CN109724693B - 一种基于平稳小波的融合光谱去噪方法 - Google Patents
一种基于平稳小波的融合光谱去噪方法 Download PDFInfo
- Publication number
- CN109724693B CN109724693B CN201811607025.2A CN201811607025A CN109724693B CN 109724693 B CN109724693 B CN 109724693B CN 201811607025 A CN201811607025 A CN 201811607025A CN 109724693 B CN109724693 B CN 109724693B
- Authority
- CN
- China
- Prior art keywords
- signal
- coefficient
- threshold
- stationary
- denoising
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于平稳小波的融合光谱去噪方法,包括:对测得的光谱信号进行一层平稳小波分解,获得分解后光谱信号的第一细节系数和第一近似系数;对第一细节系数和第一近似系数分别采用极值中值滤波方法,去除其中的脉冲噪声;将去噪后的光谱信号进行平稳小波逆变换处理,获得过渡光谱信号;采用平稳小波对过渡光谱信号进行五层分解,获得第三细节系数和第三近似系数;采用软阈值函数及启发式阈值,对第三细节系数和第三近似系数进行去噪处理,得到第四细节系数和第四近似系数;将处理后的第四细节系数和第四近似系数进行平稳小波逆变换,获得最终光谱信号;本发明可有效抑制Gibbs现象,保证光谱信号的真实性和分辨率,实现信噪比的有效提升。
Description
技术领域
本发明属于信号测量及处理技术领域,主要应用于光谱信号处理,具体涉及一种基于平稳小波的融合光谱去噪方法。
背景技术
随着微科技的发展,微型光谱仪已经广泛应用于航天、农业、医药、化工等多个领域。然而,现在的微型光谱仪广泛采用CCD作为图像传感器,使得实际测得光谱信号不仅包含了有用信号,还通常伴随着噪声。主要有A/D转换电路带来的量化噪声、CCD本身带有的暗电流噪声、光子噪声、散粒噪声等,这些噪声的表现形式为白噪声和脉冲噪声。因此,对光谱信号数据进行去噪降低噪声的影响并提高光谱信号的准确性是至关重要的。
现阶段信号处理领域中广泛使用的去噪方法是傅里叶变换和小波变换。虽然可以使用傅里叶变换的方法获得信号的频率分量,但是不可能知道这些频率分量何时出现,并且降噪效果非常差。小波变换是在傅里叶变换的基础上发展而来,具有多尺度和多分辨率的特点,在信号处理领域具有更好的性能,能有效的去除白噪声,并保留信号的细节部分,但对脉冲噪声的去除能力很差。并且,传统的小波变换缺乏移位不变性特征,这意味着输入信号的小幅度变化可能导致不同级别的系数之间能量分布的主要变化,并且可能在重建中引起一些误差。因此,很容易引起Gibbs震荡现象,这将导致信号失真并破坏信号的几何特征。平稳小波变换是一种非正交小波变换,对于传统正交小波变换,为了确保其可逆性,虽然可以通过高低通滤波器对信号进行滤波,但由于是对每层系数进行隔点采样,使信号的长度减半,降低了信号的分辨率。
发明内容
针对上述现有技术中的去噪方法会导致得到的信号长度减半而导致信号的分辨率降低的问题,本发明于提出一种基于平稳小波的融合光谱去噪方法,该方法可在不改变信号分辨率和出现Gibbs震荡现象的情况下降低光谱信号中出现的高斯白噪声和脉冲噪声,提高光谱信号的准确性;具体技术方案如下:
一种基于平稳小波的融合光谱去噪方法,所述方法包括:
S1、获取初始光谱信号,对所述初始光谱信号基于平稳小波进行一层分解,获得与所述初始光谱信号分解后对应的第一细节系数和第一近似系数;
S2、采用极值中值滤波对所述第一细节系数和第一近似系数进行滤波处理,得到第二细节系数和第二近似系数;
S3、对所述第二细节系数和第二近似系数基于平稳小波做逆变换处理,得到过渡光谱信号;
S4、对所述过渡光谱信号做平稳小波作五层分解处理,得到所述过渡光谱信号分解后对应的第三细节系数和第三近似系数;
S5、采用软阈值函数与启发式阈值,对所述第三细节系数和第三近似系数做去噪处理,分别得到对应的第四细节系数和第四近似系数;
S6、对所述第四细节系数和第四近似系数基于平稳小波做逆变换处理,得到去除噪声的最终光谱信号。
进一步的,所述步骤S1和步骤S4中均采用db5作为所述平稳小波的小波基。
进一步的,所述步骤S2包括:
S21、设定判别标准:
其中,S为有用光谱信号,N为脉冲噪声信号,W[xi]是以xi为中心的窗口内的小波系数,minW[xi]为W[xi]中的最小值,maxW[xi]为W[xi]中的最大值,基于所述判别标准判断所述初始光谱信号中的有用光谱信号和脉冲噪声信号;
S22、设定滤波方法:
进一步的,所述步骤S6中采用与所述步骤S3中同样的方式对所述第四细节系数和第四近似系数进行平稳小波逆变换。
进一步的,所述步骤S5包括:
