学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机

音频小波降噪实例 DWT_VoiceAnalysis 实例功能： 读取语音信号：'ReferAudio.flac' 并添加幅度为 NoiseAmplitude 的 gauss 白噪声。 采用 WaveName 小波对信号进行 level 尺度分解 采用 4 种方法对信号进行降噪处理并重构，计算相应的信噪比、均方根误差等对性能进行了比较。 保存的音频文件位于 AudioFile 内 欢迎讨论学习

用于图像处理实验，基于C#的图像处理项目，包含图像的打开与原图查看，对图像进行加噪【椒盐噪声、高斯噪声】，可以改变值达到不同等级的加噪处理。

针对拓片得到的文字图像具有模糊细节多、效果差等特征,以及传统算法对其边缘检测的精度不高，根据拓片文字边缘独立于尺度传播的特性，提出了一种基于二进小波变换的拓片文字图像边缘提取和增强算法。首先用二进小波对拓片文字图像进行多尺度分解，再结合小波变换模值跨尺度传递的不同特性，进行多尺度下的图像边缘提取、增强和细化。实验表明，该算法克服了传统算法的不足，弱化了单尺度下噪声抑制与边缘细节提取精度之间的矛盾，从而具有更好的实用性。

为了提高现场采集信号的信噪比,针对奇异值分解中重构矩阵有效阶次确定难的问题,提出了一种基于奇异值能量差分谱的信号降噪方法。该方法根据有用信号与噪声能量的差异性,通过构造信号的奇异值能量差分谱,将能量差分谱曲线中最大峰值点作为重构信号的有效阶次来实现有用信号和噪声的分离,能够使信号奇异值降噪阶次得到合理确定,较好地保护了原始信号中有用信息的完整性,获得了较大的信噪比,对后续进行信号特征的准确提取和分析至关重要。仿真和实例分析结果验证了该方法的有效性。

针对传统的阈值函数在图像去噪中存在硬阈值函数不连续、软阈值函数会产生恒定误差的不足,在多层小波变换的基础上,对阈值选取方法进行了改进,并改变了传统软阈值函数。实验结果表明,该方法无论在视觉效果还是在信噪比定量指标上均优于传统硬阈值法和软阈值法。

在现有阈值去噪算法的基础上提出了一种基于新型符号函数的小波阈值图像去噪算法，该算法提出的新阈值函数具有连续可导、小波系数偏差小、阈值自适应性强等优势。不仅保留了分解后的低频小波系数，还有效滤除了高频系数中的噪声系数，使得重构后的图像更接近原始图像。对高斯白噪声的Bridge图像、Lena图像及含“斑点噪声”的B超Fetus图像进行仿真，实验的结果表明，无论是新阈值函数的视觉效果，还是定量指标PSNR和MSE，均优于现有的阈值图像去噪算法。其边缘及细节信息能得到较好的保护，无明显振荡，图像更平滑、均匀，且在复杂噪声背景下，该方法具有较好的顽健性。

sEMG 信号 预处理：去噪，分割，特征提取

1首先运用 CEEMDAN 算法加入高斯白噪声，将信号分解成一系列 IMF 分量 2然后采用小波软阈值去噪方法对含噪声较多的高频 IMF分量进行去噪处理 3最后将去噪处理的 IMF 分量和其余分量进行重构，获得去噪后的信号。 可直接跑，无需重复购买。（因为内置PinPu函数也已补全）

采用一种基于开关电容阵列（SCA）和电压、电流滤波相结合的电路结构，设计了一个宽调谐范围低相位噪声的互补交叉耦合型LC压控振荡器。利用ADS仿真软件对电路进行仿真，达到了宽调谐、低相位噪声、低功耗的要求。