点,以加强图像细节信息的保护;最后通过改进 的自适应中值滤波器滤除检测出的噪声,并融入窗口自适应控制,窗口的大小可以根据噪声情 况自适应地调整,在去除噪声的同时尽可能地保护图像细节。实验表明,该算法在噪声处理和 细节保护上要优于其他典型算法,能有效地提高图像的峰值信噪比,对于高密度噪声的图像, 也可以获得较好的去噪效果。     

使用背景噪声盲估计的图像真伪鉴别

数字图像获取过程中会在整幅图中产生一致的噪声,而由不同图像拼接而成的图像往往会在噪声的统计特性上不一致。本文利用这一特点,提出了一种基于背景噪声分析的图像真伪被动鉴别算法。该算法利用了图像数据的高阶统计特性对背景噪声进行盲估计,并通过相邻重叠分块间的特征估计来判断图像哪些部分被篡改。实验结果表明,该方法对于鉴别拼接而成的篡改图像有显著效果。