S51、定义软阈值函数:式中,ω为平稳小波变换后得到的细节系数,T为设定阈值,sign(ω)(|ω|-T)代表将系数的绝对值与阈值T相比较,其中,比阈值T大的信号点取该点值与阈值T的差,比阈值T的相反数还小的信号点取该点值与阈值T的和,并将所述软阈值函数作为阈值处理函数;
与现有技术相比,本发明的基于平稳小波的融合光谱去噪方法的有益效果为:采用非正交的平稳小波变换取代传统的小波变换,具有平移不变性,使去噪后的光谱信号不会出现Gibbs震荡现象,并且不会改变光谱信号的长度,降低其分辨率,有效的去除了高斯白噪声;对于光谱信号中的脉冲噪声,采用了极值中值滤波的处理方式,能有效的判断光谱信号中出现的脉冲噪声,在去除脉冲噪声的同时不会引入其他数据,保护了光谱信号的真实性;采用平稳小波变换与极值中值滤波相结合的滤波方式,在去除高斯白噪声的同时还去除了脉冲噪声,结合了两种去噪方式的优点,有效的提高了光谱信号的信噪比。
附图说明
图1为本发明实例中所述基于平稳小波的融合光谱去噪方法的流程图示意;
图2(a)~2(b)为本发明实施例中所述原始光谱信号与加噪光谱信号图示意;
图3(a)~3(c)为采用不同去噪方法后得到最终光谱信号图示意。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
参阅图1,在本发明实施例中,提供了一种基于平稳小波的融合光谱去噪方法,所述方法包括:
S1、获取初始光谱信号,对初始光谱信号基于平稳小波进行一层分解,获得与初始光谱信号分解后对应的第一细节系数Dj和第一近似系数Aj;具体的,本发明采用db5作为平稳小波一层分解的小波基。
S2、采用极值中值滤波对第一细节系数Dj和第一近似系数Aj进行滤波处理,得到第二细节系数和第二近似系数;具体的,本发明首先设定判别标准式:
其中,S为有用光谱信号,N为脉冲噪声信号,W[xi]是以xi为中心的窗口内的小波系数,具体的,窗口通过截取指定长度的数据段来构成,至于截取的数据段长度,可根据实际情况进行选择,本发明在此并不进行限制和固定;minW[xi]为W[xi]中的最小值,为W[xi]中的最大值,然后,基于判别标准判断式判断初始光谱信号中的有用光谱信号S和脉冲噪声信号S;其中,滤波的具体方法为,设定一滤波方法式:
S3、对第二细节系数和第二近似系数基于平稳小波做逆变换处理,得到过渡光谱信号;优选的,本发明实施例中采用对第二细节系数和第二近似系数进行平稳小波逆变换,其中,和分别表示产生偶数项系数和奇数项系数的反变换算子。
S4、对过渡光谱信号做平稳小波作五层分解处理,得到过渡光谱信号分解后对应的第三细节系数Cdj和第三近似系数Caj;同样的,本发明中采用db5作为平稳小波分解处理过程中的小波基。
S5、采用软阈值函数与启发式阈值,对第三细节系数Cdj和第三近似系数Caj做去噪处理,分别得到对应的第四细节系数dj和第四近似系数aj;具体过程为:
先定义一软阈值函数:式中,ω为平稳小波变换后得到的细节系数,T为设定阈值,sign(ω)(|ω|-T)代表将系数的绝对值与阈值T相比较,并将软阈值函数作为阈值处理函数;在实际操作中,当出现比阈值T大的信号点取该点值与阈值T的差,而当出现比阈值T的相反数还小的信号点取该点值与阈值T的和;再采用启发式阈值的方式确定阈值的选取,通过设定两个边界值c和e,具体的,边界值c的获取公式为:边界值e的获取公式为,其中,xi为信号值,N为信号长度,当e<c,则选用Sqtwolog阈值,否则采用rigrsure阈值;优选的,本发明中Sqtwolog阈值的表达式为式中,σ为信号噪声标准方差,N为信号长;rigrsure阈值的定义为:对于给定一个阈值T通过计算得到该阈值似然估计,然后最小化似然函数,最后得到所需要的阈值。
S6、对第四细节系数dj和第四近似系数aj基于平稳小波做逆变换处理,得到去除噪声的最终光谱信号;同样的,本发明实施例中优先采用对第四细节系数dj和第四近似系数aj进行平稳小波逆变换,其中,和分别表示产生偶数项系数和奇数项系数的反变换算子。
采用本发明的基于平稳小波的融合光谱去噪方法,由于平稳小波变换在信号分解的时候不对信号进行抽样操作,而是对两个滤波器进行插值补零,这样每次信号分解得到的逼近信号和细节信号都与原始信号的长度相同,因此,信号分辨率不会下降,并且不会出现Gibbs震荡现象;而采用平稳小波变换和极值中值滤波相结合的方法进行去噪,在利用小波变换去除白噪声的同时利用极值中值滤波去除脉冲噪声,同时又不改变信号的准确性。
实施例二
具体结合仿真实验的结果来进一步说明本发明方法的效果。
参阅图2(a)和2(b),其中,图2(a)为实验所使用的光谱信号为标准的LED光谱信号,如图2(b)为加入噪声后的光谱信号图示意。
为了验证本发明去噪方法的去噪效果,优选的,本发明选择信噪比(Signal-to-NoiseRadio,SNR)和均方根误差(Mean Square Error,MSE)来评估去噪效果的好坏,其中,信噪比SNR通过公式计算,均方根误差通过公式计算,其中xi表示原始光谱信号,yi表示去噪后的光谱信号,当SNR较高且MSE较低时,降噪信号更接近标准信号,去噪效果也更好。
表1为平稳小波变换、极值中值滤波和本发明去噪效果比较
去噪方法 | 平稳小波变换 | 极值中值滤波 | 本发明 |
SNR/dB | 34.8488 | 33.5487 | 40.3554 |
MSE | 1.5489 | 1.5757 | 1.2003 |
结合表1,同时参阅图3(a)和图3(b),仅仅通过平稳小波变换对光谱信号去噪不能完全去除脉冲噪声;仅仅采用极值中值滤波对光谱信号去噪不能有效的去除高斯白噪声;参阅图3(c),即将本发明的基于平稳小波的融合光谱去噪方法与现有滤波方法进行比较可知,本发明的方法能完全去除高斯白噪声和脉冲噪声,并且不会出现Gibbs震荡现象,有效的提高了光谱信号的信噪比。
与现有技术相比,本发明的基于平稳小波的融合光谱去噪方法的有益效果为:采用非正交的平稳小波变换取代传统的小波变换,具有平移不变性,使去噪后的光谱信号不会出现Gibbs震荡现象,并且不会改变光谱信号的长度,降低其分辨率,有效的去除了高斯白噪声;对于光谱信号中的脉冲噪声,采用了极值中值滤波的处理方式,能有效的判断光谱信号中出现的脉冲噪声,在去除脉冲噪声的同时不会引入其他数据,保护了光谱信号的真实性;采用平稳小波变换与极值中值滤波相结合的滤波方式,在去除高斯白噪声的同时还去除了脉冲噪声,结合了两种去噪方式的优点,有效的提高了光谱信号的信噪比。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (7)
1.一种基于平稳小波的融合光谱去噪方法,其特征在于,所述方法包括:
S1、获取初始光谱信号,对所述初始光谱信号基于平稳小波进行一层分解,获得与所述初始光谱信号分解后对应的第一细节系数和第一近似系数;
S2、采用极值中值滤波对所述第一细节系数和第一近似系数进行滤波处理,得到第二细节系数和第二近似系数;
S3、对所述第二细节系数和第二近似系数基于平稳小波做逆变换处理,得到过渡光谱信号;
S4、对所述过渡光谱信号做平稳小波作五层分解处理,得到所述过渡光谱信号分解后对应的第三细节系数和第三近似系数;
S5、采用软阈值函数与启发式阈值,对所述第三细节系数和第三近似系数做去噪处理,分别得到对应的第四细节系数和第四近似系数;
S6、对所述第四细节系数和第四近似系数基于平稳小波做逆变换处理,得到去除噪声的最终光谱信号。
2.如权利要求1所述的基于平稳小波的融合光谱去噪方法,其特征在于,所述步骤S1和步骤S4中均采用db5作为所述平稳小波的小波基。
5.如权利要求4所述的基于平稳小波的融合光谱去噪方法,其特征在于,所述步骤S6中采用与所述步骤S3中同样的方式对所述第四细节系数和第四近似系数进行平稳小波逆变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607025.2A CN109724693B (zh) | 2018-12-27 | 2018-12-27 | 一种基于平稳小波的融合光谱去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607025.2A CN109724693B (zh) | 2018-12-27 | 2018-12-27 | 一种基于平稳小波的融合光谱去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109724693A CN109724693A (zh) | 2019-05-07 |
CN109724693B true CN109724693B (zh) | 2021-01-05 |
Family
ID=66297762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811607025.2A Active CN109724693B (zh) | 2018-12-27 | 2018-12-27 | 一种基于平稳小波的融合光谱去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109724693B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113324918B (zh) * | 2021-01-26 | 2023-01-24 | 核工业北京地质研究院 | 一种岩石光谱去噪方法 |
CN114398926A (zh) * | 2022-01-12 | 2022-04-26 | 江苏金晟元控制技术有限公司 | 一种基于小波分析的电阻点焊塑性环成像方法及其应用 |
CN115293219B (zh) * | 2022-09-29 | 2023-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种融合小波和峭度的脉冲信号去噪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100550978C (zh) * | 2006-06-20 | 2009-10-14 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
CN102818629A (zh) * | 2012-05-04 | 2012-12-12 | 浙江大学 | 基于平稳小波变换的微型光谱仪信号去噪方法 |
US9480439B2 (en) * | 2012-11-01 | 2016-11-01 | Virginia Commonwealth University | Segmentation and fracture detection in CT images |
CN107993194B (zh) * | 2017-11-30 | 2021-01-01 | 天津大学 | 一种基于平稳小波变换的超分辨率重建方法 |
-
2018
- 2018-12-27 CN CN201811607025.2A patent/CN109724693B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109724693A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neelamani et al. | Wavelet-based deconvolution for ill-conditioned systems | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
US7260272B2 (en) | Method and apparatus for noise reduction using discrete wavelet transform | |
CN104881847A (zh) | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 | |
CN111242854A (zh) | 一种图像去噪方法 | |
CN110646851A (zh) | 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法 | |
CN110706186B (zh) | 基于压缩感知及Renyi熵的水下信息抗干扰方法 | |
CN114779343A (zh) | 一种基于曲波变换-联合双边滤波的地震数据去噪方法 | |
CN109586728B (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
Sheybani | An Algorithm for Real-Time Blind Image Quality Comparison and Assessment | |
CN111582205B (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN107610055B (zh) | 傅里叶变换光谱仪干涉图噪声检测及抑制方法 | |
Ahmed | Image enhancement and noise removal by using new spatial filters | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
CN114690003A (zh) | 一种基于eemd的局放信号降噪方法 | |
CN114881883A (zh) | 一种红外图像多维降噪方法、存储介质及装置 | |
Sheela et al. | Comparative analysis of various filtering techniques for Speckle noise suppression in Ultrasound images | |
Sudheesh et al. | Selective weights based median filtering approach for impulse noise removal of brain MRI images | |
Pullan et al. | Noise reduction from grayscale images | |
CN111414808B (zh) | 基于平移不变分数阶小波稀疏表示的机械故障诊断方法 | |
Zhang et al. | Simultaneous denoising and preserving of seismic signals by multiscale time-frequency peak filtering | |
Roy et al. | Performance Evaluation of Different Image Denoising Methods | |
CN117274094B (zh) | 一种用于可穿戴超声成像质量提升的反卷积重构方法 | |
Ilango et al. | New hybrid filtering techniques for removal of speckle noise from ultrasound medical images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210023 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu. Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |